最佳 Speech-to-Text API：Deepgram、AssemblyAI、Whisper、Google STT 与 Scribe 怎么选
最佳 Speech-to-Text API 取决于音频是实时对话的一部分，还是转录工作流的一部分。需要语音智能体 ASR、话轮检测、打断和低延迟流式时先测 Deepgram；交付物是文字稿加说话人、关键词、摘要或后续语音智能时先看 AssemblyAI；重视开源控制或自托管成本时看 Whisper；采购、GCP 集成和企业控制优先时看 Google Cloud Speech-to-Text；团队已经在 ElevenLabs 里做语音生成或 Agent 时看 ElevenLabs Scribe。
Deepgram 是语音智能体 ASR 的最强首轮测试，因为其当前文档把 Flux 描述为专为语音智能体构建的对话语音识别模型，具有模型集成的话轮结束检测、可配置话轮动态、自然打断处理，以及面向语音智能体管线优化的超低延迟。其当前定价页以分钟为单位列出 Flux English 的按量价格，因此实时成本建模应看通话分钟、并发和附加功能，而不只看文字稿数量。
当产品需要在音频采集后做转录智能时，AssemblyAI 更适合作为首轮测试。其当前定价页列出 Universal-2 作为更低价格的预录音模型，Universal-3 Pro 作为面向复杂多语言音频的高准确率选项，并提供关键词提示、自然语言提示、说话人分离、医疗模式和摘要等附加能力。因此 AssemblyAI 很适合媒体库、销售电话、客服质检、播客和合规审阅流程。
Whisper 应该作为开放基线进入每个候选列表。它通常不是最省心的托管 API 路线，但能帮助工程团队在完全绑定托管厂商前测试准确率、语言覆盖、自托管成本、隐私姿态和 fallback 行为。进入生产前，应把 GPU 成本、批处理、监控、模型更新、隐私控制和维护责任，与托管 API 价格放在一起比较。
当公司已经标准化使用 GCP 时，Google Cloud Speech-to-Text 是更容易采购的选择。Google 文档说明其支持实时音频的流式语音识别，并按成功处理的音频计费，以一秒为增量，且存在模型和用量阶梯。若身份、账单、合规审查、区域运营和已有云合同比语音智能体专用 ASR 功能更重要，应优先考虑它。
当语音流程已经用 ElevenLabs 做语音生成、配音或 Agent 时，ElevenLabs Scribe 是实用补充。其当前 API 定价页按小时列出 Scribe speech-to-text 价格，并将实时 Scribe 与批量 Scribe 分开计价。因此，当团队想让说和听留在同一个供应商关系中时，Scribe 最容易被采用；若需要最深的独立 ASR 平台，则应继续比较 Deepgram 和 AssemblyAI。
实际基准测试应包含有噪声的短句、干净长音频、重叠说话人、领域术语、口音，以及实时打断场景。记录 partial transcript 延迟、final transcript 延迟、话轮结束时间、说话人分离质量、标点、幻听词、重试行为，以及每小时或每分钟成本。每个供应商都要保留人工审阅样本，因为 ASR 质量差异常常在特定口音、麦克风或领域词出现时才暴露。