如何为 OpenTypeless 选择合适的 STT 供应商
OpenTypeless 支持 6 个语音转文字供应商，各自在准确率、速度、语言覆盖和定价方面有不同优势。选择合适的供应商可以显著改善你的语音输入体验。本指南提供详细对比，帮助你根据具体使用场景选择最佳供应商。
语音转文字的工作原理
在深入了解各供应商之前，先了解当你对 OpenTypeless 说话时发生了什么。你的麦克风捕获音频，音频被压缩后发送到 STT 供应商的 API。供应商通过在数千小时语音数据上训练的神经网络处理音频，生成文本转录。不同供应商使用不同的模型架构、训练数据和优化策略 — 这就是为什么准确率和速度在供应商之间差异显著。
需要考虑的关键指标有：词错误率（WER）— 转录错误的单词百分比；延迟 — 获得结果的速度；语言支持 — 支持哪些语言和方言；以及定价 — 每分钟音频处理的费用。没有单一的「最佳」供应商 — 正确的选择取决于你的主要语言、延迟要求和预算。
Deepgram Nova-3
Deepgram Nova-3 是英语用户的最佳整体选择。这是 Deepgram 的最新模型，专门针对对话语音训练，对技术词汇、专有名词和自然语音模式有出色的处理能力。Nova-3 在英语基准测试中达到了行业领先的词错误率，在正面对比中持续优于其他供应商。
Deepgram 的突出之处在于智能格式化。API 自动添加标点、大写专有名词并正确格式化数字。这意味着 LLM 润色步骤的工作量更少 — 原始转录已经相当干净。Deepgram 还支持实时流式传输，你可以在说话时看到文字出现，而不是等待整个录音处理完成。
- 英语准确率业界领先，带智能格式化
- 实时流式传输支持，即时反馈
- 注册送 00 免费额度 — 足够个人使用数月
- 支持 36+ 种语言，准确率各有不同
OpenAI Whisper
OpenAI 的 Whisper 是最通用的选项，支持 50+ 种语言且质量一致。Whisper 在 680,000 小时的多语言音频数据上训练，对口音、背景噪音和领域特定词汇有出色的鲁棒性。如果你经常在语言之间切换或使用非英语语言工作，Whisper 是一个强大的默认选择。
权衡是速度。Whisper 以批处理模式处理音频而非流式传输，这意味着你需要等待整个录音完成才能获得结果。对于短语音输入（30 秒以内），这个延迟几乎不可察觉。对于较长的录音，与 Deepgram 等流式供应商相比会感觉迟缓。
- 50+ 种语言，所有语言质量一致
- 出色的噪音鲁棒性 — 在嘈杂环境中也能良好工作
- 跨领域的强大技术词汇处理
- 仅批处理 — 不支持实时流式传输
Groq Whisper
Groq Whisper 是速度冠军。Groq 在定制 LPU（语言处理单元）硬件上运行相同的 Whisper 模型，转录结果比 OpenAI 托管版本快 5-10 倍。在我们的测试中，10 秒音频片段在 200 毫秒内返回结果 — 基本上是即时的。你获得与 OpenAI Whisper 相同的准确率，但延迟大幅降低。
如果延迟是你的首要考虑 — 例如在实时对话或快速编码会话中使用语音输入 — Groq Whisper 是明确的赢家。速度差异立即可感知，让语音输入感觉更加响应迅速。
- 比标准 Whisper 快 5-10 倍 — 近乎即时的结果
- 与 OpenAI Whisper 相同的准确率（相同模型，更快硬件）
- 继承 Whisper 的 50+ 语言支持
- 免费层可用，速率限制慷慨
GLM-ASR
智谱 AI 的 GLM-ASR 是中文用户的最佳选择。它专门针对普通话和中文方言优化，训练数据聚焦于中文对话模式、技术术语和中英混合语音。如果中文是你的主要语言，GLM-ASR 在中文内容上的表现将显著优于 Whisper 等通用模型。
GLM-ASR 很好地处理了中文语音识别的独特挑战：声调消歧、同音词解析和中文字符的正确分词。它还能正确处理中英混合语音，这在技术讨论中很常见 — 中文句子中经常使用英文术语。
- 普通话准确率业界领先，支持方言
- 出色的中英混合语音处理
- 通过智谱 AI API 提供有竞争力的定价
AssemblyAI
AssemblyAI 以超越基本转录的音频智能功能脱颖而出。他们的 Universal-2 模型在 30+ 种语言上提供强大的准确率，还有说话人分离（识别谁说了什么）、情感分析和主题检测等额外功能。对于 OpenTypeless 的语音输入使用场景，核心转录质量稳定可靠。
如果你看重一致、可靠的转录，并且可能想在未来探索高级音频功能，AssemblyAI 是一个好选择。他们的 API 文档完善，免费层对个人使用足够慷慨。
SiliconFlow
SiliconFlow 以有竞争力的质量提供经济实惠的 STT。他们在优化的基础设施上托管开源模型，将成本节省传递给用户。如果你处理大量音频或对成本敏感，SiliconFlow 提供了良好的性价比。准确率略低于顶级供应商，但对于配合 AI 润色的语音输入完全够用 — LLM 步骤会捕获大多数转录瑕疵。
如何切换供应商
在 OpenTypeless 中切换供应商大约需要 10 秒。打开设置，进入 STT 标签页，从下拉菜单选择新供应商，输入你的 API 密钥。OpenTypeless 立即验证密钥，你就可以开始使用了。之前供应商的 API 密钥会被保存，所以你可以随时切换回去而无需重新输入凭据。
设置 → STT 供应商 → 选择供应商 → 输入 API 密钥 → 完成我们的推荐
对于大多数英语用户，从 Deepgram Nova-3 开始 — 准确率和智能格式化难以超越，00 免费额度消除了任何成本障碍。如果你需要最快的响应速度，切换到 Groq Whisper。对于中文用户，GLM-ASR 是明确的选择。对于经常在语言之间切换的多语言用户，OpenAI Whisper 广泛的语言支持使其成为最安全的默认选择。