对比最佳语音转文字 API，涵盖准确率（WER）、延迟、语言覆盖、自托管和价格，适用于实时语音智能体、转写和会议智能。
语音转文字没有单一赢家——每个工具各擅其长：Deepgram 适合低延迟语音智能体，Whisper 适合准确率与自托管，AssemblyAI 适合摘要、情感等语音智能。按你的主要约束选，再用自己的音频验证，因为基准 WER 常与真实结果差距很大。
适合参考的最佳语音转文字（ASR）API 与工具包括 Deepgram、AssemblyAI、OpenAI Whisper、Google Cloud Speech-to-Text、ElevenLabs Scribe。语音转文字没有单一赢家——每个工具各擅其长：Deepgram 适合低延迟语音智能体，Whisper 适合准确率与自托管，AssemblyAI 适合摘要、情感等语音智能。按你的主要约束选，再用自己的音频验证，因为基准 WER 常与真实结果差距很大。
按主要约束选 ASR——智能体看延迟、转写看准确率、分析看智能功能——再用真实音频测试。 谨慎看待基准 WER：在干净音频上 5% 的模型，在困难的生产音频上可能到 15-20%。 注意附加费用：说话人分离、情感、摘要通常单独计费并叠加在基础每分钟费率之上。
Deepgram、AssemblyAI、OpenAI Whisper、Google Cloud Speech-to-Text、ElevenLabs Scribe 提供可用的免费层或免费入口，可以先免费评估。付费档通常从 $0.0043/min 起。
构建实时语音智能体 → Deepgram；需要摘要、情感或说话人标注 → AssemblyAI；想要最高准确率或规模化自托管 → OpenAI Whisper。
按类型、克隆、语言和商用授权横向对比，每条价格都标注了核对日期与官方来源。
| 工具 | 类型 | 克隆 | 免费层 | 起步价 | 语言 | 商用 | 核对 |
|---|---|---|---|---|---|---|---|
| Deepgram | ASR | 无 | 有 | $0.0043/min | 36+ 种语言 | 按标准条款可商用；提供自托管/本地部署 | 2026-06-12 |
| AssemblyAI | ASR | 无 | 有 | $0.15/hr | 99+ 种语言 | 按标准 API 条款可商用 | 2026-06-12 |
| OpenAI Whisper | ASR | 无 | 有 | Free (self-host) / $0.006/min API | 99+ 语言，含中文 | MIT 许可，可免费商用 | 2026-06-12 |
| Google Cloud Speech-to-Text | ASR | 无 | 有 | Free 60 min/mo then usage | 125+ 种语言 | 按 Google Cloud 条款可商用 | 2026-06-12 |
| ElevenLabs Scribe | ASR | 无 | 有 | Included in ElevenLabs plans | 多语言实时 | ElevenLabs 付费档可商用 | 2026-06-12 |
如果你是：构建实时语音智能体
Deepgram 的亚 300ms 流式和话轮结束检测正是为对话流程打造的。
如果你是：需要摘要、情感或说话人标注
AssemblyAI 在转写之上集成了语音智能，省去你拼接额外模型的工作。
如果你是：想要最高准确率或规模化自托管
Whisper 是开源准确率标杆，自托管在大用量时可消除按分钟成本。
亚 300ms 流式和带话轮结束检测的 Flux 模型——当语音是实时产品（如语音智能体）一部分时的专门之选。
将 99+ 语言转写与摘要、情感、主题检测和说话人标注结合——当你需要的不只是转写文本时。
多语言准确率标杆，开源且可免费自托管——若具备 ML 运维能力，最适合可控与规模化。
125+ 语言，支持流式与批量，依托 Google Cloud——已在 GCP 的团队的稳妥默认。
准确的多语言转写并支持实时，若已用 ElevenLabs 做 TTS 且想单一供应商，是理想之选。