Node.js语音笔记App：语音转文字API选型指南

有开发者在Reddit上提问：想用Node.js做一个语音笔记应用，实现手机录音、上传、转文字的基本流程，但面对众多语音转文字API，不知道哪个免费额度合理或按量付费便宜。这个问题戳中了很多独立开发者的痛点——语音转文字（STT）是AI应用中最常见的功能之一，但选错API可能让周末项目变成财务黑洞。

Reddit原帖截图

语音转文字API的三种类型

市面上的STT API大致分三类，选择前先明确你的需求属于哪一类。

云厂商通用API：如Google Cloud Speech-to-Text、AWS Transcribe、Azure Speech。优势是稳定、支持多语言、有免费额度（通常每月60分钟到5小时），但超出后按秒计费，长期使用成本不低。适合需要高准确率和多语言支持的场景。

专业STT服务：如Deepgram、AssemblyAI、Speechmatics。这些服务专注语音识别，按分钟计费，价格通常比云厂商低30%-50%，且提供实时流式识别、说话人分离等高级功能。Deepgram的预付费套餐每分钟约0.0043美元，AssemblyAI提供每月100分钟免费额度。

本地/开源方案：如OpenAI的Whisper（可本地部署）、Vosk、Coqui。完全免费，但需要自己部署和维护，对服务器资源有要求。Whisper的准确率已经接近商业API，适合对隐私敏感或预算极低的项目。

流式识别与异步识别的区别：流式（实时）识别指音频边传输边返回文字，通常通过 WebSocket 保持长连接，适合语音输入法、实时字幕等交互场景，但对网络稳定性和服务端并发有要求；异步识别则是先上传完整音频文件，服务端处理完后通过轮询或 webhook 返回结果，更适合录音笔记、会议纪要等离线场景，且单价往往更低。选型时需先明确你的应用是“边说边出字”还是“录完再转”，这直接决定该用 Deepgram 的流式 API 还是 AssemblyAI、Whisper 的异步接口。

免费额度与定价对比

对于周末项目，免费额度是首要考虑因素。根据公开定价信息：

AssemblyAI：每月100分钟免费，之后每分钟0.00025美元（异步）或0.00015美元（流式）。免费额度足够个人测试。
Deepgram：新用户送200美元额度（约4.6万分钟），之后按量付费。适合需要大量测试的项目。
Google Cloud STT：每月60分钟免费，之后每分钟0.006美元（标准模型）。
OpenAI Whisper API：每分钟0.006美元，无免费额度，但API简单易用。
本地Whisper：完全免费，但需要GPU或较强CPU，推理速度取决于硬件。

如果只是验证想法，AssemblyAI的100分钟免费额度最友好；如果预期用量大，Deepgram的200美元赠送额度更划算。

按秒计费与按分钟计费的换算：云厂商常以“每秒”为计费单位（如 Google Cloud STT 每分钟 0.006 美元即每秒 0.0001 美元），而专业 STT 服务多以“每分钟”报价，本地方案则只消耗算力。比较价格时应统一换算到相同单位，并注意最小计费时长——部分服务对不足 15 秒的音频仍按 15 秒收费，短语音频繁上传的场景实际成本会高于标价。此外，异步接口通常比流式接口便宜 30%-50%，若业务允许延迟，优先选异步可显著降低成本。

Node.js集成体验

从开发者反馈看，各API的Node.js SDK成熟度差异明显。

AssemblyAI提供官方Node SDK，几行代码就能上传音频文件并获取转录文本，支持 webhook 回调，适合异步处理。Deepgram的Node SDK同样简洁，且支持实时流式转录——如果你想让用户边说边出文字，这是关键优势。Google Cloud的Node客户端功能全面但配置复杂，需要服务账号密钥和项目设置，对周末项目来说略显笨重。

OpenAI的Whisper API最简单：一个HTTP请求，传入音频文件，返回文本。没有SDK依赖，适合快速原型。但注意它不支持流式，且文件大小限制25MB。

whisper.cpp 与子进程调用：whisper.cpp 是 OpenAI Whisper 模型的 C/C++ 移植版，可在普通 CPU 上运行且内存占用低，社区提供了 Node.js 绑定（如 nodejs-whisper）。在 Node 中调用本地 Whisper 的常见方式有两种：一是通过 child_process 启动 whisper.cpp 编译出的可执行文件并传入音频路径，解析其输出的文本文件；二是用 Python 子进程运行 openai-whisper 包。前者无需 Python 环境、启动更快，后者模型选择更灵活。无论哪种方式，都需自行处理音频采样率转换（Whisper 要求 16kHz 单声道），并注意并发请求会争抢 CPU 导致响应变慢。

选型建议：从项目阶段出发

原型验证阶段：直接用OpenAI Whisper API或AssemblyAI免费额度。代码量最少，一小时内能跑通录音上传转文字的完整链路。

准备上线且用量可控：评估Deepgram或AssemblyAI的按量付费。两者都提供免费额度过渡，且价格透明。如果应用需要实时转录（如语音输入法），Deepgram的流式API是更优选择。

隐私敏感或长期免费：本地部署Whisper。用Node调用whisper.cpp或通过Python子进程运行，虽然增加运维复杂度，但零API成本。适合个人笔记类应用，数据不出本地。

多语言或企业级需求：Google Cloud STT或Azure Speech。准确率有保障，但成本较高，建议先用免费额度测试目标语言的识别效果。

容易被忽略的坑

音频格式兼容性：多数API支持WAV、MP3、M4A，但手机录音默认格式可能是AAC或AMR，上传前需转码。用fluent-ffmpeg在Node里转码是常见做法。

时长计费方式：有些API按音频时长计费，有些按处理时间计费。对于长录音，异步API通常更便宜，但需要轮询或webhook获取结果。

免费额度陷阱：部分服务的免费额度仅限首月，之后自动转为付费。注册时看清条款，设置预算提醒。

Reddit原帖下有不少开发者分享经验，共识是：第一个项目别纠结完美方案，选一个免费额度够用、文档清晰的API先跑起来，后续根据实际用量和功能需求再迁移。语音转文字的技术壁垒在降低，切换成本并不高。

手机录音格式与转码：iOS 默认录音格式为 M4A（AAC 编码），Android 部分机型默认 AMR-NB 或 3GP，采样率多为 8kHz-44.1kHz 不等，而多数 STT API 要求 WAV/MP3/FLAC 等格式且推荐 16kHz 以上采样率。直接用原始文件上传可能导致识别失败或准确率下降。在 Node.js 中可用 fluent-ffmpeg 封装 ffmpeg 命令行完成转码：先探测输入格式，再统一转为 16kHz 单声道 WAV 或 MP3。注意 ffmpeg 需在部署环境单独安装，Serverless 平台通常需借助 ffmpeg-static 等预编译包，且转码会额外消耗 CPU 时间，长录音建议放入队列异步处理。