面向有技术能力的学生自建转写工具时调用的语音识别云服务接口
实时流式转写选WebSocket接口，一句话/短语音选REST接口；WebSocket首字延迟通常＜300ms，REST整段返回延迟随音频时长线性增长
长音频（＞1小时录音）应选录音文件识别（异步任务）接口而非实时接口，异步接口单价通常低30%-50%，且支持标点、说话人分离、时间戳等后处理
选型验证应使用自己业务真实音频跑准确率(字错率CER/词错率WER)，厂商宣称的准确率多在安静朗读环境下测得，真实带噪、口音、专业词场景会明显下降
嵌入式/离线场景(无稳定网络的车载、IoT设备)不该依赖云转写API，网络抖动会导致转写中断，应选可离线运行的端侧SDK
接入前应验证的关键能力清单：采样率支持(8k电话/16k标准)、音频格式(pcm/wav/mp3/opus)、单路最大并发数、说话人分离、标点预测、时间戳、热词自定义——缺一项可能导致返工
中文垂直场景（医疗/法律/金融）应选支持热词/自学习模型的API，通用模型在专业术语上识别率可能骤降10-20个百分点，热词功能可显著挽回准确率
对数据合规敏感的行业(医疗/政务/金融)不建议直接用公有云转写API，音频数据出境或留存有合规风险，应选私有化部署或本地化专区版本
多方言/多语种混合场景要确认是否支持语种自动识别(LID)，否则需要业务侧预判语种再传参，粤语、四川话等方言需专门模型，通用普通话模型识别方言错误率极高
按次计费(每次调用固定价)适合短音频高并发场景，按时长计费(每秒/每分钟)适合长音频低频场景；短音频用时长计费会因最小计费单位(如不足1分钟按1分钟)产生浪费
准确率与响应速度存在权衡：大模型语音识别(如基于Transformer的端到端模型)准确率更高但延迟大，实时低延迟场景往往用轻量声学模型牺牲2-3个百分点准确率换取速度
还有 2 条时间轴事件
实时流式转写选WebSocket接口，一句话/短语音选REST接口；WebSocket首字延迟通常＜300ms，REST整段返回延迟随音频时长线性增长
90%待验证长音频（＞1小时录音）应选录音文件识别（异步任务）接口而非实时接口，异步接口单价通常低30%-50%，且支持标点、说话人分离、时间戳等后处理
88%待验证选型验证应使用自己业务真实音频跑准确率(字错率CER/词错率WER)，厂商宣称的准确率多在安静朗读环境下测得，真实带噪、口音、专业词场景会明显下降
88%待验证嵌入式/离线场景(无稳定网络的车载、IoT设备)不该依赖云转写API，网络抖动会导致转写中断，应选可离线运行的端侧SDK
87%待验证接入前应验证的关键能力清单：采样率支持(8k电话/16k标准)、音频格式(pcm/wav/mp3/opus)、单路最大并发数、说话人分离、标点预测、时间戳、热词自定义——缺一项可能导致返工
86%待验证对数据合规敏感的行业(医疗/政务/金融)不建议直接用公有云转写API，音频数据出境或留存有合规风险，应选私有化部署或本地化专区版本
85%待验证中文垂直场景（医疗/法律/金融）应选支持热词/自学习模型的API，通用模型在专业术语上识别率可能骤降10-20个百分点，热词功能可显著挽回准确率
85%待验证按次计费(每次调用固定价)适合短音频高并发场景，按时长计费(每秒/每分钟)适合长音频低频场景；短音频用时长计费会因最小计费单位(如不足1分钟按1分钟)产生浪费
83%待验证多方言/多语种混合场景要确认是否支持语种自动识别(LID)，否则需要业务侧预判语种再传参，粤语、四川话等方言需专门模型，通用普通话模型识别方言错误率极高
83%待验证准确率与响应速度存在权衡：大模型语音识别(如基于Transformer的端到端模型)准确率更高但延迟大，实时低延迟场景往往用轻量声学模型牺牲2-3个百分点准确率换取速度
82%待验证免费额度与长期成本的权衡：新用户免费额度多的厂商往往超额后单价偏高，日调用量稳定的项目应按超额阶梯价和包年资源包比较总成本，而非只看免费额度
80%待验证主流中文云转写API通用普通话安静场景字准确率普遍在95%-98%区间，电话8k窄带场景通常下降到90%左右，噪声环境会进一步下降
78%