語音轉寫與播報
語音場景通常串起三類模型:語音識別(STT)把錄音轉成文字,對話模型整理出結論和待辦,語音合成(TTS)把通知或摘要讀出來。按每月轉寫 200 小時錄音、生成 400 份紀要、播報 3,000 條通知估算,用最低價分組計算,模型費用每月約 ¥735。
價格更新於 2026年11月13日 下午6:08
月成本估算
假設:每月 400 場會議、每場 30 分鐘,共 200 小時;錄音按 15 分鐘切段,共 800 段轉寫,語音識別按每分鐘音訊約 1,000 tokens 估算;每場轉寫稿約 9,000 tokens,生成約 800 tokens 的紀要;另播報 3,000 條通知,每條約 100 字。
業務問題
會議、銷售電話、客服通話、課程錄音越積越多,真正需要的只是裡面的結論、待辦和關鍵問答。人工整理一小時錄音,往往要花上一兩個小時。
錄音轉成文字只是第一步。轉寫稿又長又口語化,還得再提煉成紀要;需要回訪或通知的場景,又要把文字變回語音。
把轉寫、總結、播報串成一條流水線,每一步都通過同一個 API 呼叫,費用按用量計算,人工只需要核對關鍵資訊。
推薦模型組合
推薦模型按即時目錄自動選取,價格取各模型最低價分組,更新於 2026年11月13日 下午6:08。點模型名可檢視全部分組價格。
語音轉文字(STT)
whisper-1OpenAI
輸入 ¥60 / 輸出 ¥60 每百萬 tokens標準分組
把會議和通話錄音轉成文字稿。長錄音先切成 10 到 20 分鐘的片段再轉寫,單個檔案太大時請求會被拒絕。
整理紀要(對話模型)
qwen3.5-plus通義千問
輸入 ¥1.12 / 輸出 ¥6.72 每百萬 tokens國產模型分組
讀取轉寫稿,提煉結論、負責人和截止時間。轉寫稿長、紀要短,輸入單價對成本影響最大。
文字轉語音(TTS)
tts-1OpenAI
輸入 ¥30 / 輸出 ¥30 每百萬 tokens標準分組
把紀要摘要、回訪話術或通知合成為語音檔案。可選的音色取決於具體模型。
參考架構
- 1
錄音預處理
統一轉成 mp3 或 wav,長錄音按 10 到 20 分鐘切段,去掉開頭和結尾的靜音。
- 2
語音轉寫
每段呼叫語音識別介面,傳入 language 參數(比如 zh)有助於識別;按順序拼接各段文字。
- 3
整理紀要
把轉寫稿交給對話模型,按固定格式輸出:結論、待辦事項(負責人、截止時間)、待確認問題。
- 4
語音播報
需要通知或回訪時,把紀要或話術交給語音合成介面生成音訊,存進自己的儲存後再分發。
- 5
人工核對
人名、金額、日期這類關鍵資訊轉寫時容易出錯,紀要發出前由參會人核對一遍。
成本估算
假設:每月 400 場會議、每場 30 分鐘,共 200 小時;錄音按 15 分鐘切段,共 800 段轉寫,語音識別按每分鐘音訊約 1,000 tokens 估算;每場轉寫稿約 9,000 tokens,生成約 800 tokens 的紀要;另播報 3,000 條通知,每條約 100 字。
| 專案 | 模型 | 用量假設 | 費用 |
|---|---|---|---|
| 語音轉寫 | whisper-1 | 800 次 × 輸入 15,000 tokens | ¥720 |
| 整理紀要 | qwen3.5-plus | 400 次 × 輸入 9,000 + 輸出 800 tokens | ¥6.18 |
| 語音播報 | tts-1 | 3,000 次 × 輸入 100 tokens | ¥9 |
| 合計(每月) | ¥735.18 | ||
按各模型最低價分組的即時價格計算,價格更新於 2026年11月13日 下午6:08。
只含模型呼叫費用。語音識別和語音合成的計量方式以控制台「操作日誌」為準,表中按每分鐘音訊約 1,000 tokens、每個字約 1 個 token 估算。錄音時長翻倍,轉寫費用大致翻倍。
示例程式碼
一段錄音依次經過語音識別、對話模型總結和語音合成,最後得到紀要文本和一段播報音訊。
import os
from openai import OpenAI
client = OpenAI(base_url="https://www.tutujin.com/v1", api_key=os.environ["TUTUJIN_API_KEY"])
# 1. speech to text: split long recordings into 10 to 20 minute files first
with open("meeting-part1.mp3", "rb") as f:
transcript = client.audio.transcriptions.create(model="whisper-1", file=f, language="zh")
# 2. turn the transcript into minutes
minutes = client.chat.completions.create(
model="qwen3.5-plus",
messages=[
{"role": "system", "content": "Write meeting minutes: decisions, action items with owner and due date, open questions. Under 300 words."},
{"role": "user", "content": transcript.text},
],
).choices[0].message.content
print(minutes)
# 3. read a notice aloud (available voices depend on the model)
with client.audio.speech.with_streaming_response.create(
model="tts-1",
voice="alloy",
input="The minutes of today's meeting have been sent to your inbox.",
) as resp:
resp.stream_to_file("notice.mp3")常見問題
每月 200 小時錄音轉寫加紀要要多少錢?
按 200 小時錄音轉寫、400 份紀要、3,000 條語音通知估算,用最低價分組計算約 ¥735。錄音時長對費用影響最大。
支援哪些音訊格式?
語音識別介面常見支援 mp3、mp4、mpeg、mpga、m4a、wav、webm 等格式,以所用模型的說明為準。長錄音建議切段後再上傳。
轉寫準確率怎麼樣?
和錄音質量、口音、專業術語、多人同時說話的情況都有關,沒有固定數字。可以在 prompt 參數裡寫上人名和術語,提高專有名詞的識別效果。
能區分不同的說話人嗎?
標準的轉寫介面返回整段文字,不帶說話人標記。需要區分說話人時,可以按聲道分別錄製,或先做說話人分離再分段轉寫。
合成語音可以用在外呼等商業場景嗎?
技術上可以生成音訊用於播報和通知。用於外呼、廣告等場景時,請遵守當地關於自動外呼和 AI 合成語音告知的規定,並確認模型提供方的使用條款。
