语音模型

三款型号、三档价、32 种语言走一个流:AssemblyAI 把转写线整条换了一代,但升级前有三个默认值会咬人

2026年11月20日1 次阅读Read in English
三款型号、三档价、32 种语言走一个流:AssemblyAI 把转写线整条换了一代,但升级前有三个默认值会咬人

一句话先说结论

11 月 18 日,AssemblyAI 把自家的转写产品线整个换了一代:不再是 Universal-3.5 Pro 那种一个型号打天下,而是拆成三款——录音版 AssemblyAI-STT-3.7($0.21/小时)、直播版 -Realtime($0.30/小时)、接电话版 -Realtime-Agent($0.45/小时),三款都是 32 种语言、自动识别语种。价格一分没涨,但模型名、默认值、语言回退方式全变了。真正需要动手的不是新功能有多强,而是升级时三个默认值会把现有的管线悄悄改掉。

这到底是什么

先把「转写」和「语音助手」分开。这三款都只做一件事:把声音变成文字。它们不会回答你,不会替你做决定,输出是带说话人标签的文本。区别在于输入的声音从哪来、你等不等得起。

  • 录音版(AssemblyAI-STT-3.7):文件、会议录音、播客,你等得起几十秒。
  • 直播版(-Realtime):会议实时字幕、通话转写,字要边说边出。
  • 接电话版(-Realtime-Agent):你的语音助手要用这段文字立刻做决定,所以它还要判断「对方说完了没有」。

过去这三件事是用 Universal 系列的不同型号凑的,命名混乱到需要一张对照表才能搞清谁替谁。这次 AssemblyAI 干脆把命名规则改成「先写场景,再写版本」,并且明确:API 端点和消息协议都不变,改的只是 speech_model / speech_models 里填什么。

为什么现在值得看

因为它不是加了个型号,而是「整条线换代 + 旧型号进入退役倒计时」同时发生。官方 changelog 写得很清楚:

  • 录音侧的 Universal-3 Pro、Universal-3.5 Pro 已标记弃用,退役日期待定;退役后请求这些名字会自动路由到 STT-3.7。
  • 流式侧的 Universal-3.5 Pro Realtime 将于 2027 年 2 月 1 日退役。
  • Universal-2 保留,作为 32 种语言之外的兜底。

也就是说,如果你的系统里写死了旧型号名,最晚明年 2 月前必须改完。而且第三方 Promptwire 在核对生命周期文档时补了一个更近的日期:2026 年 12 月 8 日起,那些省略 speech_models、原本默认走 Universal-3.5 Pro 或 Universal-3 Pro 的存量账号,会自动切到 STT-3.7。默认走 Universal-2 的账号不受影响。

一句话:这不是「要不要升级」的选择题,是「什么时候必须处理」的时间表。

直播版:说话人标签即时定稿,但速度不是第一

直播转写长期有个尴尬:字能实时出来,但「谁在说话」往往要等整通电话结束才敢确定,所以很多会议记录工具干脆还是把音频攒起来走录音接口。STT-3.7-Realtime 想解决的就是这个——官方说法是,标签在一轮话结束时就是终稿,不再有修订消息(SpeakerRevision),精度接近录音版。

官方在同一批录音上跑出来的对比(数值越低越好):

  • 电话场景实时说话人分离错误率:STT-3.7-Realtime 10.46%,ElevenLabs Scribe v3 Live 10.78%,Speechmatics 14.58%,Meta Muse 16.44%,Soniox Realtime v6 18.35%,Azure 20.21%,AWS 27.89%,Deepgram Nova-3 30.46%。
  • 多人会议(单支远场麦克风、最多 7 人):6.30%,Meta Muse 7.34%,Scribe v3 Live 9.63%,Azure 19.19%,AWS 23.79%。
  • 短句英语词错率:3.23%,AWS 3.93%,Scribe v3 Live 4.18%,Gemini 3.5 Transcribe Live 5.04%,Nova-3 7.46%。
  • 中英混说这类 code-switch:6.67%,Scribe v3 Live 8.32%,AWS 9.13%。

值得注意的是它明确写了自己不做轮次判断(turn-taking)。如果你的程序在等模型告诉你「对方说完了」,得用接电话版。这一点官方写在正文里,没有藏。

接电话版:86 毫秒出终稿,代价是比最快的慢

这是三款里最实用的一个,因为它对准的是语音助手真实翻车的三件事:对方说「不」,助手没反应;对方报预约时间,助手记错;车窗外孩子喊了一句,助手把那个当成点单。

  • 延迟:官方正文写「语音结束后 86 毫秒出最终转写」;同一页的散点图标的却是 88 毫秒、4.53% 词错率。两个数差 2 毫秒,不影响结论,但说明这页数字是人手填的。
  • 前后一致性:partial 到 final 只有 1.0% 的词会变,之前是 3.2%——这决定了助手早先依据的那句话,最后会不会被推翻。
  • 12,460 通英语客服电话上的变化(对比上一代 Universal-3.6 Pro Realtime):数字错误从 11.28% 降到 2.27%(-80%),实体漏检从 23.28% 降到 11.00%(-53%),对方沉默时被塞进来的词从每千词 2.53 个降到 1.34 个(-47%),短回答漏掉从 0.29% 降到 0.18%(-38%)、答错从 1.35% 降到 0.96%(-29%),误判「说完了」减少 12%。
  • 横向词错率:4.53%,Soniox Realtime v6 6.02%,Scribe v3 Live 7.38%,Meta Muse 7.48%,Gemini 3.5 Live 8.48%,Nova-3 8.64%。
  • 重噪音下 5.32%;印度口音英语 5.19%,官方称是 30 个实时模型里最低。
  • 端到端:套上 Gemma 4 31B(走它自家 LLM Gateway)加 AssemblyAI-TTS-1,一轮对话常在 250 毫秒左右完成。

但要看清楚取舍。同页那张「速度对准确率」的图里,比它更快的有 Soniox Realtime v6(56 毫秒)、Cartesia Ink Whisper(68 毫秒)、Deepgram Nova-3(69 毫秒)、Meta Muse(76 毫秒)。官方的说法是:所有比它更快到终稿的厂商,词错率至少高 30%。这句话是自我设定的比较条件,不是行业共识,但它至少把「快」和「准」摆在同一张图上让人自己挑。Cartesia 那一栏是 68 毫秒配 15.17% 词错率,这个组合基本没法用在报单号的场景。

外部验证也有,但要打折听:Voice Arena 用自家私有对话集排名,把 Realtime-Agent 列为美式英语流式第一(语义词错率 2.45%,Fish Transcribe Stream 1 为 2.75%,Scribe v3 Live 为 2.89%);Speko 在词错率、轮次结束延迟、首字延迟三项上都把它排在 Scribe v3 Live、Deepgram Flux、Soniox Realtime v6、Cartesia Ink-2 之前。这两个榜单具体怎么采样、样本多大,官方没在这篇文章里展开。

录音版:语言从 18 种加到 32 种,说话人分离重做

录音这一档是三款里最"朴素"的,但对做会议纪要、访谈整理、字幕的人是主力。

  • 说话人分离:换了新的 diarization 模型,六套英语数据集的平均错误率 10.7%;Scribe v3 是 12.0%,xAI Grok STT 15.4%,Voxtral Mini Transcribe 2 15.9%,Speechmatics 16.2%,AWS 16.9%,Nova-3 17.4%,Soniox stt-async-v5 24.2%。官方强调收益最大的是短音频——语音留言、几十秒的通话片段,这类素材给模型的声纹样本最少。
  • 语种从 18 增到 32:新增乌尔都语、俄语、韩语、加泰罗尼亚语、加利西亚语、罗马尼亚语、爱沙尼亚语、波斯语、粤语、南非荷兰语、马拉地语、祖鲁语、科萨语、新挪威语。原有 17 个非英语语言的平均错误率从 12.8% 降到 10.1%;新加的里面加利西亚语 4.1%、俄语 4.6%、加泰罗尼亚语 5.1%,已经算它最准的一档。
  • 混说:code-switch 词错率 6.2%(Scribe v3 6.8%,Soniox 10.2%,Azure 17.4%,AWS 22.9%,GPT-4o Transcribe 44.7%,Nova-3 49.4%,Gladia 50.4%)。同时官方称「不该混说却混说」的语言翻转率下降 80% 到 90%——这两件事过去是互相拉扯的:为了混说能力放松语言判定,就会在纯英语里蹦出几行天城文。

钱:三档价,但计费单位不一样

  • 录音版 $0.21/小时音频,与 Universal-3.5 Pro 同价。
  • 直播版 $0.30/小时,官方说比接电话版便宜三分之一,意思是「按小时计费不再是你把实时转写攒成批处理的理由」。
  • 接电话版 $0.45/小时,与 Universal-3.6 Pro Realtime 同价。

这里有个容易忽略的点,Promptwire 核对定价页时专门提了:录音按音频时长计费,流式按 WebSocket 会话保持的时长计费。也就是说一条挂在那里没人说话的连接也在烧钱。做成本估算时不能拿「音频里有几分钟人声」去乘单价。

避坑:升级前,三个默认值会改变你的输出

这是本文最想提醒的部分。三处变化都不会报错,只会让输出悄悄变样。

  1. 不再自动回退到 Universal-2。 以前语言超出覆盖范围,系统会自己兜底。现在如果只写 speech_models: ["assemblyai-stt-3-7"],超出 32 种语言就直接不支持,必须显式把 universal-2 列进去才覆盖到 99 种。官方还提供了一个 speech_model_used 字段,告诉你这次到底哪个模型跑的——上线后建议先采样看一遍这个字段。
  2. disfluencies 和 format_text 默认翻成 true。 也就是默认保留「呃、那个」和口误,并把数字日期写成书面形式($1,250、March 3)。想要干净文稿的字幕组、要逐字稿的编辑,必须显式关掉。旧默认值不同,所以这不是「行为不变」,是「行为变了」。
  3. 端点没变,但语义变了。 直播版接受 Universal-Streaming 的轮次判断参数,但会忽略它们;说话人标签也不再发修订消息。如果你的下游代码在等 SpeakerRevision,它会一直等下去。

适合谁,不适合谁

适合:

  • 会议记录/笔记类产品,想把「实时出字幕」和「说话人标签」同时做掉,且受够了攒音频再转。
  • 语音助手/呼叫中心,被数字、单号、邮箱地址的错字折磨的团队——这一档的收益最具体。
  • 多语种业务,尤其是英语 + 另一种语言混说的客服场景。

不适合:

  • 需要模型自己判断「该谁说话、什么时候接话」的:直播版明确不做轮次判断,得用接电话版,单价高 50%。
  • 想要开源权重自己部署的:这三款都是纯 API,没有权重。
  • 语言在 32 种之外的:能用,但必须显式挂 Universal-2,且要接受那是上一代模型。
  • 只看第三方便携榜单就下单的:本文引用的所有横向对比,除 Voice Arena 与 Speko 两处外,全部由 AssemblyAI 自己用同一套 harness 跑。第三方 Promptwire 明确写了「未独立复测」。

怎么用:升级前后的五步

下面是行动建议,按顺序做一遍就够,不需要一次改完所有系统。

  1. 第一步,先查你现在请求里到底填了哪个模型名——不是看你代码里写的,是看响应里的 speech_model_used。
  2. 如果默认走 Universal-3.5 Pro 且省略了 speech_models,把 12 月 8 日这个日期记进排期。
  3. 拿三类素材各跑一遍:干净单人访谈、嘈杂多人会议、中途换语言的录音。分别比对词错、说话人归属、以及你实际要花多少人工去修。
  4. 显式设死 disfluencies 与 format_text,别依赖默认值。
  5. 流式场景记得把「连接挂着不说话」的时间算进成本。

参考来源

  • AssemblyAI 官方发布博文(2026-11-18):https://www.assemblyai.com/blog/introducing-assemblyai-stt-3-7
  • AssemblyAI 官方 changelog(条目日 2026-11-18):https://www.assemblyai.com/changelog
  • Promptwire 第三方分析(2026-11-19):https://www.promptwire.org/articles/assemblyai-stt-3-7-models-pricing-transcription-migration

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...