Speech-to-text notes · 2026 年 10 月 29 日

AssemblyAI 的特点与竞品

AssemblyAI 是给开发者用的语音转文字接口。这页整理它的产品、长处和短板，再和 Deepgram、ElevenLabs Scribe、Whisper 等竞品对比，最后按使用场景给建议。

资料截至 2026-10-21范围：云端语音转文字 API多数数字来自厂商或第三方评测

先说结论

AssemblyAI 在录音转写上准确率靠前：Universal-3 Pro 在 Retell AI 的实测里平均词错误率 5.6%。它把摘要、结构化提取、隐私信息脱敏放在同一个接口里，录音价格约 0.0025 到 0.0035 美元每分钟。短板是实时延迟，出最终结果约 760 毫秒，慢于 Deepgram 和 ElevenLabs。做会议纪要、客服质检选它；做抢毫秒的语音助手选 Deepgram 或 ElevenLabs。

一、AssemblyAI 是什么

官网把自己定位为“Voice AI infrastructure”，产品线有六块1：

产品做什么
Pre-recorded STT转写已录好的音频和视频
Real-time STT转写实时音频，用于语音助手、字幕、坐席辅助
Voice Agent API语音进、语音出的对话机器人，走一条 WebSocket 连接
Speech Understanding从转写稿里提取结构化信息
Guardrails隐私信息脱敏、脏话过滤、内容审核
LLM Gateway在转写稿上调用大模型做后续处理

主力模型是 Universal 系列。2026 年的评测里出现过 Universal-2、Universal-3 Pro 和 Universal-3.5 Pro 三个版本2, 4。

二、长处和短板

2.1 录音转写准确率

Retell AI 在 2026 年 10 月的实测里，Universal-3 Pro 平均词错误率（WER）5.6%，是非实时转写里最准的一家。同一组带噪音频上，Deepgram Nova-3 的差距在 2 个百分点以内2。

注意FutureAGI 在 2026 年 5 月的表里给 AssemblyAI 标的是约 14.5% WER，那个数字测的是旧的 Universal-23。看评测先看模型版本。

2.2 说话人区分

AssemblyAI 自己的说话人区分评测里，Universal-3.5 Pro 平均 cpWER 30.17，ElevenLabs Scribe v2 35.26，Gladia 36.87，Deepgram Nova-3 英文 37.92，数字越低越好5。这是厂商自测，只当参考。

2.3 转写之后的分析

摘要、结构化提取、隐私信息脱敏、内容审核和大模型调用都在同一个接口里。多份 2026 年的对比把这一点列为它和 Deepgram 的主要区别，客服质检这类场景常把它和 Amazon Transcribe 放在一起比3, 6。

2.4 价格

VexaScribe 约 2026 年 8 月的整理：Universal-3.5 Pro 0.0035 美元每分钟，Universal-2 0.0025 美元每分钟，新账户送 50 美元额度4。Retell AI 给的 Universal-3 Pro 录音价是 0.21 美元每小时2。

2.5 短板：实时延迟

实时音频出最终结果约 760 毫秒。Deepgram 在 300 毫秒以内，ElevenLabs Scribe v2 Realtime 约 150 毫秒2, 3。对话机器人每轮都要等这段时间，差几百毫秒用户能感觉到。三家现在都内置了说话结束检测（EOT），不用另接工具6。

三、竞品

3.1 数字对比

三家主力模型，2026 年 5 到 10 月的公开数字
指标AssemblyAIDeepgram Nova-3ElevenLabs Scribe v2
录音价格（美元每分钟）0.0025 到 0.00350.00430.0037
实时价格（美元每分钟）待确认0.00770.0065
实时延迟约 760 ms< 300 ms约 150 ms
英文 WER5.6%（3 Pro）5.26%3.3%（RT）
语言数99+36+90+
免费额度50 美元200 美元每月 10 小时

WER 来自不同评测、不同音频，不能横向直接比大小。AssemblyAI 的 5.6% 来自 Retell AI 带噪实测；Deepgram 和 ElevenLabs 的数字来自 FutureAGI 的表2, 3。ElevenLabs Scribe v2 Realtime 在 FLEURS 基准 30 种语言上准确率 93.5%，延迟低于 150 毫秒3。

3.2 各家的位置

竞品强于 AssemblyAI 的地方弱的地方
Deepgram（Nova-3、Flux）延迟最低，价格低，语音机器人工具成熟；自称数字和编号识别率 90% 以上带噪录音准确率略低
ElevenLabs Scribe v2实时最快，多语言强，每月 10 小时免费非英文实时说话人区分还粗糙，生产工具较新
OpenAI Whisper开源，可自己部署，语言多没有内置分析，要自己搭整套
Speechmatics口音和小语种强，有私有部署开发者社区小
Gladia基于 Whisper，多语混说处理好，欧洲公司公司规模小
Rev.ai人工转写可作备选新模型少
Google、AWS、Azure直接用现有云账号，合规认证全；Amazon Transcribe 常用于客服中心准确率通常不如专门厂商，配置麻烦

Deepgram 的数字识别率和 AssemblyAI 的说话人区分排名都来自厂商自己，竞品的 43% 到 58% 也是 Deepgram 给的数字3。Speechmatics、Gladia、Rev.ai 和三家云厂商这几行是概括，这次没有拿到同口径的数字。

四、按场景选

场景首选理由
会议纪要、客服质检、播客转写AssemblyAI录音准确率高，分析功能在同一接口
实时语音机器人Deepgram 或 ElevenLabs延迟 150 到 300 毫秒
多语言实时转写ElevenLabs Scribe v290 多种语言，实时准确率高
数据不能出内网Whisper 自部署开源，可本地跑

评测数字多数来自厂商或用不同音频测出。选之前拿自己的 20 到 30 段真实音频，同时跑 2 到 3 家，比较错误率、延迟和账单。

五、方法与来源

2026-10-21 读取 AssemblyAI 官网首页，整理产品线；同日搜索 2026 年的语音转文字对比文章，摘出准确率、延迟、价格和说话人区分数字。没有调用任何一家的接口自测。官网首页没有写价格和模型名，价格来自第三方整理，AssemblyAI 实时转写的单价这次没拿到，标为待确认。

  1. AssemblyAI 官网首页，assemblyai.com
  2. Retell AI，《5 Best Speech to Text Models in 2026》，2026-10，retellai.com
  3. FutureAGI，《Speech-to-Text APIs in 2026》，2026-05，futureagi.com
  4. VexaScribe，《Best Transcription API 2026》，约 2026-08，vexascribe.com
  5. AssemblyAI 博客，《Top 8 speaker diarization libraries and APIs in 2026》，assemblyai.com/blog
  6. Coval，《Best STT Providers 2026》，coval.ai
  7. Inworld，《Best Speech-to-Text APIs for Voice AI Developers 2026》，inworld.ai

返回阅读整理页