Google Cloud Speech-to-Text
Google Cloud 的语音转文字 API,基于 Chirp 3 模型,支持 85 种以上语言和变体,可转写短音频、长音频与流式音频,供开发者集成到应用里。
0 次可以打开平均 10.1 秒11 月 10 日 起国内不可直接访问
本站从国内机房定期实测。竖条由远及近:绿 = 可以打开,橙 = 国内不可直接访问,灰 = 打不开。Speech-to-Text 是 Google Cloud 提供的一项语音识别服务,核心是一个 API:你把音频数据交给它,它返回文字。音频可以是预先录好的文件,也可以是麦克风实时传入的流。它面向的是要把转写能力嵌进自己产品里的开发者,而不是想找个网页随手转一段录音的普通用户。
主要功能
转写由 Chirp 3 语音基础模型驱动,官方称训练用了数百万小时音频和 280 亿个句子的文本,覆盖 100 多种语言。产品页面上同时出现「超过 125 种语言」和「85 种以上的语言和变体」两种说法,后者是转写能力的口径。
调用方式分同步、异步和流式三种,按是否需要实时结果来选。围绕转写还有一批可调项:模型自适应让常用词更准,语音自适应可以喂提示词来识别领域术语和生僻字,类别功能会把语音里的数字自动转成地址、年份或货币。多通道识别能区分视频会议里不同的声道并保留顺序,讲话人区分则估测哪句话是谁说的。脏话过滤器可以滤掉结果里的不当字词,自动加标点目前是 Beta 版。
企业侧有数据驻留(可指定新加坡、比利时等区域)、客户管理的加密密钥和审核日志。另有 Speech-to-Text On-Prem,把识别能力放进自己的私有数据中心。
费用与限制
按分钟计费,V2 API 页面标价 $0.016 每分钟,最终费用还受 API 版本、声道数和批处理方法影响,存储等附加的 Google Cloud 服务另算。新客户最高可获 $300 赠金。使用需要 Google 账号登录 Google Cloud 控制台,并开通结算。
适合谁
要给视频批量加字幕、做会议记录转写、给应用加语音输入或做电话录音分析的团队。只想转一两次音频的个人,用它的成本和学习曲线都不划算。