OpenAI Whisper API 是很多团队的起点:一个端点、一个价格、几十种语言。当以下四种情况之一出现时,你就会去找 Whisper API 替代方案:在你的音频上准确率不够、账单随用量增长、安全团队希望少保留数据,或者你调用的模型即将退役。本文讲怎么做判断,以及如何在不重写代码的情况下测试替代方案。
OpenAI Whisper API 要停用了吗?
是的,按 OpenAI 当前的时间表。它的弃用页面(2026-11-15 查阅)将 whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe 和 gpt-4o-transcribe-diarize 列为弃用,于 2026 年 8 月 26 日发出通知,2027 年 2 月 26 日停用。推荐的替代品是用于文件的 gpt-transcribe(每分钟 USD 0.0045,即每小时 USD 0.27),或用于实时音频的 gpt-live-transcribe。它的价格页面把同样这四个模型标为弃用,语音转文字指南则写着 “Start with gpt-transcribe”(译文:从 gpt-transcribe 开始)。/v1/audio/translations 端点也已弃用。所以无论如何,你都要在新模型上重新测试你的音频。这正是用同一批音频把 OpenAI 的替代品和其他服务商做比较的好时机。
想看全貌,我们开放的语音转文字 API 价格指数列出了 20 多款产品的批量和流式价格、计费粒度以及阿拉伯语支持情况,每一项都对照服务商自己的价格页面核实过(提供 CSV 和 JSON)。
团队为什么要找 Whisper API 替代方案?
| 原因 | 在替代方案中要检查什么 |
|---|---|
| 某种语言或方言的准确率 | 在相关测试集上公布的词错误率,再做你自己的测试 |
| 大用量下的价格 | 每小时音频的价格和最低计费单位 |
| 数据保留 | 是否存储音频和转写文本,存多久 |
| 限制 | 文件大小、格式、速率限制 |
| 功能 | 时间戳、说话人分离、提示词、流式输出 |
OpenAI 的语音转文字指南写道:“Whisper supports 98 languages, but accuracy varies by language”(译文:Whisper 支持 98 种语言,但准确率因语言而异)。这是一个诚实的起点:语言列表告诉你的是“能做什么”,而不是“做得好不好”。
有哪些 Whisper API 替代方案,价格多少?
| 选项 | 价格(标价,2026 年 11 月) | 语言 | 备注 |
|---|---|---|---|
OpenAI Whisper API(whisper-1) |
USD 0.006/分钟 | 98 种(准确率因语言而异) | 文件 25 MB;提示词最多 224 token;2027-02-26 停用 |
OpenAI gpt-transcribe |
USD 0.0045/分钟(USD 0.27/小时) | 见 OpenAI 指南 | OpenAI 推荐的替代品;OpenAI 指南只为 whisper-1 展示了词级时间戳,说话人标签只在已弃用的 diarize 模型中提供 |
| Groq,Whisper Large v3 | USD 0.111/小时 | 多语言 | Groq 公布 WER 为 10.3%;最低按 10 秒计费 |
| Groq,Whisper Large v3 Turbo | USD 0.04/小时 | 多语言 | Groq 公布 WER 为 12%;未针对翻译训练 |
| Soniox(异步) | 约 USD 0.10/小时,按 token 计费 | 60 多种,含阿拉伯语 | 自有的基于任务的 API,不兼容 OpenAI;实时约 USD 0.12/小时 |
| 自建 Whisper | 你的 GPU 成本 | 与 Whisper 相同 | MIT 许可证;由你自己运行和扩容 |
| BroadNet Transcribe | $0.002/分钟 | 14 种 | 不是 Whisper;基于 Cohere Transcribe |
| BroadNet Transcribe Arabic | $0.0042/分钟 | 阿拉伯语 | BroadNet 称其在 Open Universal Arabic ASR Leaderboard 上排名 第 2 名(共 37 个) (这是 2026年9月的数据;2026年11月15日实时榜单上为 39 个中的第 4 名) |
价格和 Groq 的数据于 2026-11-14 在官方页面核实;OpenAI 的数据于 2026-11-15 重新核实。OpenAI 的 gpt-transcribe 每小时比两个 BroadNet 模型都贵。Groq 的 Turbo 端点和 Soniox 每小时都比 BroadNet Transcribe(每小时 $0.12)便宜;Soniox 不使用 OpenAI 的请求格式,所以需要写新的客户端代码。Groq 的 WER 是它自己公布的数字,而不是与其他模型在同一测试集上的测试结果,所以不要直接拿来和 BroadNet 的比较。本文讨论的是切换;完整价格表(包括 DeepSeek、AssemblyAI、Deepgram、Google、AWS 和 Speechmatics 及其附加功能价格)请看语音转文字 API 价格对比,语音转文字费用计算器可以按你每月的小时数计算费用。
准确率数字到底意味着什么?
BroadNet 在其模型目录中为 BroadNet Transcribe Arabic 公布了三个 WER 数字:
| 测试集 | 音频类型 | WER |
|---|---|---|
| FLEURS-ar | 干净的朗读句子 | 3.8 |
| MASC-ar | 混合的真实场景阿拉伯语 | 21.1 |
| BroadNet 方言集 | 方言语音 | 23.4 |
在同样的 MASC 和方言测试集上,BroadNet 报告 Whisper large-v3 为 31.5 和 31.8,而它的阿拉伯语模型为 21.1 和 23.4:在 MASC 上错误大约少三分之一,在方言测试集上大约少四分之一。这是 BroadNet 对竞争对手所做的自家测试,所以请用你的音频验证。在公开的 Open Universal Arabic ASR Leaderboard 上(所有条目使用相同测试集),2026 年 11 月 15 日 Whisper large-v3 在 39 个模型中排名第 19(平均 WER 36.86),BroadNet 提供的 Cohere Transcribe Arabic 07-2026 排名第 4(24.19)。
关键在于差距。同一个模型在朗读语音上近乎完美,在对话上却弱得多。任何服务商宣传的 WER,告诉你的都只是它在别人的音频上表现如何。方言问题在阿拉伯语方言语音识别中有详细讨论。
一个下午测完一个 Whisper 替代方案
- 每种语言收集 30 到 50 段音频,来自真实流量:通话、语音消息、会议。去掉任何不能外传的内容。
- 每种语言手工写 10 段参考转写。
- **用两个 API 跑同样的音频。**对于兼容 OpenAI 的服务商,只需更换客户端和模型:
import os
from openai import OpenAI
whisper = OpenAI() # uses OPENAI_API_KEY
broadnet = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def run(client, model, path, lang):
with open(path, "rb") as f:
return client.audio.transcriptions.create(model=model, file=f, language=lang).text
hyp_a = run(whisper, "whisper-1", "clip01.wav", "ar") # also try "gpt-transcribe", OpenAI's replacement
hyp_b = run(broadnet, "broadnet/cohere-transcribe-arabic", "clip01.wav", "ar")
- 对两者使用相同的规范化方式评分,工具是 jiwer:
import re, jiwer
def norm(t):
t = re.sub(r"[ً-ْ]", "", t) # strip Arabic diacritics
t = re.sub(r"[إأآ]", "ا", t).replace("ى", "ي") # unify alef and yaa
return re.sub(r"[^\w\s]", "", t).lower().strip()
print(jiwer.wer(norm(reference), norm(hyp_a)), jiwer.wer(norm(reference), norm(hyp_b)))
- **亲自读 20 份转写。**检查数字、人名和产品术语。一个模型可能在 WER 上胜出,却仍然把账号写错。
什么时候应该自己部署 Whisper?
Whisper 的代码和权重采用 MIT 许可证,所以自己运行它始终是一个选项。以下情况适合自建:
- 音频不能离开你的网络,出于法律或合同原因。
- 你的用量能让一块 GPU 一天中大部分时间都在忙,这样你就不用为闲置时间付费。
- 你需要针对自己的词汇或口音做微调。
当流量起伏很大、需要跨多台机器保证高可用,或者团队里没人愿意维护 GPU 驱动和升级时,它的成本会比看上去高(GPU 盈亏平衡计算)。openai/whisper 的 README 还指出,turbo 模型未针对翻译训练。托管 API 把这些问题变成了按分钟计的价格,这就是为什么大多数团队从托管 API 起步,只在用量和需求明确后才自建。
迁移检查清单
改 base URL 是最简单的部分。在切换流量之前:
- **格式。**OpenAI 接受 flac、mp3、mp4、m4a、ogg、wav 和 webm。BroadNet 接受 WAV 和 MP3,所以请先用 ffmpeg 转换
.ogg和.m4a。浏览器录音请看在浏览器中录音并发送到语音转文字 API。 - **文件大小。**OpenAI 上传上限为 25 MB;BroadNet 为 26,214,400 字节(25 MiB)。
- **语言字段。**一定要发送。在 BroadNet 上,阿拉伯语如果不带
language=ar,可能会以拉丁字母返回。 - **可选参数。**如果你依赖
prompt、verbose_json或词级时间戳,请确认替代方案支持它们。BroadNet 的文档描述的是带text的 JSON 响应。 - **速率限制。**BroadNet 按量付费密钥每分钟允许 30 个请求,同时 4 个。
这份清单的通用版本见 OpenAI 兼容 API 迁移检查清单。
BroadNet Transcribe 适合什么场景
如果阿拉伯语准确率很重要,如果你希望音频和转写文本不被保留(零数据保留),或者 14 种语言每分钟 $0.002 比你现在的账单更划算,就选 BroadNet。$5 初始额度大约可以转写 1,190 分钟阿拉伯语音频,足够跑完上面的测试;在 BroadNet Inference 获取密钥。阿拉伯语语音转文字指南提供了 curl 和 Python 示例。
如果你需要 BroadNet 没有列出的众多语言之一、语音翻译、实时转写,或者提示词和关键词提示(OpenAI 的指南为 gpt-transcribe 记载了这些功能),那就继续用 OpenAI 的替代模型或其他服务商。要把阿拉伯语录音文件翻译成英语,两步式流水线也可行:参见将阿拉伯语音频翻译成英语。如果要英语的绝对最低价,托管的 Whisper Turbo 端点每小时更便宜。
