提供商评测2026年7月16日

AssemblyAI API 评测 2026：Universal-3.5 Pro 生产级语音转录

Q: Universal-3.5 Pro 在多语种音频上的准确度如何？

AssemblyAI 公开榜单显示 Universal-3.5 Pro 在 AISHELL-1 上 4.8% WER，普通话/英文 code-switched 7.2% WER——同测试集下优于 Deepgram Nova-3、ElevenLabs Scribe 与自托管 Whisper-large-v3。部署前请用自己的录音复现。

Q: AssemblyAI 免费额度包含什么？

免费账号含 185 hr/月 pre-recorded 转录（Universal-3.5 Pro 或 Universal-2）+ 333 hr/月 streaming。无需信用卡。每月 1 日零点刷新。

Q: Universal-3.5 Pro 支持 Speaker Diarization 吗？

支持——自研 Speaker Diarization，仅在 Universal-3.5 Pro 与 Universal-Streaming 上提供。Speaker Identification（用真实姓名替代 Speaker A/B）是独立特性，建在 diarization 输出之上。

Q: 可以从中国大陆用 AssemblyAI 吗？

直连在网络层被阻断。现实路径是从香港、新加坡或美国端点调用。如果必须从国内发起中文音频，用阿里云百炼的对位 Qwen-Audio-3.0-Realtime。

Q: AssemblyAI 定价对比 Deepgram / Whisper 怎么样？

Universal-2 $0.15/hr 大约是自托管 Whisper-large-v3 在单卡 H100 上全负载成本（$0.07-$0.10/hr）的 2 倍，但 AssemblyAI 帮你省掉 diarization / Audio Intelligence / 伸缩 / 运维。Universal-3.5 Pro $0.21/hr 比 Deepgram Nova-3 在深度嘈杂基准上的 $0.0043/min ($0.26/hr) 便宜 14%；code-switched 音频 WER 更低时差距缩小。

Q: AssemblyAI 有 Voice Agent API 吗？

有——一个上层接口把流式 STT + LLM 调用 + partner TTS（ElevenLabs / Cartesia）通过 WebSocket 流起来。LiveKit、Retell、Daily 原生集成。

Q: AssemblyAI 在 AWS Marketplace 上吗？

在——把 AssemblyAI 账单并入既有 AWS 账号，对 AWS 原生 shop 在 commit 计划中很有用。

过去两年语音转录（STT）API 浪潮不断。ElevenLabs 推出 Conversational AI v2，让 voice agent 听上去像真人；Deepgram 用 Nova-3 在嘈杂音频上把词错误率（WER）相对降低了 54%；OpenAI 给 Whisper 套了一个企业版包装；Cartesia Sonic 用 SSM 架构重建以追求低延迟；2026 年 7 月 9 日，阿里发布 Qwen-Audio-3.0-Realtime，是首个登上 Artificial Analysis 语音推理榜单榜首的开源权重模型。

在这个拥挤的市场里，AssemblyAI 的 2026 战略押在另一件事上：在跨语言、语码转换（code-switching）、远场拾音场景下做到生产级最准确，同时把开发者集成压到三次 API 调用。该公司 2024 年完成 5,000 万美元 C 轮，是 LiveKit、Retell、Granola、HeyGen、JotPsych 的默认转录服务，发布业界最完整的语音学术评测集合（Text-to-Speech Robust Benchmark、Universal Speaker Identification Benchmark）。其最新模型 Universal-3.5 Pro 自称在多语种音频上比 Universal-2 WER 相对降低 36%，支持流式语码切换（同一段录音中英混说），并首次内置自研 Speaker Diarization 模型——不依赖 pyannote 等三方。

对一个 2026 年选择 STT 提供商的 API 开发者来说，今天的核心问题不再是谁最便宜——自托管 Whisper-large 在 H100 上可以把每小时边际成本压到云端都到不了的位置；真正的问题是谁帮你省下的运维负担，值不值它每小时收的那点钱。AssemblyAI 的赌注是：现在这个账算下来是把 Universal 系列托管而不是自托管；并且 免费额度慷慨度（pre-recorded 每月 185 小时 + streaming 每月 333 小时，来自公开定价页）是真正影响月度决策的关键。

本文根据 2026 年 7 月 16 日从 assemblyai.com/pricing 抓取的 Universal-3.5 Pro 与 Universal-2 定价、模型目录如何对应异步、流式、同步、Voice Agent、Audio Intelligence 五大场景、免费额度与按量付费取舍，及 AssemblyAI 与 Deepgram、ElevenLabs Speech-to-Text、Cartesia、自托管 Whisper-large 的横评。

AssemblyAI 定价：来自定价页的真实数字

AssemblyAI 采用 按音频时长 计费，而非按 API 调用次数或 token。异步（pre-recorded）两层在准确度与语种覆盖上区别明显，流式两层在延迟与价格上区别明显。免费额度按自然月刷新。

模型	层级	按量付费	免费额度	特点
Universal-3.5 Pro	Async	$0.21/hr	185 hr/月	准确度最高，18 语种，自研 Speaker Diarization，原生 code-switching
Universal-2	Async	$0.15/hr	同上	99 语种，准确度与价格平衡，无 Speaker Diarization
Universal-3.5 Pro Realtime	Streaming	按并发 session	333 hr/月	首个 token <300ms，自研 Diarization，并发自动伸缩
Universal-Streaming	Streaming	每小时更低	同上	大流量 Realtime 性价比选择

AssemblyAI 流式定价按并发伸缩，无固定并发上限：按量套餐起 100 session/分钟，使用率 70% 触发自动按 10%/分钟递增。不计并发费——上限只决定新流能开多快，不按并发加价。

多通道音频按通道单独计费。1 小时立体声文件（2 通道）算 2 转录小时。WebRTC 录制同时含 mic + speaker 通道同样规则。

免费额度能做什么？

免费额度是行业最大的那一档。一个新账号拿到的是：

每月 185 小时 pre-recorded 转录（Universal-2 或 Universal-3.5 Pro）
每月 333 小时 streaming 转录
无需信用卡

185 小时粗算 ≈ 每月 3,700 次平均 3 分钟的会议，或 ~12,000 条 1 分钟的语音笔记——远超单人 Power User 的运营预算。免费额度在每月 1 日零点刷新（不是滚动 30 天窗口），这对需要稳定可用容量的自托管试点很重要。

免费额度用完后，按量从上面的价格开始。无合约、无月度最低、无月固定费。账单在次月 1 日生成上一周期。

套餐定价与 AWS Marketplace

高频用户可联系销售拿定制合约价。定价页只说量级到位会有折扣，未公开公式——取决于承诺量、地域分布、功能使用。AWS Marketplace 上架是最干净的路：把转录费用并入你的 AWS 账单、计入 AWS 支出承诺。

模型目录：每个家族对应什么场景

AssemblyAI 的产品面切分为五个面，每个面对应不同的集成形态。模型名（Universal-3.5 Pro / Universal-2 等）表示精度；面表示延迟与交付形态。

Pre-recorded（异步）

文件已经在你本地——会议录音、上传播客、排队留言。提交 URL 或上传二进制，拿到 transcription id，轮询完成。Universal-3.5 Pro 是准确度最高的；Universal-2 是性价比默认。控制台可选 addon：

Speaker Diarization（仅 Universal-3.5 Pro）—— 每段话打说话人 ID
Speaker Identification —— 把 Speaker A/B/C 替换为真实姓名（用你自己的注册语料喂）
Language detection / forcing
Custom spelling（药名、品牌名）
Keyterm prompting —— 偏向领域词汇
Word-level timestamps —— 毫秒对齐字幕
Filler word detection —— 标记 "um" / "uh" 供清理
Auto formatting / smart formatting —— 整理为可读段落

Streaming

WebSocket 通道。Universal-3.5 Pro Realtime 中间结果 <300ms 出来，专为 agent / voice-bot。Universal-Streaming 是性价比默认，更适合直播字幕。两者暴露与异步相同的 Speaker Diarization 端点。

Sync（Nano）

几分钟以内的短音频，Nano 同步端点直接返回完整转录。开发者集成到服务端渲染表单流、浏览器短音频、SDK call-and-respond 模式的最低成本路径。

Audio Intelligence

AssemblyAI 在同一异步任务上挂的富化端点：

Sentiment analysis —— 逐句正/负/中性
Summarization —— 摘要（模型可选 Universal-2、Claude、GPT）
IAB categories —— IAB v2 内容分类
Entity detection —— 人名、日期、金额、自定义实体
PII redaction —— 自动擦除人名、邮箱、电话、SSN
Topic detection —— 自定义 taxonomy 的 top-N 主题

Voice Agent API

一个更上层的 端到端 voice agent 接口——语音输入 → LLM 推理 → 语音输出——实时流式返回转录与音频帧。Voice Agent API 建在 AssemblyAI 流式 STT 之上 + 一个 partner TTS（Cartesia、ElevenLabs 等），带显式 audio handler 回调。LiveKit、Retell、Daily 原生集成——2026 年生产 voice bot 最常选的路径。

LLM Gateway

附带产品：统一 OpenAI 格式端点，把文本生成路由到 Universal-2、Claude、GPT，自带成本跟踪。给"已经接好音频、现在需要便宜文本推理"的 agent harness。单 API key 跨多个模型提供方。

验证过的速度对比

独立基准与 AssemblyAI 自家公开榜单给出一致结论：Universal-3.5 Pro 在多语种 / code-switched / 远场音频上领先；Deepgram Nova-3 在仅英文 + 严格口音 + 嘈杂环境上领先；ElevenLabs Scribe 在会话场景下快速赶上并带情绪标签。

测试	Universal-3.5 Pro	Deepgram Nova-3	ElevenLabs Scribe	自托管 Whisper-large-v3
英文（清晰，librispeech）	2.1% WER	2.4% WER	2.3% WER	2.7% WER
英文 + 咖啡馆噪音 (20 dB SNR)	5.4% WER	4.9% WER	6.1% WER	7.8% WER
普通话 (AISHELL-1)	4.8% WER	6.2% WER	5.7% WER	5.1% WER
Code-switching（普通话 + 英文）	7.2% WER	12.1% WER	9.6% WER	9.4% WER
远场 / 3m 距离	9.1% WER	8.7% WER	11.3% WER	14.6% WER

数据来自 AssemblyAI 在 Universal Speech Benchmark 2026 发布的自有评测，引用前请在自己的负载上复现。

Universal-3.5 Pro 在 code-switching 与远场的优势来自训练时覆盖了更宽的音频分布。对中文读者实操含义：跨境团队会议里中英混说（典型上下文切换），用 Universal-3.5 Pro 转录比 Deepgram / ElevenLabs 都干净。

五个优于替代品的能力

Speaker Diarization 作为一等端点。Universal-3.5 Pro 与 Universal-Streaming 自带 in-house diarization。Deepgram Nova-3 与 ElevenLabs Scribe 在大多数配置里 diarization 依赖三方（pyannote、NeMo），需要单独集成、单独账。Universal-3.5 Pro 的 diarization 同时承载 Speaker Identification——你不用自己训模型就能打出真实姓名标签。
免费额度数量。每月 185 小时异步转录是 ~37 倍 Whisper 单开发者的日常测试负载。免费额度不是营销噱头——它覆盖单人原型、独立产品的免费层、研究团队流水线。预算没批下来的团队，这个额度真的影响选型。
流式并发无上限。大多数 STT 提供商把并发流固定到某个上限（Deepgram 标配 50 流），超额收费。AssemblyAI 的 auto-scale 跟着用量涨，只按实际音频时长收。一个语音 bot 产品工作时间内爆发到 500 并发，月底就是一笔钱。
Audio Intelligence 一键。Summarization + sentiment + entity + PII redaction 都是同一异步 job 上的 boolean flag。替代做法是 4 步流水线——4 个服务、4 张账单。
AWS Marketplace 上架。已经在 AWS commit 体系内的 shop，把转录费用并入 AWS 账单。STT 同行里是独有的能力（Cartesia 还没有；Deepgram 通过三方 listing）。

集成：三个调用进生产

AssemblyAI 暴露三类主 SDK（Python、Node、Ruby）。Python 流是 pre-recorded 文件最干净的集成示范。

import assemblyai as aai

aai.settings.api_key = "your-key"
transcriber = aai.Transcriber()

config = aai.TranscriptionConfig(
    speech_model=aai.SpeechModel.universal_3_5_pro,
    speaker_labels=True,
    language_detection=True,
    word_boost=["Claude", "Qwen", "OpenAI"],
)

# Submit an async transcription from a URL or local path
transcript = transcriber.transcribe("https://example.com/meeting.mp3", config=config)

if transcript.status == aai.TranscriptionStatus.error:
    raise RuntimeError(transcript.error)

# transcript.text  -> flat transcript
# transcript.utterances -> speaker-tagged segments
# transcript.sentiment_analysis -> per-utterance sentiment

Node 版本：

import { AssemblyAI } from "assemblyai";

const client = new AssemblyAI({ apiKey: process.env.ASSEMBLYAI_API_KEY });
const transcript = await client.transcripts.transcribe({
  audio: "https://example.com/meeting.mp3",
  speech_model: "universal-3-5-pro",
  speaker_labels: true,
  language_detection: true,
  word_boost: ["Claude", "Qwen", "OpenAI"],
});

Streaming 走 WebSocket + 每帧回调。大多数团队用 LiveKit 的 AgentSession 类来跑，而不是自己写音频管道。

中国大陆访问：必须代理

跟所有美系 STT 厂商一样，AssemblyAI 音频数据走美国基础设施。中国大陆直连在网络层被阻断；最省事的路径是在香港 / 新加坡 / 美国端点跑 SDK。合规敏感负载（医疗、法律）可以走 Data Retention Zero 模式——在 API 里传 pii_redaction="entity" 把命名实体在离开美国区域之前先从转录里擦掉。

对中文音频的转录场景，Qwen-Audio-3.0-Realtime（阿里云百炼直接大陆访问，¥0.0014/秒实时音频）依然是国内更强的选择；代价是生态深度（无 Speaker Diarization 端点、Audio Intelligence 开关更少）。

真实限制

Universal-3.5 Pro 不免费。$0.21/hr 是 Universal-2 的 1.4 倍；对 99% 音频是清晰英文的 App，Universal-2 更经济，准确度差距很小。
无原生 TTS。Voice Agent API 必须配一个 partner TTS（Cartesia Sonic、ElevenLabs 等）。完全一站式 speech-in/speech-out agent 端到端上比 ElevenLabs 复杂一点点。
Speaker Diarization 在 3+ 说话人重叠音频上掉精度。官方建议 cap 在 4-5 人最小重叠的议会录音或播客 6+ 人圆桌里，说话人标签 WER 可观察。
中国大陆 ICP 不备案。跟所有美系 AI API 一样适用 ICP 免责声明——大陆企业客户要么走海外网关，要么用阿里云 Qwen-Audio-3.0-Realtime 国内对位。

对 API 开发者的结论

如果你的音频是 multilingual / code-switched / 多人叠说场景，并且能接受 $0.21/hr pre-recorded 或 Universal-3.5 Pro Realtime 流式——AssemblyAI 是综合最优。纯清晰美式英文 + 紧预算，Deepgram Nova-3 在 TCO 上仍可打平。要全包 speech-in/speech-out voice bot，ElevenLabs Conversational AI 仍然是最接近交钥匙的选项。

185 小时免费额度够大，可以在任何财务承诺之前把整个平台端到端跑一遍。生产团队带中文音频应当把 AssemblyAI 配上阿里云 Qwen-Audio-3.0-Realtime 给国内直接访问。已经在 AWS 内的团队走 AWS Marketplace listing 把账单并入既有 AWS 计费关系。

要跨 STT + LLM 端点的多 provider 路由，FreeModel API 接入可以把 AssemblyAI 当高精度档，把非关键音频路由到更便宜的 Whisper 后端——一个实用的"对的模型配对的音频"的拆分，无需建第二份集成。

常见问题

Universal-3.5 Pro 在多语种音频上的准确度如何？ AssemblyAI 公开榜单显示 Universal-3.5 Pro 在 AISHELL-1 上 4.8% WER，普通话/英文 code-switched 7.2% WER——同测试集下优于 Deepgram Nova-3、ElevenLabs Scribe 与自托管 Whisper-large-v3。部署前请用自己的录音复现。

AssemblyAI 免费额度包含什么？ 免费账号含 185 hr/月 pre-recorded 转录（Universal-3.5 Pro 或 Universal-2）+ 333 hr/月 streaming。无需信用卡。每月 1 日零点刷新。

Universal-3.5 Pro 支持 Speaker Diarization 吗？ 支持——自研 Speaker Diarization，仅在 Universal-3.5 Pro 与 Universal-Streaming 上提供。Speaker Identification（用真实姓名替代 Speaker A/B）是独立特性，建在 diarization 输出之上。

可以从中国大陆用 AssemblyAI 吗？ 直连在网络层被阻断。现实路径是从香港、新加坡或美国端点调用。如果必须从国内发起中文音频，用阿里云百炼的对位 Qwen-Audio-3.0-Realtime。

AssemblyAI 定价对比 Deepgram / Whisper 怎么样？ Universal-2 $0.15/hr 大约是自托管 Whisper-large-v3 在单卡 H100 上全负载成本（$0.07-$0.10/hr）的 2 倍，但 AssemblyAI 帮你省掉 diarization / Audio Intelligence / 伸缩 / 运维。Universal-3.5 Pro $0.21/hr 比 Deepgram Nova-3 在深度嘈杂基准上的 $0.0043/min ($0.26/hr) 便宜 14%；code-switched 音频 WER 更低时差距缩小。

AssemblyAI 有 Voice Agent API 吗？ 有——一个上层接口把流式 STT + LLM 调用 + partner TTS（ElevenLabs / Cartesia）通过 WebSocket 流起来。LiveKit、Retell、Daily 原生集成。

AssemblyAI 在 AWS Marketplace 上吗？ 在——把 AssemblyAI 账单并入既有 AWS 账号，对 AWS 原生 shop 在 commit 计划中很有用。

来源

AssemblyAI, Pricing, 2026: assemblyai.com/pricing
AssemblyAI, Universal-3.5 Pro model card, 2026: assemblyai.com/docs/models/universal-3-5-pro
AssemblyAI, Audio Intelligence overview, 2026: assemblyai.com/docs/audio-intelligence
AssemblyAI, Voice Agent API, 2026: assemblyai.com/docs/voice-agent
Artificial Analysis, Qwen-Audio-3.0-Realtime speech-reasoning leaderboard, 2026年7月9日: artificialanalysis.ai

披露

APIRank 可能从文中的合作伙伴链接获得联盟佣金；编辑判断独立于商业关系。