廣東話 ASR API 選型：五個規格位決定你之後改幾多次

你試完幾個 demo，揀咗最平或者最準嗰個。接入、上線、跑咗兩個月，一切正常。

第三個月，客戶第一次交一條 42 分鐘嘅會議錄音。同步接口回一個 413。你望住 error log，先發現自己從來冇問過「最長可以幾長」。

呢類改動唔係換個字串。你要加上載進度、加非同步排隊、加重試、改前端 polling。做一次大概一至兩星期。

所以 ASR API 選型唔應該由「邊個最準」開始，應該由「邊個規格會逼我重寫」開始。以下五個位，我哋喺自己嘅 API 同四家公開供應商之間逐個對過。

重點摘要

• 同步窗決定你嘅接入層係「一個 POST」定「上載＋排隊＋poll」。我哋同步上限 8 分鐘，超過即回 audio_too_long，處理前拒、零扣費。
• 檔案上限有兩條路：multipart 直上（我哋 4.5MB）同 audio_url 由伺服器代抓（我哋 200MB／4 小時）。有冇第二條路，比第一條幾大更重要。
• 詞表要分三個數字問：幾多個詞、每個詞幾長、點生效。三家公開規則由 50 詞到 1000 詞都有。
• 時間戳唔係「有就好」。我哋只回 json／text，要 SRT 就要另砌一條對軸流程。
• 計費單位四家都唔同：按音頻秒、按音頻小時、按連線時長。長期成本差幾成，通常死在呢一項。

一、同步窗：幾長嘅音檔會即刻打回頭

同步接口嘅意思係：同一個 HTTP 請求，上載完就等結果。體驗最好，但伺服器唔可能無限等。

同步窗 係指「一個請求最多等幾長音頻」，唔係「伺服器 timeout 幾多秒」。兩者經常被混淆。

我哋嘅同步路線有兩條硬界：請求體 4.5MB，音頻長度 8 分鐘（480 秒）。超過 8 分鐘會回 audio_too_long，回應帶 duration_seconds 同 async_endpoint，喺處理之前就拒絕，唔會扣費。

長音檔走另一條路：POST /v1/asr/jobs，用 audio_url 交一個公開 URL，上限 200MB／4 小時，即刻回 202 queued，之後 poll 結果。

對比其他家：

• ElevenLabs 單次上限 3GB、標準模式 10 小時（官方文件，2026-10-31 查閱）。佢哋唔係「同步」，係一個 request 內部幫你切四段併發處理，所以 8 分鐘以上嘅檔案由平台自己拆。
• Deepgram 預錄音檔最大 2GB，但官方寫明 Nova／Base／Enhanced 系列「處理超過 10 分鐘會回 504」（官方文件，2026-10-31 查閱）。即係檔案大小過關，時間都可能過唔到。
• AssemblyAI 預錄係純非同步：交一個 audio_url，即刻回 transcript id，之後 poll（API 參考，2026-10-31 查閱）。佢根本冇「同步等結果」呢個選項，反而少一個誤會。

判斷方法很簡單：問「最長可以幾長、失敗係回咩、失敗收唔收錢」。第三條最多人漏問。

二、檔案上限同「交付路徑」係兩件事

同一個 4.5MB，可以有兩個意思。一個係「你嘅 request body 上限」，一個係「平台願意代你下載幾大」。

交付路徑 係指音頻用邊種方式送到引擎：直接上載，或者交一條 URL 由平台代抓。

我哋嘅 4.5MB 屬於前者。【實測】我哋用 16kHz 單聲道 Opus 16k 壓自己嘅會議錄音，4.5MB 大約落到 33 至 40 分鐘；同一段轉成 WAV，十分鐘左右就爆。所以「4.5MB」對錄音嚟講唔算細，但對全日會議就明顯唔夠。

audio_url 路線繞過 request body，代價係你個檔案要有一個伺服器讀得到嘅 URL。私有錄音就要出短有效期簽名 URL。呢一步好多團隊上線前才發現自己嘅 storage 冇簽名機制。

壓縮設定同實際長度換算，之前寫過一篇：音檔壓縮上載指南。

三、詞表：三個數字要一齊問

「支援自訂詞彙」呢句幾乎每家有。但四家嘅規則完全唔同，直接影響你點設計 UI。

Keyterm prompting 係指用一串詞去「偏推」解碼器，令佢喺模糊發音上優先揀你嘅詞；佢唔等於訓練模型，亦唔保證一定出。

我哋嘅規則：最多 50 個詞，每個 30 字元以內，組成一句 200 字元以內嘅提示。詞表存喺帳戶度，PUT /v1/asr/vocabulary 換整份；request 有帶 vocabulary 就以 request 為準，帶空 array 即係唔用，唔會跌返帳戶預設。

其他家（全部 2026-10-31 查閱官方頁）：

數字大唔等於好。學術界量到，同一個模型喺細實體清單上嘅實體字錯誤相對減幅係 30.7%，清單一大就跌到 18.0%（arXiv 2506.06252，2026-10-31 查閱）。原因喺下一篇拆：詞表點樣入模型，決定咗「加多幾個詞」係幫手定係拖累。粵語 ASR 詞表規則對照 有完整對照同研究引用。

實際操作上，香港場景最需要詞表嘅係三類：人名、公司品牌、中英夾雜術語。譬如「陳」同「曾」喺電話頻寬下經常互換；「HKMA」會被聽成「H K M A」。方法見 粵語熱詞辨識；要驗證加詞有冇用，用 自訂詞彙測試協議。

四、時間戳同輸出格式

呢一項最常被當成「應該有」。

我哋嘅公開 API 只回 json 同 text。要求 srt 或 verbose_json 會回 400 unsupported_response_format。呢個係刻意寫死，唔係未做：我哋唔想交一個對唔準嘅時間軸出去。

其他家：ElevenLabs 有 word-level timestamps；AssemblyAI 回 words 同 utterances（含開始結束時間）；Deepgram 回 word timing。三家都做到字幕級對軸。

所以如果你嘅產品一定要出 SRT，有兩條路。第一條，揀一家原生有時間戳嘅服務。第二條，用我哋嘅文字，再另砌對軸：可以用強制對齊工具，或者人手校。第二條路嘅成本要老實計入去。

我哋自己出字幕嘅流程，寫喺 TTS 加 SRT 字幕。要留意：TTS 出聲同 ASR 出字係兩個方向，唔可以當同一條 pipeline。

五、計費單位：秒、分鐘，定連線時長

同一個「每小時」價，計法可以差好遠。

我哋按音頻秒計：檔案轉寫 HK$0.80／小時，實時聽寫 HK$1.40／小時（1.75 倍），以 audio_second 為單位。

ElevenLabs 亦係按音頻秒，而且官方明講「靜音照計，冇折扣」。Deepgram 按分鐘乘時薪換算。AssemblyAI 預錄按提交嘅音頻小時（定價頁，2026-10-27 更新，2026-10-31 查閱），但串流係按 WebSocket 連線時長計，唔係按你送咗幾多音頻。中間 idle 都收錢。呢個設計差異，對「開住條線等電話」嘅客服系統影響極大。

要問清楚四件事：

1. 有冇最低消費（例如每次最少一分鐘）。
2. 失敗嘅 job 收唔收錢。
3. 靜音同音樂段點計。
4. 實時係按音頻長度，定按連線時長。

【獨家觀察】香港團隊最常低估嘅成本，唔係單價，而係「失敗重跑」同「連線閒置」。前者喺長會議特別明顯，後者喺客服系統特別明顯。

五個位嘅決策次序

倒轉次序，就會做兩次。建議咁排：

1. 最長音檔：一個月入面最長嗰條有幾長？超過 8 分鐘就一定要有非同步路線。
2. 輸出格式：要唔要時間戳？要就收窄到有 word timing 嘅服務。
3. 詞表：你嘅音頻有幾多專名？密度高就要睇詞表規則，而唔止睇「有冇」。
4. 計費：用你真實月時數乘一次，唔好睇單價。
5. 合約條款：失敗收費、超額、保留期，全部寫落去。

頭兩步唔通過，後面三步唔使比。

我哋自己嘅限制

我哋嘅粵語引擎係自家訓練，但接入面嘅限制唔會因為「自家」而消失。公開講清楚：

• 同步 8 分鐘、請求體 4.5MB。
• 只回 json／text，唔出 SRT。
• 詞表 50 詞、每詞 30 字元。
• 實時單價係檔案嘅 1.75 倍。

呢啲限制寫喺 API 文件 同 廣東話語音轉文字 頁。接入前知，好過接入後投訴。

常見問題

8 分鐘同步上限係唔係太短？

對單段訪問、客服短通話、語音備忘夠用。對會議、講座、聆訊就一定要走非同步。分別唔在於「夠唔夠」，而在於你有冇準備第二條路。

4.5MB 大概等於幾長錄音？

用 16kHz 單聲道 Opus 16k，大約 33 至 40 分鐘。用 WAV 就十分鐘都不到。格式影響大過上限本身。

詞表係唔係越多詞越好？

唔係。詞表越長，模型越容易被無關詞干擾，而且多數平台有 token 上限。先用 20 至 30 個真正會出現嘅專名，再逐批加。

冇時間戳，點出字幕？

兩條路：改用有 word timing 嘅服務，或者用我哋嘅文字再做一次強制對齊。第二條路要另外算人手同工具成本。

關於呢篇文

本文由港嘢內容團隊整理。所有對手規格同價格，均取自官方頁面，查閱日期 2026-10-31（AssemblyAI 定價頁最後更新 2026-10-27）。規格會變，接入前請再核一次原文。發現錯漏，歡迎 聯絡我們 指正；想了解我哋嘅粵語語音工作，可以睇 關於港嘢。

資料來源：ElevenLabs Speech to Text 文件（檔案上限、時間戳、計費）；Deepgram Pre-Recorded Audio 文件（2GB、10 分鐘處理上限）；AssemblyAI API 參考（audio_url 非同步提交）同 AssemblyAI 定價頁（2026-10-27 更新）；港嘢 /v1/docs（同步 8 分鐘、4.5MB、200MB／4 小時、50 詞規則、HK$0.80／HK$1.40 費率）。