粵語 ASR 比較 hub
廣東話語音轉文字點揀？4 個平台逐項對照（2026）
一句答你：先按「約束」篩，唔好按「邊個準」揀。你要 API 時間戳／講者標籤、 指定資料地區、幾十種語言，還是只要原生粵語＋港幣按秒計費？答案會直接篩走 大部分選項。以下 4 家全部按官方公開資料列事實，觀察日 2026-10-31，唔排名。
本文只列可核實嘅官方公開規格，並標明觀察日；平台隨時改版，落單前請以官方 最新頁面為準。準確度屬實測結果，本文唔會由定價頁推導，亦唔會替任何一方排名。
4 家一頁睇
點平台名入去可以睇該家嘅逐項比較同「咩情況下唔應該揀我哋」。表內 「官方語言表」一律指 2026-10-31 查閱嘅官方頁；「未見」只代表當日公開表 冇列，唔係推論。
| 平台 | 粵語（官方語言表） | 即時／檔案 | 熱詞／詞彙表 | 講者＋時間戳 | 計費起點 | 資料落地 |
|---|---|---|---|---|---|---|
| 港嘢 Canto-Gen睇港嘢 ASR 規格 | 粵語專用引擎，yue 係 API 預設語言 | 即時＋檔案（同步 ≤8 分鐘／非同步 ≤4 小時） | ≤50 詞（每詞 ≤30 字元；需 asr_vocabulary 權限） | 會議助理有講者分辨；公開 ASR 出 json／text，冇段級時間戳 | HK$0.80／音頻小時（檔案）；HK$1.40（即時）；按秒計、只計成功 | 雲端資料庫（首爾），備份同區；企業可議更短保留／零保留 |
| Deepgram港嘢 vs Deepgram | 官方 Nova-3 語言表列 zh-HK（2026-03-17 加入） | 即時＋檔案（streaming／pre-recorded） | Keyterm ≤100（500 token 上限），streaming 可中途更新 | Diarization（pre-recorded 內含）；word-level timestamps | US$0.0043／分鐘（batch）～US$0.0077／分鐘（streaming）；US$200 額度 | EU endpoint；Enterprise 可自架容器 |
| AssemblyAI港嘢 vs AssemblyAI | Realtime U3.6 Pro 明列 Cantonese；async 旗艦 U3.5 Pro 清單未見 | 即時＋檔案，但兩條路用唔同模型 | Keyterms：async 1,000／200 詞（+US$0.05/hr）；realtime 內含 100 詞 | Diarization（async +US$0.02/hr、streaming +US$0.12/hr）；word-level timestamps | Async US$0.15–0.21／小時；streaming US$0.45／小時（按 session 時長）；US$50 額度 | US／EU region 同價；HIPAA BAA、SOC 2、ISO 27001、GDPR |
| Speechmatics港嘢 vs Speechmatics | 官方語言表列 Cantonese（yue） | 即時＋檔案（Batch／Realtime） | Custom dictionary 喺 Enhanced／Standard／Linden 1 有；Melia 1 列 unavailable | Diarization（Batch 全部；Realtime Melia 1 列 unavailable）；word-level timings（Linden 1 為 segment level） | Melia 1 US$0.24（batch）／US$0.40（realtime）／小時；Enhanced US$0.75–0.80；US$100 額度 | EU1／US1／AU1；Enterprise EU2／US2；可 on-prem；Melia 1 只 EU1／US1 |
表格可左右滑動 →
觀察日：2026-10-31。港嘢費率以 src/lib/marketing/feature-facts.ts 為準 （SSOT：wallet.ts）；對手資料來自各自官方定價頁、語言表同文件。
點揀：先問約束，再試準確度
比較頁常見嘅錯誤，係一開始就問「邊個準」。準確度要實測，但功能同合規 約束可以喺五分鐘內篩走唔合適嘅平台。以下係決策次序：
- 01
你要 API 直接回 word-level timestamps 或講者標籤
→ 先睇 Deepgram／AssemblyAI／Speechmatics
我哋公開 ASR API 只出 json／text，段級時間戳暫未提供；講者分辨只喺會議助理產品。
- 02
你同時有即時聽寫同會後長錄音
→ 逐條路核對語言覆蓋
AssemblyAI 嘅 realtime 同 async 用唔同模型，粵語覆蓋要分開查；我哋兩條路共用同一套粵語引擎。
- 03
你只需要粵語，預算想用港幣、按秒計
→ /features/cantonese-asr
檔案 HK$0.80／音頻小時、即時 HK$1.40，按秒計、只計成功，冇 add-on。
- 04
你要指定資料處理地區或自架
→ 先睇 Speechmatics，再睇 Deepgram Enterprise
Speechmatics 有 EU1／US1／AU1 同 on-prem；Deepgram 有 EU endpoint 同 Enterprise 自架。
- 05
你要一個模型覆蓋幾十種語言、自動切換
→ 先睇 Speechmatics Melia 1／Deepgram Nova-3 Multilingual
我哋專做粵語；多語廣度唔係我哋嘅賣點。
- 06
你要 custom vocabulary，但想用較低價嘅多語模型
→ 留意模型限制
Speechmatics Melia 1 官方 feature matrix 列 custom dictionary unavailable；要詞彙表就揀 Enhanced／Standard 或別家。
篩到最後兩三家，先用同一段真實錄音做 A/B：同一份稿、同一段音頻、同一批 專有名詞，逐字核對。唔好只睇廠商自測 WER，因為測試集同條件唔統一。
咩情況下唔應該揀我哋
我哋嘅公開 ASR API 有明確邊界。以下情況，其他平台或者專用工具會更合適：
- 你必須由 API 直接取得 word-level timestamps 做字幕、karaoke 或剪片對齊（我哋公開 ASR 只出 json／text）
- 你要 API 輸出直接帶講者標籤（我哋嘅講者分辨喺會議助理產品，唔係公開 ASR API）
- 你要自架、指定資料處理地區或 HIPAA 級合規安排（我哋公開服務唔提供自架，企業安排要另外洽談）
- 你要同一個模型覆蓋幾十種語言並自動切換（我哋專做粵語）
- 你嘅採購要求係「一個平台做齊 STT＋LLM＋TTS」嘅 voice agent stack（我哋專注粵語語音，唔係 all-in-one 平台）
方法與範圍
呢頁係 cluster 樞紐：3 條對手比較頁（Deepgram／AssemblyAI／Speechmatics） 加港嘢自己，全部用同一組維度。選擇呢 3 家，係因為佢哋都有公開、可逐項核對嘅 語言表同定價頁，而且喺開發者市場有實際使用；唔代表市場上只有呢 3 家。
未收錄嘅平台（例如 OpenAI Whisper、Azure Speech、Google Cloud STT、Rev） 唔係唔重要，而係未完成逐項核實。與其寫錯，不如留白；之後加會照同一格式， 同樣標觀察日同官方來源。
我哋唔會用「官方語言表未見」推論成「唔支援」，亦唔會由定價頁推導準確度。 如果你見到官方頁同本文有出入，以官方最新頁為準；也歡迎通知我哋更新。
常見問題 FAQ
點解得 4 家？其他 ASR 平台呢？
呢頁係首輪：覆蓋 3 家以開發者文件為主導嘅 ASR 平台，加港嘢自己。OpenAI Whisper、Azure Speech、Google Cloud STT、Rev 等未收錄，原因係要逐項核實官方語言表同計費頁，唔想未查清楚就寫。之後會按同一格式加；你也可以先用自己嘅短名單，直接比較語言覆蓋、時間戳、講者分辨同計費單位。
點比較唔同平台嘅準確度？
唔會替任何一方排名。準確度係實測結果，廠商自測 WER 用嘅測試集、語言、錄音條件都唔同，唔可以直接橫比；由定價頁或功能表推導準確度更加唔合理。最公道嘅方法：攞你自己嘅真實錄音，兩邊各跑一次，逐字核對專有名詞同數字。
點解同一家平台會同時出現「有粵語」同「官方清單未見」？
因為型號同模式唔同。明顯例子係 AssemblyAI：realtime 旗艦 universal-3-6-pro 的 32 語言清單有 Cantonese，但 async 旗艦 universal-3-5-pro 的 18 語言清單未見。Speechmatics 也有類似情況：Melia 1 有粵語，但 custom dictionary 同 realtime diarization 喺 Melia 1 唔可用。買之前要按你實際用嘅模式同型號核對。
免費額度點比較？
港嘢 ASR 按音頻秒數計費、只計成功；TTS 另有免費登記送 2,000 字符（一次性）。Deepgram 新戶 US$200 額度、AssemblyAI US$50、Speechmatics US$100（2026-10-31 官方定價頁）。免費額度只足夠做 POC，唔應該當成長期成本模型；真正要比嘅係你嘅用量落喺邊個計費單位（音頻秒、音頻小時、session 時長）同要開幾多 add-ons。
我只需要逐字稿，唔需要時間戳，係咪揀邊家都一樣？
唔一樣。就算唔要時間戳，仲要睇粵語語言覆蓋、詞彙表上限、講者分辨、計費單位同資料落地。例如你需要實時同會後長錄音兩條路，AssemblyAI 兩條路用唔同模型；你需要 on-prem，就要睇 Speechmatics；你想港幣按秒計、只計成功，港嘢會直接啲。先用约束篩走唔合適嘅，再試準確度。