廣東話 ASR 比較
港嘢 vs AssemblyAI：廣東話 ASR 點揀？（2026）
一句答你：AssemblyAI 嘅粵語支援要分兩條路睇 —— realtime 旗艦明列 Cantonese，async 旗艦嘅官方語言清單就未見。港嘢兩條路都用同一套粵語引擎、港幣按秒計費。如果你要 word-level timestamps、內建講者標籤同大量 add-ons，AssemblyAI 功能面更闊；如果你要粵語專門同簡單計費，我哋直接啲。
本文競品資料全部來自對方官方公開頁面（觀察日期 2026-10-31），只列可核實 規格並盡量標明來源位置；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。
TL;DR：八個維度逐項對照
| 維度 | 港嘢 Canto-Gen | AssemblyAI |
|---|---|---|
| 粵語支援 | 粵語專用引擎，yue 係 API 預設語言；中英夾雜保留原詞 | Realtime universal-3-6-pro 32 語言清單有 Cantonese；async 旗艦 universal-3-5-pro 18 語言清單未見（2026-10-31 查閱官方 models.md） |
| 即時 vs 檔案 | 兩者都有：同步檔案（≤8 分鐘）＋非同步長音檔（≤4 小時／200 MB）＋即時 WebSocket | 兩者都有，但用唔同模型：realtime universal-3-6-pro／async universal-3-5-pro 或 universal-2 |
| 熱詞／詞彙表 | 自訂詞彙表最多 50 詞（每詞 ≤30 字元，提示句 ≤200 字元）；per-request 或帳戶預設；需 asr_vocabulary 權限 | Keyterms：async U3.5 Pro 最多 1,000 詞、U2 最多 200 詞（各 +US$0.05／小時）；realtime U3.6 Pro 內含 100 詞、可中途更新（2026-10-27 官方 pricing.md） |
| 講者分辨 | 會議助理（/ai-meeting-minutes）提供講者分辨；公開 ASR API 輸出以逐字稿為主（2026-10-31 查閱文件未列講者標籤） | 有：async 標準 +US$0.02／小時、experimental +US$0.065／小時；streaming +US$0.12／小時（2026-10-27 官方 pricing.md） |
| 時間戳 | 公開 ASR 輸出支援 json／text；官方文件明列 srt／verbose_json 需段級時間戳、暫時未提供（2026-10-31 查閱） | Async 轉寫回應預設有 word-level start／end；Sync STT 要 timestamps: true（2026-10-31 官方文件查閱） |
| 計費單位 | 檔案 HK$0.80／音頻小時；即時 HK$1.40／音頻小時；按秒計、只計成功 | Async 按音頻小時：U3.5 Pro US$0.21／小時、U2 US$0.15／小時；streaming 按 session 時長：U3.6 Pro US$0.45／小時；US$50 免費額度（2026-10-27） |
| 資料落地 | 內容存放於雲端資料庫，資料中心位於南韓（首爾），備份同區；刪除後 30 日內永久清除；企業可按合約約定更短保留或零保留 | US／EU region（api.eu.assemblyai.com、streaming.eu.assemblyai.com），同價；HIPAA BAA、SOC 2 Type 2、ISO 27001、GDPR（2026-10-27 官方 pricing.md） |
| API 接入成本 | REST：同步 multipart、非同步任務輪詢、即時 WebSocket；OpenAPI 3.1 spec＋互動文件；免費帳戶行 sandbox，付費方案（輕量起）解鎖全速 API | REST async＋WebSocket v3 streaming；US$50 免費額度；官方另備 llms.txt／llms/*.md 機器可讀文件（2026-10-31 查閱） |
競品欄觀察日期：2026-10-31，資料來自官方 llms/models.md 同 llms/pricing.md（官方標示 last updated 2026-10-27）。港嘢費率以 src/lib/marketing/feature-facts.ts 為準（SSOT：wallet.ts）。
詳細比較
粵語支援：同一個平台，兩條路唔同答案
AssemblyAI 官方模型文件（2026-10-27 更新）寫得好清楚：realtime 旗艦 universal-3-6-pro 嘅 32 語言清單包括 Cantonese；async 旗艦 universal-3-5-pro 只有 18 語言，清單未見 Cantonese。官方同時指 18 種以外用 universal-2（99+ 語言）。
呢個結構對買家好重要：如果你只睇「AssemblyAI 有 Cantonese」就落單，但實際用 async 長錄音，你可能用緊另一個模型。落單前要按你嘅處理模式，逐邊核對官方語言表；我哋唔會幫對手補完佢冇寫嘅嘢。
即時與檔案：模型選擇會影響功能同價錢
兩邊都同時有即時同檔案，但 AssemblyAI 兩條路嘅模型、語言覆蓋同 add-on 都分開。realtime U3.6 Pro 有內建即時講者標籤、keyterms 內含；async U3.5 Pro 就以 entity accuracy 同 prompting 為主。港嘢兩條路共用同一套粵語引擎同詞彙表邏輯，差異主要係時長上限同費率。
如果你嘅產品係「實時 voice agent＋會後長錄音」並存，要預咗兩套模型設定同成本模型；好處係你可以按每條路揀合適嘅型號。
熱詞與講者分辨：add-on 疊加 vs 一個費率
AssemblyAI 嘅熱詞同講者分辨都係逐項 add-on：async keyterms +US$0.05／小時、標準 diarization +US$0.02／小時；streaming diarization +US$0.12／小時。功能好成熟，但如果一個請求同時開幾個 add-on，成本會疊加（官方文件有舉例：U3.5 Pro＋Medical Mode＋Diarization = US$0.38／小時）。
港嘢嘅詞彙表最多 50 詞，per-request 或帳戶預設，冇逐項 add-on；講者分辨就只喺會議助理產品提供，公開 ASR API 未列講者標籤。要 API 直接回 speaker label，AssemblyAI 嘅路會直接啲。
時間戳：我哋嘅明確邊界
AssemblyAI 嘅轉寫有 word-level timestamps：async 轉寫回應預設有 start／end，Sync STT 就要喺 config 開 timestamps: true（2026-10-31 官方文件查閱），做字幕、karaoke、剪片定位都直接。港嘢公開 ASR API 只出 json／text；官方文件明寫 srt／verbose_json 需要段級時間戳，暫時未提供（2026-10-31 查閱）。
如果你嘅核心係逐字時間碼，唔應該為粵語硬用我哋。你可以只用我哋出逐字稿，再交俾其他對齊工具；或者直接揀有時間戳嘅平台。
計費：音頻小時 vs session 時長
港嘢：檔案 HK$0.80／音頻小時、即時 HK$1.40／音頻小時，按秒計、只計成功，冇 session 待機費。AssemblyAI：async 按音頻小時（U3.5 Pro US$0.21、U2 US$0.15），streaming 按 WebSocket session 時長（U3.6 Pro US$0.45／小時），待機時間都會計。
呢個差異對 contact centre、voice agent 呢類「連線長時間開住」嘅場景特別明顯。用同一段音頻去比牌面價，未必反映真實月結。
資料落地與 API 接入
AssemblyAI 官方列 US／EU region，EU endpoint 同價，另有 HIPAA BAA、SOC 2 Type 2、ISO 27001、GDPR；呢啲對受監管行業係實際優勢。港嘢嘅內容存放於雲端資料庫，資料中心位於南韓（首爾），備份同區，企業可按合約約定更短保留或零保留。
API 接入方面，兩邊都係 REST＋WebSocket。AssemblyAI 有 US$50 免費額度同 llms.txt／llms/*.md 機器可讀文件，方便 agent 讀規格；港嘢有 OpenAPI 3.1 spec、互動文件，免費帳戶行 sandbox，付費方案（輕量起）解鎖全速 API。
邊個應該揀邊個？
兩邊做嘅唔係同一件事，唔存在「邊個完勝」。以下係按規格同使用情境嘅適配建議：
揀港嘢，如果你：
- 內容以粵語為主：會議、訪談、課堂、客服錄音
- 想港幣計費、按秒計、只計成功，冇 session 待機費
- 想要中文（粵語）介面同本地支援
- 只需要逐字稿（json／text），字幕對齊可以另用工具處理
揀 AssemblyAI，如果你：
- 要 realtime 同 async 兩條路，並且接受兩套模型設定
- 要 API 內建 word-level timestamps、講者標籤、keyterms 等 add-ons
- 要 US／EU region 或 HIPAA 等合規安排
- 想要 llms.txt 級機器可讀規格，方便 agent 接入
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 realtime 同 async 用同一個模型、同一套語言覆蓋（我哋只有一套粵語引擎，但對手嘅多語言廣度我哋冇）
最後一句老實話：轉寫準確度、延遲同穩定性要親身試先判斷到。最公道嘅做法係 攞同一段真實錄音，兩邊各跑一次，再逐字核對專有名詞同數字。
常見問題 FAQ
AssemblyAI 支援廣東話嗎？
要分實時同檔案兩條路。官方 2026-10-27 更新嘅模型文件列明：realtime 旗艦 universal-3-6-pro 嘅 32 語言清單有 Cantonese；但 async 旗艦 universal-3-5-pro 嘅 18 語言清單未見 Cantonese，官方指 18 種以外用 universal-2（99+ 語言），粵語實際覆蓋請以官方最新語言表核對（2026-10-31 查閱）。所以唔可以一句答完「AssemblyAI 有冇粵語」，要睇你用 realtime 定 async。
點解 realtime 同 async 要分開睇？
因為兩條路用唔同模型。實時係 universal-3-6-pro（32 語言，含 Cantonese）；檔案旗艦 universal-3-5-pro 只有 18 語言，官方清單未見 Cantonese。如果你嘅產品同時有「即時聽寫」同「會後長錄音轉寫」，要分別確認兩邊嘅語言覆蓋，唔好假設同一個模型兩邊都通。
熱詞、講者分辨、時間戳要加錢嗎？
官方 pricing.md（2026-10-27 更新）列：keyterms async U3.5 Pro 最多 1,000 詞（+US$0.05／小時）、U2 最多 200 詞（+US$0.05／小時）、realtime U3.6 Pro 內含最多 100 詞並可中途更新；講者分辨 async 標準 +US$0.02／小時、experimental +US$0.065／小時、streaming +US$0.12／小時；async 轉寫回應預設有 word-level start／end（Sync STT 要 `timestamps: true`）。港嘢係詞彙表最多 50 詞、按音頻秒計費，冇逐項 add-on。
串流計費有咩要留意？
AssemblyAI 官方寫明 streaming 係按 WebSocket session 時長計，唔係按你送咗幾多音頻 —— 連線開住但冇說話都會計。港嘢即時聽寫係按實際音頻秒數、只計成功。如果你嘅應用有大量待機時間，兩種計法嘅實際成本可以差好遠。
兩邊資料存放有咩分別？
AssemblyAI 官方列 US／EU 兩個 region，EU endpoint 同價，另有 HIPAA BAA、SOC 2 Type 2、ISO 27001、GDPR（2026-10-27 官方 pricing.md）。港嘢嘅內容存放於雲端資料庫，資料中心位於南韓（首爾），備份同區；刪除後 30 日內永久清除，企業可按合約約定更短保留或零保留。