语音转写与播报
语音场景通常串起三类模型:语音识别(STT)把录音转成文字,对话模型整理出结论和待办,语音合成(TTS)把通知或摘要读出来。按每月转写 200 小时录音、生成 400 份纪要、播报 3,000 条通知估算,用最低价分组计算,模型费用每月约 ¥735。
价格更新于 2026年11月12日 20:17|
01
业务问题
会议、销售电话、客服通话、课程录音越积越多,真正需要的只是里面的结论、待办和关键问答。人工整理一小时录音,往往要花上一两个小时。
录音转成文字只是第一步。转写稿又长又口语化,还得再提炼成纪要;需要回访或通知的场景,又要把文字变回语音。
把转写、总结、播报串成一条流水线,每一步都通过同一个 API 调用,费用按用量计算,人工只需要核对关键信息。
02
推荐模型组合
语音转文字(STT)
whisper-1OpenAI输入 ¥60 / 输出 ¥60 每百万 tokens· 标准分组把会议和通话录音转成文字稿。长录音先切成 10 到 20 分钟的片段再转写,单个文件太大时请求会被拒绝。
整理纪要(对话模型)
qwen3.5-plus通义千问输入 ¥1.12 / 输出 ¥6.72 每百万 tokens· 国产模型分组读取转写稿,提炼结论、负责人和截止时间。转写稿长、纪要短,输入单价对成本影响最大。
文字转语音(TTS)
tts-1OpenAI输入 ¥30 / 输出 ¥30 每百万 tokens· 标准分组把纪要摘要、回访话术或通知合成为语音文件。可选的音色取决于具体模型。
推荐模型按实时目录自动选取,价格取各模型最低价分组,更新于 2026年11月12日 20:17。点模型名可查看全部分组价格。
03
参考架构
- 1
录音预处理
统一转成 mp3 或 wav,长录音按 10 到 20 分钟切段,去掉开头和结尾的静音。
- 2
语音转写
每段调用语音识别接口,传入 language 参数(比如 zh)有助于识别;按顺序拼接各段文字。
- 3
整理纪要
把转写稿交给对话模型,按固定格式输出:结论、待办事项(负责人、截止时间)、待确认问题。
- 4
语音播报
需要通知或回访时,把纪要或话术交给语音合成接口生成音频,存进自己的存储后再分发。
- 5
人工核对
人名、金额、日期这类关键信息转写时容易出错,纪要发出前由参会人核对一遍。
04
成本估算
假设:每月 400 场会议、每场 30 分钟,共 200 小时;录音按 15 分钟切段,共 800 段转写,语音识别按每分钟音频约 1,000 tokens 估算;每场转写稿约 9,000 tokens,生成约 800 tokens 的纪要;另播报 3,000 条通知,每条约 100 字。
| 项目 | 模型 | 用量假设 | 费用 |
|---|---|---|---|
| 语音转写 | whisper-1 | 800 次 × 输入 15,000 tokens | ¥720 |
| 整理纪要 | qwen3.5-plus | 400 次 × 输入 9,000 + 输出 800 tokens | ¥6.18 |
| 语音播报 | tts-1 | 3,000 次 × 输入 100 tokens | ¥9 |
| 合计(每月) | ¥735.18 | ||
按各模型最低价分组的实时价格计算,价格更新于 2026年11月12日 20:17。
只含模型调用费用。语音识别和语音合成的计量方式以控制台用量明细为准,表中按每分钟音频约 1,000 tokens、每个字约 1 个 token 估算。录音时长翻倍,转写费用大致翻倍。
05
示例代码
一段录音依次经过语音识别、对话模型总结和语音合成,最后得到纪要文本和一段播报音频。
import os
from openai import OpenAI
client = OpenAI(base_url="https://open.tutujin.com/v1", api_key=os.environ["TUTUJIN_API_KEY"])
# 1. speech to text: split long recordings into 10 to 20 minute files first
with open("meeting-part1.mp3", "rb") as f:
transcript = client.audio.transcriptions.create(model="whisper-1", file=f, language="zh")
# 2. turn the transcript into minutes
minutes = client.chat.completions.create(
model="qwen3.5-plus",
messages=[
{"role": "system", "content": "Write meeting minutes: decisions, action items with owner and due date, open questions. Under 300 words."},
{"role": "user", "content": transcript.text},
],
).choices[0].message.content
print(minutes)
# 3. read a notice aloud (available voices depend on the model)
with client.audio.speech.with_streaming_response.create(
model="tts-1",
voice="alloy",
input="The minutes of today's meeting have been sent to your inbox.",
) as resp:
resp.stream_to_file("notice.mp3")常见问题
每月 200 小时录音转写加纪要要多少钱?
按 200 小时录音转写、400 份纪要、3,000 条语音通知估算,用最低价分组计算约 ¥735。录音时长对费用影响最大。
支持哪些音频格式?
语音识别接口常见支持 mp3、mp4、mpeg、mpga、m4a、wav、webm 等格式,以所用模型的说明为准。长录音建议切段后再上传。
转写准确率怎么样?
和录音质量、口音、专业术语、多人同时说话的情况都有关,没有固定数字。可以在 prompt 参数里写上人名和术语,提高专有名词的识别效果。
能区分不同的说话人吗?
标准的转写接口返回整段文字,不带说话人标记。需要区分说话人时,可以按声道分别录制,或先做说话人分离再分段转写。
合成语音可以用在外呼等商业场景吗?
技术上可以生成音频用于播报和通知。用于外呼、广告等场景时,请遵守当地关于自动外呼和 AI 合成语音告知的规定,并确认模型提供方的使用条款。