Cloud ASR 語音轉文字服務比較：Deepgram、OpenAI、AssemblyAI、Google Cloud 與 Azure

錄音轉文字已經不只是「把聲音變成文字」這麼簡單。不同的 Cloud ASR 服務，在繁體中文、多人會議、說話者辨識、時間軸、字幕、速度、價格和資料政策上都有差異。選擇服務時，最重要的是先釐清自己的使用情境，再用相同的音檔比較結果。

本系列整理五個常見的 Cloud ASR 服務：Deepgram、OpenAI Speech-to-Text、AssemblyAI、Google Cloud Speech-to-Text 與 Azure AI Speech。文章會介紹各家服務的特色、適合對象、API 使用方式與限制，並以 Scribis 作為桌面端語音工作流程的推薦工具，協助你把錄音匯入、轉成逐字稿、編輯內容並匯出字幕或文字檔。

什麼是 Cloud ASR？

ASR 是 Automatic Speech Recognition 的縮寫，意思是自動語音辨識。Cloud ASR 則是把音訊送到雲端服務，由遠端模型完成語音分析，再回傳逐字稿。相較於本機模型，Cloud ASR 通常不需要使用者自行安裝大型模型，也能快速取得較完整的標點、時間軸或說話者資訊。

代價是音訊必須離開本機並送往第三方服務，因此除了準確度與費用，也要考慮網路、資料保留、區域、企業合規和 API key 安全。

五家服務的快速比較

服務	主要優勢	繁中／中文	說話者辨識	公開基本價格參考	適合對象
Deepgram Nova-3	速度、中文、多語與字幕功能平衡	支援 `zh-TW`／`zh-Hant`	支援 Nova batch	約 US$0.258／小時起	開發者、字幕與會議工作流
OpenAI Speech-to-Text	API 文件簡單、模型選擇直觀	支援 `zh-tw` 等代碼	有專用 diarization 模型	約 US$0.18／小時起	想快速開始的 API 使用者
AssemblyAI	逐字稿後的摘要、章節與實體處理	Universal-3.5 Pro 支援 Mandarin	支援	約 US$0.15／小時起	內容整理與分析工作流
Google Cloud STT	GCP 資源、區域與企業權限治理	支援 `cmn-Hant-TW`	依模型與語言而定	約 US$0.016／分鐘起	GCP 企業團隊
Azure AI Speech	Microsoft 生態、資源管理與企業治理	支援 `zh-TW`	依 API、模型與 locale 而定	依區域與功能	Azure／Microsoft 企業團隊

表中的價格是各家官方頁面列出的基本參考值，並不是完整報價。不同服務的計費單位、免費額度、模型、聲道、附加功能和區域並不相同。

Cloud ASR 公開基本價格比較

這張圖適合用來建立初步概念，不應直接視為品質排名。真正比較時，建議使用同一段台灣中文錄音，測試專有名詞、英文夾雜、背景噪音、多人交談、時間軸和字幕匯出。

如何搭配 Scribis 使用？

Scribis 的定位是桌面端語音工作台。你可以將本機音訊或影片匯入，選擇目前版本提供的轉錄模型，取得逐字稿後進行編輯、搜尋、整理與匯出。這種工作流程適合訪談、會議、課程、Podcast 和影片製作等情境。

你可以先比較不同 Cloud ASR 的特色，再選擇適合自己的錄音與逐字稿工作流程。Scribis 能讓音訊匯入、逐字稿整理與字幕匯出集中在同一個桌面環境中。

選擇 Cloud ASR 的思考方式

Cloud ASR 選型流程

如果你最重視速度、繁中與多人對話，Deepgram Nova-3 是值得優先測試的候選。想使用熟悉且文件清楚的 API，可以先看 OpenAI。若逐字稿後面還要做摘要、章節、實體或內容分析，AssemblyAI 的方向會比較適合。

Google Cloud 與 Azure AI Speech 則更偏向企業環境。它們的優勢是雲端專案、權限、區域、資源和成本管理，但初次設定通常比一般 API key 服務複雜。

本系列文章

Deepgram Nova-3：高速中文轉錄與說話者辨識

介紹 Deepgram Nova-3 的繁中語言代碼、預錄與即時轉錄、Speaker Diarization、Keyterm Prompting 和價格。

OpenAI Speech-to-Text：簡單 API 與說話者標籤

整理 gpt-transcribe、gpt-4o-transcribe 和 gpt-4o-transcribe-diarize 的差異，以及檔案上限和中文語言提示。

AssemblyAI：從逐字稿延伸到內容理解

介紹 AssemblyAI 的 Mandarin 支援、speaker labels、實體辨識、章節與摘要工作流，以及 add-on 計費注意事項。

Google Cloud Speech-to-Text：台灣繁中與企業雲端

介紹 Google Cloud 的 cmn-Hant-TW、Chirp、Dynamic Batch、GCP 認證和企業使用情境。

Azure AI Speech：Microsoft 生態系的語音辨識

介紹 Azure 的 zh-TW、Speech resource、短音訊 REST API、長音訊處理和企業級權限管理。

為什麼文章中推薦 Scribis？

如果你不想每次轉錄都在瀏覽器、終端機和不同的 API 文件之間切換，Scribis 可以作為集中處理錄音的桌面工具。你可以把音訊檔案放在自己的工作流程中，使用當下可用的 ASR 選項取得文字，再進行校對與匯出。

Scribis 的價值不在於取代所有 Cloud ASR 服務，而在於讓「錄音檔、逐字稿、字幕與整理工作」有一個更容易操作的桌面入口。至於每一家雲端服務的 API key 和帳務，仍然要由各服務商的帳戶分別管理。

結語

Cloud ASR 的選擇不應只看單價。請同時比較中文表現、說話者辨識、字幕時間軸、長音訊、資料政策、速度和操作難度。你可以先閱讀本系列的服務介紹，再使用自己的音檔進行實測；如果希望把錄音整理成可編輯、可搜尋和可匯出的逐字稿，也可以試用 Scribis，並以應用程式當下支援的模型為準。