Soniox vs Whisper：
即時語音辨識完整比較

Whisper 更適合對錄音檔進行離線轉錄，尤其是英語音訊。Soniox 則是為即時串流而生——它透過 WebSocket 回傳低延遲的部分辨識結果。如果你需要字幕在說話者還沒講完時就出現，Soniox 是更合適的架構選擇。Whisper 現在也能接入即時轉錄流程，但要把它做成穩定的會議即時字幕體驗，通常仍需要更多工程與調校。

兩者的架構差異

Whisper：以批次處理為優先的 Transformer 模型

OpenAI 於 2022 年 9 月發布了 Whisper，這是一個在 68 萬小時多語音訊上訓練的開源語音辨識模型。其架構為編碼器－解碼器 Transformer：音訊會被轉換為對數梅爾頻譜圖，經過編碼器後再由解碼器輸出文字。

這種架構對清晰錄音效果出色，但有一個結構性限制：編碼器需要處理完整的音訊視窗，解碼器才能輸出任何內容。Whisper 預設的音訊視窗為 30 秒。在實際使用中，你需要先收集一段音訊，將其送入模型，再接收轉錄結果——字幕會在音訊片段結束後才出現，而不是逐字即時顯示。

faster-whisper 等第三方適配器透過縮短音訊區塊與最佳化推論後端，可以將延遲壓縮到約 1 至 2 秒（使用小型模型與 GPU 時）。但要讓 Whisper 實現低於 500 毫秒的字幕顯示，在實務上幾乎不可能，除非大幅犧牲準確率。

Soniox：原生串流設計，而非後期改造

Soniox 是一個專為串流設計的商業即時語音轉錄 API。它透過 WebSocket 連線接收音訊，並在語音到達時即時回傳部分辨識詞語——句子還沒說完，字幕就已經出現。當說話者說「會議時間訂在週五——」時，Soniox 在句子完成前就已輸出「會議」、「時間」、「訂在」等詞語，並隨著上下文補充進行修正與最終確認。

即時延遲——架構決定差距

不同方案下「即時」的實際含義：

• Whisper 預設模式（30 秒視窗）：延遲 5 至 30 秒。模型會等待完整音訊區塊後才輸出內容。
• faster-whisper 小型模型 + GPU：約 1 至 2 秒。有所改善，但仍是批次處理模式。你看到的是已經說過的內容，而不是正在說的內容。
• Soniox WebSocket 串流：部分結果快到足以支撐對話級字幕體驗，MirrorCaption 的端到端翻譯字幕仍維持在 500 毫秒以內。

這 1 至 3 秒的差距，就是閱讀紀錄與真正對話之間的差別。MirrorCaption 在 Soniox 串流的基礎上加入了 GPT 翻譯——從語音到翻譯字幕的端到端時間仍低於 500 毫秒，體驗更接近同步口譯，而不是一般字幕。

部署與設定

Whisper 的模型權重免費開放（Apache 2.0 授權），但執行需要 Python 3.8+、ffmpeg 以及相關相依套件。large-v3 需要約 10GB 顯示記憶體。若要即時使用，還需要音訊分塊邏輯、向瀏覽器傳輸音訊的 WebSocket 伺服器，以及 faster-whisper 等串流適配器。

Soniox 是純 API 服務。透過 API 金鑰驗證後，建立到 wss://stt-rt.soniox.com/transcribe-websocket 的 WebSocket 連線，傳送音訊幀並接收轉錄結果。無需本機模型，也無需 GPU。開發者可以在一個下午完成整合。

對非開發者使用者來說，Soniox 本身並不能直接使用，它是一個開發者 API。MirrorCaption 與 OpenAI Whisper 的比較涵蓋了這一層面：MirrorCaption 將 Soniox 的串流功能封裝成瀏覽器應用，讓使用者無需任何設定即可獲得低於 500 毫秒的即時字幕。如果你在尋找無需寫程式的 Whisper 替代方案，可參閱無需寫程式的 Whisper 替代工具。

定價：「開源」不等於免費

Whisper 自架（每月 100 小時即時會議）：100 小時 = 6000 分鐘的持續推論。執行 large-v3 並達到可用速度的中階 GPU 雲端伺服器（如 AWS g5.xlarge）每小時約需 1 至 2 美元。100 小時會議時間每月 GPU 成本約為 100 至 200 美元，還需加上建置與維護串流整合的工程時間。

OpenAI Whisper API（每月 100 小時）：6000 分鐘 × 0.006 美元 = 36 美元/月。託管端幾乎零設定，而且現在也支援即時轉錄；真正的差別在於，要把它做成低延遲、可直接用於會議的即時字幕產品，仍然需要更多工程整合。

MirrorCaption（每月 100 小時）：年繳方案 €29/年，含 100 小時（€0.29/小時）。終身版 €49 一次性付款，含 200 小時。

對於每月有 20 小時多語會議的團隊，MirrorCaption 年繳方案約合 €0.12/小時。自架 Whisper 的 GPU 成本是其 8 至 15 倍——還未計入建置與維護串流基礎設施的時間。

如何選擇

MirrorCaption 為何選擇 Soniox

MirrorCaption 基於 Soniox 串流 STT 建構，因為這正是即時會議場景所需要的。3 秒延遲在視訊會議中會嚴重破壞體驗——字幕在說話者已經轉到下一個話題後才出現，那不是字幕，而是延遲的紀錄。在 Soniox 串流的基礎上，MirrorCaption 加入了 GPT 翻譯與 AES-GCM 加密的臨時 API 金鑰，你的音訊會直接從瀏覽器串流到 Soniox，不會經過 MirrorCaption 的伺服器儲存。