Soniox vs Whisper：
实时语音识别全面对比

Whisper 更适合对录音文件进行离线转录，尤其是英语音频。Soniox 专为实时流式传输而生——它通过 WebSocket 返回低延迟的部分识别结果。如果你需要字幕在说话人还未结束时就出现，Soniox 是更合适的架构选择。Whisper 现在也能接入实时转录流程，但要把它做成稳定的会议实时字幕体验，通常仍需要更多工程和调优。

两者的架构差异

Whisper：批处理优先的 Transformer 模型

OpenAI 于 2022 年 9 月发布了 Whisper，这是一个在 68 万小时多语言音频上训练的开源语音识别模型。其架构为编码器-解码器 Transformer：音频被转换为对数梅尔频谱图，通过编码器后由解码器输出文本。

这种架构对清晰录音效果出色，但有一个结构性限制：编码器需要处理完整的音频窗口，解码器才能输出任何内容。Whisper 默认的音频窗口为 30 秒。在实际使用中，你需要先收集一段音频，将其送入模型，再接收转录结果——字幕在音频片段结束后才会出现，而非逐字实时显示。

faster-whisper 等第三方适配器通过缩短音频块和优化推理后端，可以将延迟压缩到约 1 至 2 秒（使用小型模型和 GPU 时）。但 Whisper 实现低于 500 毫秒的字幕显示，在实践中几乎不可能做到，除非大幅牺牲准确率。

Soniox：原生流式设计，而非后期改造

Soniox 是一个专为流式传输设计的商业实时语音转录 API。它通过 WebSocket 连接接收音频，并在语音到达时实时返回部分识别词语——句子还未说完，字幕已经出现。当说话人说"会议时间定在周五——"时，Soniox 在句子完成前已输出"会议"、"时间"、"定在"等词语，并随着上下文补充进行修正和最终确认。

实时延迟——架构决定差距

不同方案下"实时"的实际含义：

• Whisper 默认模式（30 秒窗口）：延迟 5 至 30 秒。模型等待完整音频块后才输出内容。
• faster-whisper 小型模型 + GPU：约 1 至 2 秒。有所改善，但仍是批处理模式。你看到的是已说过的内容，而非正在说的内容。
• Soniox WebSocket 流式：部分结果快到足以支撑对话级字幕体验，MirrorCaption 的端到端翻译字幕仍保持在 500 毫秒以内。

这 1 至 3 秒的差距，是阅读记录与真正对话之间的区别。MirrorCaption 在 Soniox 流式传输的基础上增加了 GPT 翻译——语音到翻译字幕的端到端时间仍低于 500 毫秒，体验接近同声传译，而非普通字幕。

部署与配置

Whisper 的模型权重免费开放（Apache 2.0 协议），但运行需要 Python 3.8+、ffmpeg 以及相关依赖库。large-v3 需要约 10GB 显存。如需实时使用，还需要音频分块逻辑、向浏览器传输音频的 WebSocket 服务器，以及 faster-whisper 等流式适配器。

Soniox 是纯 API 服务。通过 API 密钥认证后，建立到 wss://stt-rt.soniox.com/transcribe-websocket 的 WebSocket 连接，发送音频帧并接收转录结果。无需本地模型，无需 GPU。开发者可以在一个下午完成集成。

对于非开发者用户，Soniox 本身并不直接可用，它是一个开发者 API。MirrorCaption 与 OpenAI Whisper 的对比涵盖了这一层面：MirrorCaption 将 Soniox 的流式功能封装为浏览器应用，让用户无需任何配置即可获得低于 500 毫秒的实时字幕。如果你在寻找无需编程的 Whisper 替代方案，可参阅无需编程的 Whisper 替代工具。

定价："开源"不等于免费

Whisper 自托管（每月 100 小时实时会议）：100 小时 = 6000 分钟的持续推理。运行 large-v3 达到可用速度的中端 GPU 云服务器（如 AWS g5.xlarge）每小时约需 1 至 2 美元。100 小时会议时间每月 GPU 成本约为 100 至 200 美元，还需加上构建和维护流式集成的工程时间。

OpenAI Whisper API（每月 100 小时）：6000 分钟 × 0.006 美元 = 36 美元/月。托管侧几乎零配置，而且现在也支持实时转录；真正的差别在于，要把它做成低延迟、可直接用于会议的实时字幕产品，仍然需要更多工程集成。

MirrorCaption（每月 100 小时）：年付方案 €29/年，含 100 小时（€0.29/小时）。终身版 €49 一次性付款，含 200 小时。

对于每月有 20 小时多语言会议的团队，MirrorCaption 年付方案约合 €0.12/小时。自托管 Whisper 的 GPU 成本是其 8 至 15 倍——还未计算构建和维护流式基础设施的时间。

如何选择

MirrorCaption 为何选择 Soniox

MirrorCaption 基于 Soniox 流式 STT 构建，因为这正是实时会议场景所需要的。3 秒延迟在在线会议中是破坏性体验——字幕在说话人已转入下一个话题后才出现，不是字幕，而是延迟的记录。在 Soniox 流式传输的基础上，MirrorCaption 增加了 GPT 翻译和 AES-GCM 加密临时 API 密钥，你的音频直接从浏览器流向 Soniox，不经过 MirrorCaption 的服务器存储。