词错误率是每个语音转文本页面都拿来开头的数字，也是对你的语音智能体改变最小的那个数字。真正决定一段对话像不像人的，是一次轮次里的"话轮结束检测"那一段——系统判定你已经说完的那一刻——它比底下的转写延迟大出好几倍。你挑的其实是一个顺带做转写的话轮检测器。
概览
2026 年一支语音智能体团队真正会放进候选名单的四家，以及它们各自优化的那条轴。
| 厂商 | 流式模型 | 话轮检测 | 部署形态 |
|---|---|---|---|
| Deepgram | Flux（对话式 ASR）；通用流式用 Nova-3 | 内建于识别器——直接抛出话轮事件 | 云端，企业合约下另有自托管 |
| AssemblyAI | Universal Streaming（v3 socket 上的 universal-3-5-pro） |
语义加声学的端点判定，以静音法兜底 | 云端 |
| ElevenLabs | Scribe v2 Realtime | 不提供——语音活动检测由你自备 | 云端 |
| Speechmatics | Ursa 2，上面叠 Flow 语音智能体 API | 一个由你配置的静音阈值 | 云端与本地私有化 |
决定对话体验的那段延迟，不是价目页上的那段
厂商公布首个部分结果的延迟和到达最终结果的时间，因为那是识别器自身的属性。但两者都不是来电者感受到的东西。来电者感受到的，是自己说出最后一个音节，到听见对方回话的第一个音节之间的那道空档，而这道空档由四段串联组成。
第一段占了大头，而且是结构性地占大头。基于静音的端点判定必须等得足够久，才不至于把句中的一次停顿误当成一个说完的念头——Speechmatics 自家的指引建议，语音智能体场景可以先从 1.5 秒起步，要做到亚秒级定稿则必须刻意调优。与此同时，在 Hamming.ai 覆盖四百多万通生产通话的基准里，AssemblyAI 的 Universal-3 Pro Streaming 录得 307 毫秒的 P50 延迟，Deepgram Nova-3 是 516 毫秒。那 209 毫秒的差距是真实的——而它只有压在它上面那段端点等待的四分之一。
也就是说，一支为了省下 200 毫秒转写时间而换厂商、却仍留着一个 1.5 秒静音计时器的团队，优化掉的大约是问题的七分之一。语音智能体的延迟预算，胜负手在话轮边界上。
词错误率已接近尘埃落定，而剩下的错误不在你以为的地方
四家流式档位公布的英文 WER 都落在几个百分点的窄带里——Hamming.ai 那轮在生产通话音频上给出 AssemblyAI 8.14%、Deepgram Nova-3 9.87%，而独立的英文基准把 ElevenLabs Scribe 排在准确率榜前列。一两个点的 WER 大致是每一百个词错一个，而在语音智能体里，这些词大多是意图分类器根本不看的虚词。
真正能弄坏一个智能体的错误，集中在很窄的一类：专有名词、账号、药名、SKU、地址，以及任何被一个字母一个字母拼读出来的东西。这些正是会变成工具调用参数的 token，而错一位数字不是 1% 的质量回退——那是一笔转错的账。这四家都支持向自定义词表偏置，把那份词表配好，对实体准确率的提升，远大于换厂商对总体 WER 的提升。
用会产生工具调用的那些话术来搭你的评测集，而不是用泛泛的日常对话。一家总体差 1.5 个点、但在你产品的 SKU 列表上好 8 个点的厂商，就是更好的那一家，而没有任何公开排行榜会告诉你这一点。
多语种是准确率上唯一仍然差距明显的一条轴。ElevenLabs 称在 FLEURS 上跨 30 种语言达到 93.5% 的准确率，覆盖语种超过 90 种；而 Speechmatics 的口碑正是建立在 55 种语言的广度和语码转换上——来电者在同一句话里切换两种语言。如果你的用户会这么讲话，厂商之间的准确率差距就不再是一个可以四舍五入掉的小数了。
话轮检测才是真正的产品
各家把这个判断放在哪里
四家的差别是结构性的，不是一个调参常数。Deepgram 的 Flux 把话轮检测折进识别器本身，同时利用声学与语义信号，抛出 StartOfTurn、EagerEndOfTurn、TurnResumed 与 EndOfTurn 事件；厂商称话轮结束检测在 p95 下不超过 1.5 秒，且不需要单独的语音活动检测层。AssemblyAI 保留了两个部件的分离，但提供了把声学与语义特征结合、并以静音法兜底的智能端点判定，是务实的中间路线。ElevenLabs 优化的完全是另一件事——约 150 毫秒的首部分结果延迟，以及覆盖 90 多种语言的预测式流式输出——把话轮判断留给你自己的 VAD。Speechmatics 给你一个阈值，指望你自己去调。
后果是各家的调试面完全不同。用 Flux 时，一次抢话是一种模型行为，你通过"急切度"设置去影响它，却无法直接检视。用 AssemblyAI 或自带 VAD 的技术栈时，那是你的代码、你的阈值、你的日志——调对更慢，但凌晨三点更容易推敲明白。两者谈不上孰优孰劣；它们在不同的地方失败，而你该挑一种你招得到人去应付的失败。
没人做基准的那种失败
抢话太早和等得太久并不是对称的两种错误。多半秒的静音，读起来只是智能体略慢。打断一个正在想事的来电者则显得无礼，而且要赔上一整个恢复轮次——来电者重说一遍、智能体道个歉，于是你为了省下八百毫秒花掉了四秒。Deepgram 称 Flux 相对传统的 ASR 加 VAD 流水线把抢话减少了约 30%，这正是该测的东西，也正是几乎没有哪张对比表会报的东西。
插话打断是它的镜像，而且无论用哪家都是一份独立的工作量：察觉来电者开始盖住智能体说话、立刻停止合成，并搞清楚智能体已经把哪些话真的念出了口。这一切背后的状态机见话轮转换与插话打断。
价格是错的那条轴，账在这里
四家英文流式的挂牌价大致落在每音频小时 0.15 到 0.50 美元之间——AssemblyAI 在低端定价激进，Deepgram Nova-3 的英文流式贴近这个区间的上沿，ElevenLabs Scribe 视套餐落在两者之间。Speechmatics 的 Flow 语音智能体 API 按分钟计价，打包的东西不止转写，无法逐条对比。
现在把它放到一台语音智能体的其余部分旁边。一小时对话大概是双向各八千个口语词，再加上系统提示词、工具定义，以及每一轮都被重新发送一遍的全部对话记录——正是智能体成本控制里讲的那条平方曲线。文本转语音的计价通常与语音转文本相当或更高。在大多数部署里，识别器最终都是账单上最小的那一行。
把谈判的力气花在那些日后难改的合同条款上——数据驻留、留存期限、音频是否会被用于训练，以及究竟有没有本地私有化部署这个选项——而不是花在每小时单价上。这些条款才决定了当合规团队来审设计时，你还能不能留住这家厂商。见数据驻留与主权。
什么场景选谁
| 场景 | 选择 | 原因 |
|---|---|---|
| 实时电话智能体，以英文为主，延迟就是产品 | Deepgram Flux | 话轮检测在模型内部，于是轮次预算里最大的那一段成了厂商的问题，而不是你的问题。 |
| 语音智能体，外加对同一段音频做通话后分析 | AssemblyAI | 流式延迟与 WER 都有竞争力，而同一个账户后面还挂着最丰富的音频智能套件。 |
| 面向多语种的消费级产品，话轮逻辑你已经写好了 | ElevenLabs Scribe v2 Realtime | 语种覆盖最广、部分结果最快；而它不提供的那个 VAD，你本来就有。 |
| 受监管的部署、本地私有化，或大量语码转换 | Speechmatics | 本地私有化要么是硬要求要么不是，而一旦是，另外三家就直接出局。语码转换则是它长期的强项。 |
无论选谁，签约之前都拿你自己录下的通话把候选名单跑一遍。评估语音智能体这份手册讲了怎么搭测试台；简短版本是：你自己的一百通电话给这四家排出的次序，会和每一份公开基准都不一样，而付你钱的是你那一百通排出的次序。
常见问题
选语音转文本厂商时，词错误率是不是没用了？
不是没用，但在领先的几个流式模型之间已接近尘埃落定——总体 WER 差一两个点约等于每百词错一个，而在语音智能体里那大多是虚词。真正能预测工具调用对不对的，是人名、数字与 SKU 上的实体准确率，而这一项在各家之间的差距，远大于头条数字之间的差距。
什么是话轮结束检测，它为何主导了延迟？
它是"说话人已经说完"这个判断，串联在转写、模型推理和语音合成之前。基于静音的检测器必须等得足够久，才不至于把句中停顿误当成一个说完的念头，这就把它推到了数百毫秒到 1.5 秒的量级——通常是来电者所感知到的那道空档中最大的一段。
我能不能改用 Whisper 或某个开放权重模型？
做批量转写，往往可以。做实时智能体，差距不在准确率而在话轮转换：一个开放权重的识别器只给你一份转写文本，端点判定、插话打断与部分结果处理全留给你——而那恰恰是这项工程里贵的那部分，不是便宜的那部分。
语音转文本的选择会明显影响我的智能体成本吗？
很少会。英文流式的挂牌价集中在每音频小时约 0.15 到 0.50 美元，在一台语音智能体的账单上，通常是语言模型 token 与语音合成之外最小的那一行。请转而去优化合同条款和轮次延迟。
话轮检测该放在识别器里还是放在我的应用里？
如果你希望由厂商来扛最难的那段延迟问题，并且能接受用设置而不是用代码去调它，就放在识别器里。如果你需要检视并复现每一次话轮判断——比如在一条受监管的呼叫流程里，你必须解释智能体为什么打断了对方——就放在你的应用里。
延伸阅读
本站相关：
- 语音技术栈——ASR、模型与 TTS 如何拼在一起，以及各自能在哪里替换。
- 延迟预算——一次语音轮次的完整账目，逐项列出目标值。
- 话轮转换与插话打断——打断处理背后的那台状态机。
- 多语种语音智能体——语码转换、语种识别，以及每种语言各自会坏在哪里。
- 语音与实时智能体——概念层面的入门。
- ElevenLabs、Vapi、Retell 与 OpenAI GPT Realtime——这一层之上的平台层。