Deepgram vs AssemblyAI:访谈逐字稿要能回听核验,先选声道与语言路线
研究团队选转写 API,应先确认录音的声道结构、实际使用的语言模型和逐词时间信息。Deepgram 适合明确配置说话人分离版本与多语言转写;AssemblyAI 的轮次输出和带时间戳章节摘要值得评估,但语言回退与人工校订不能省略。
访谈转成一段通顺的文字,只完成了研究工作的第一步。团队还要知道谁说了哪句话、能否点击回听、校订后是否仍能找到原始录音。Deepgram 和 AssemblyAI 都能提供这类应用所需的转写数据;选择 API 时,应比较它们怎样进入审阅流程,而不是把厂商自己的准确率排名当成结论。
如果团队希望明确控制说话人分离版本,并在一个多语言转写模型里处理语言切换,Deepgram 值得优先试用;如果团队围绕访谈轮次组织审阅,并希望继续生成带时间戳的章节摘要,AssemblyAI 值得一起评估。两者都不能仅凭返回文字,就替团队建立校订记录和引用证据链。以下判断不是同一批录音的实测排名。
先保留声道,再判断谁在说话
假设一次访谈把研究员与受访者分别录在两个声道。此时应先保留这种分离信息,而不是先混成单声道再要求模型猜人。Deepgram 的 Multichannel 会独立转写各声道;AssemblyAI 的多声道转写也返回各轮次和各词的声道信息。
但声道不等于人。如果一个会议室麦克风所在的声道里有两位受访者,仍需要在该声道内区分说话人。AssemblyAI 允许同时启用 multichannel 与 speaker_labels,而且预期人数的上下限按每个声道计算,不能把整场访谈的人数范围原样套进去。反过来,立体声文件也不保证每侧只有一个人;采购前应检查录音软件实际导出的文件。
对于多人混在同一声道的录音,Deepgram 的说话人分离可用 diarize_model=v2 固定批处理分离器版本;latest 会随最新正式版本变化。旧的 diarize=true 仍指向 v1,且不能与 diarize_model 同时设置。需要在不同研究批次之间解释输出差异的团队,应记录这些配置,而不是照抄旧示例。
AssemblyAI 通过 speaker_labels 启用说话人分离,输出带说话人标签的 utterances。A、B 或数字标签本身不是经过核实的姓名。把标签映射到受访者身份,应保留人工确认步骤,尤其是插话和短回答。
可编辑的稿件,需要保留两种置信信息
Deepgram 的 Utterances提供分段及逐词起止时间,单位为秒;预录音说话人分离还返回 speaker_confidence。AssemblyAI 的说话人分离响应提供轮次与逐词起止时间,单位为毫秒,并可通过 speaker_options.include_speaker_confidence 请求说话人置信度。文本置信度与说话人置信度回答不同问题:词可能识别对了,却分给了错误的人。
因此,对接编辑器时建议统一时间单位,但保留原始响应。显示稿可修改错字、合并断句和替换人物标签;原始词序、时间区间、声道以及模型配置不要随之覆盖。比如受访者在 12.5 秒说了一句关键否定,另一套响应中相同位置可能写成 12500 毫秒。转换错误会让回听跳错位置,即使页面上的句子完全正确。
这也是两款 API 的共同实施成本:团队仍要保存录音与版本、标记谁修改了什么,并把研究报告中的引用链接到核验过的片段。选择时应让审阅者实际完成一次“纠错、回听、确认说话人、导出引用”,再衡量节省了多少人工工作。
“支持这种语言”还不够,要看实际落在哪个模型
Deepgram 当前的 Nova-3 multilingual通过 model=nova-3 与 language=multi 支持 55 种语言及对话中的语言切换。language_hint 只是提高预期语言的识别倾向,并不禁止其他受支持语言。对夹杂外语术语的访谈,这一点比强行假设全程单语更有用。
AssemblyAI 当前的模型说明把 Universal-3.5 Pro 列为预录音推荐模型,支持 18 种语言;该集合之外可回退至 Universal-2,使整体覆盖达到 99 种语言。因此,“平台支持 99 种语言”不能解释为“99 种语言都使用 Universal-3.5 Pro”。评估材料应记录请求配置及实际处理模型,不要把不同模型的稿件混成一个平均分。
如果项目涉及少数语言或频繁切换语言,先核对语言清单,再用同一批有授权的代表性片段比较。检查人名、专有名词、否定句和说话人切换处的校订量,比比较两个厂商各自宣布的第一名更接近研究团队的成本。
摘要放在核验之后,作为索引而不是引文
Deepgram 的内置摘要文档标为英语支持,并会跨所有声道生成一份摘要。AssemblyAI 的 Speech Understanding 摘要提供带时间戳的章节,当前标注为开放测试。前者适合已核验英语访谈的概览;后者值得用于长访谈的片段导航,但测试阶段的功能仍需验证具体项目中的表现。
无论选哪家,都不要把“受访者提到预算不足”这样的生成摘要直接当作原话。摘要指向片段,审阅者回听确认,再把核验后的逐字稿用于引用。若摘要基于尚未校订的转写产生,修正关键错字或说话人归属后,应重新检查相关摘要。
最终采购可以围绕一个小型验收集展开:包含分声道访谈、多人单声道访谈,以及项目真实使用的语言。Deepgram 的版本选择与多语言配置、AssemblyAI 的轮次数据与章节摘要,是两种值得比较的接入方式;真正决定保留哪一个的,应是同样的审阅任务完成后,哪个方案留下更少的错误归属和更少的人工修补。
内容说明:本文基于公开资料整理,仅供工具选型参考。产品功能、价格及相关政策可能随时调整,请以官方最新信息为准。