2026 商用 ASR 语音识别全景选型：国内外 13 款产品横评，中文/英文/方言/小语种全覆盖
做语音识别选型这件事，2026 年比以往任何时候都复杂——不是因为选择少，而是选择太多了。
两年前，企业上 ASR 基本就两条路：海外大厂云服务或科大讯飞。现在呢？阿里通义实验室的 FunASR 工具链配合开源的 SenseVoice、Fun-ASR-Nano 等模型快速崛起，在中文长音频 benchmark 上 CER 做到 8% 左右，而同一测试条件下 Whisper large-v3 约 20%（FunASR 官方 184 条真实长音频评测数据）。当然，Whisper 在标准安静短句上表现会好很多（8-12% 区间），但真实业务里的音频往往不是理想条件。与此同时，小红书的 FireRedASR、小米的 MiMo-V2.5-ASR 也相继开源，价格战把 API 成本压到了每分钟不到 4 分钱人民币。
这篇文章会从中文普通话、英文、方言、小语种、价格、部署模式六个维度，系统对比国内外 13 款主流 ASR 产品，帮你在这个选项过剩的市场里找到最适合自己业务的那一个。
一、入围选手：13 款 ASR 产品概览
本次横评覆盖三大阵营：
海外商用 API（7 款）
- OpenAI Whisper API
- Google Cloud Speech-to-Text（Chirp 2）
- Microsoft Azure Speech Services
- AWS Amazon Transcribe
- Deepgram Nova-3
- AssemblyAI（Universal-2 / Universal-3.5 Pro）
- ElevenLabs Scribe v2 / Scribe v2 Realtime
国内商用 API（4 款）
- 阿里云百炼 Fun-ASR 大模型 / Qwen3-ASR
- 腾讯云语音识别
- 百度智能云语音识别
- 科大讯飞开放平台
开源可自部署（2 款）
- 通义实验室开源系列（Fun-ASR-Nano / SenseVoice / Paraformer，配合 FunASR 工具链）
- FireRedASR（小红书开源）
说明：FunASR 是通义实验室开源的语音识别工具链（含 VAD、标点、说话人分离等，github.com/modelscope/FunASR），当前版本 1.3.x；真正开源的模型权重是
Fun-ASR-Nano-2512（800M）、Fun-ASR-MLT-Nano-2512（800M，31语言）、SenseVoice-Small、Paraformer等，均为 Apache-2.0。而阿里云百炼上的 Fun-ASR 大模型（如 fun-asr-realtime 系列快照）是商用 API，不提供开源权重，两者不要混淆。
选择标准：2026 年仍在活跃迭代、有公开文档和定价、面向企业级场景提供 API 或可部署方案。
二、中文普通话：国产 ASR 的主场优势
中文普通话识别是大多数国内企业的核心需求。在这个维度上，国产 ASR 已经形成碾压级优势。
准确率对比（CER，越低越好）
| 产品 | 中文 CER 参考 | 测试条件 |
|---|---|---|
| SenseVoice-Small（阿里） | 7.81% | 184条真实中文长音频（FunASR官方benchmark） |
| Qwen3-ASR-0.6B | 5-8% | 标准benchmark |
| FireRedASR（小红书） | SOTA级别 | 公开中文benchmark |
| Paraformer-Large（阿里） | 10.18% | 同上184条长音频 |
| 科大讯飞 | 5-8% | 安静环境普通话短句 |
| 腾讯云 ASR | 5-8% | 16kHz录音文件 |
| 百度语音识别 | 5-8% | 标准测试集 |
| OpenAI Whisper Large v3 | 8-12%（短句）/ 20%（长音频） | 标准短句 vs FunASR长音频测试 |
| Google Chirp 2 | 8-12% | 通用中文 |
| Azure Speech | 10-15% | 标准中文 |
⚠️ 关于 Whisper 中文 CER 的说明：Whisper large-v3 在 AISHELL 等标准短句数据集上 CER 约 8-12%；但 FunASR 官方在 184 条真实长音频（共 192 分钟）上测得其 CER 为 20.02%，Turbo 版为 21.71%。两者差距主要来自长音频场景下 Whisper 的幻觉问题（hallucination）和同音字混淆。实际业务中，Whisper 的中文表现很大程度取决于音频长度、噪声水平和领域词汇。
关键发现：
- 在长音频真实场景下，FunASR 系列（SenseVoice 7.81%、Paraformer 10.18%）明显优于 Whisper（20.02%），且推理速度快 10-12 倍
- 国内头部商用 ASR（讯飞、阿里、腾讯）在安静环境标准普通话下的中文识别率普遍在 92-95%+
- Qwen3-ASR-0.6B 以仅 0.6B 参数量实现了极低延迟（TTFT 92ms）和极高吞吐（并发128时1秒处理2000秒音频）
- Whisper 有微调版本（如 Belle-whisper-large-v3-zh）在 AISHELL-1 上可达到 CER 3% 以下，但这需要额外微调成本
选型建议：中文普通话场景，优先选国内厂商。如果追求极致性价比且有 GPU/CPU 资源，自部署开源的 Fun-ASR-Nano 或 SenseVoice-Small（配合 FunASR 工具链）是最优解。
三、英文识别：海外厂商仍有优势，但差距在收窄
英文 ASR 是海外厂商的传统强项，但国产模型正在快速追赶。
准确率对比（WER，越低越好）
| 产品 | 英文 WER 参考 | 说明 |
|---|---|---|
| ElevenLabs Scribe v2 | 3.1%（FLEURS，厂商自称） | 英文最强，Common Voice 5.5% |
| NVIDIA Canary-Qwen 2.5B | 5.63% | Open ASR Leaderboard均值 |
| AssemblyAI Universal-2 | 5-6% | 多场景实测 |
| Deepgram Nova-3 | 5-7% | 对话场景优化 |
| GLM-1.5B（智谱） | 7.03% | Open ASR Leaderboard |
| Whisper Large v3 | 7.4% | 标准benchmark |
| Google Chirp 2 | 6-8% | 通用英文 |
| Azure Speech | 6-8% | 标准模式 |
| AWS Transcribe | 7-9% | 通用英文 |
| Fun-ASR-Nano | 6-8%（Fleurs-en 5.78） | 英文非主攻但可用 |
| 科大讯飞 | 10-12% | 英文非主力 |
关键发现：
- 在英文场景，ElevenLabs Scribe v2 官方数据 FLEURS WER 低至 3.1%，AssemblyAI 和 Deepgram 也凭借专注优化保持领先（注：Scribe 数据多为厂商自评，实际以 POC 为准）
- Google Chirp 2 和 Azure 的英文能力稳定，适合已有云生态的企业
- 国产模型中，Fun-ASR-Nano 在 Fleurs-en 上 WER 已达 5.78%，英文可用性不错，Qwen3-ASR 也在补足多语言短板
- Whisper Large v3 Turbo 牺牲少量准确率（WER 7.75%）换取了 2-3x 速度提升
选型建议：纯英文场景，Deepgram Nova-3 的性价比最高（$0.0057/min起）；对准确率要求极致可选 AssemblyAI；如果中英混合，阿里 Fun-ASR 或 MiMo-V2.5-ASR 的 code-switching 能力更佳。
四、方言识别：从"听天书"到"听得懂"
方言识别曾是 ASR 的老大难问题。2026 年，这个领域出现了突破性进展。
方言覆盖度对比
| 产品 | 方言支持 | 代表方言 | 特色 |
|---|---|---|---|
| Fun-ASR（阿里，商用API+开源Nano） | 7大方言+26口音 | 吴语、粤语、闽语、客家、赣语、湘语、晋语 | 商用版方言CER下降56.2% |
| MiMo-V2.5-ASR（小米） | 广泛中文方言 | 粤语、川渝、吴语等 | 噪声+方言双抗 |
| 科大讯飞 | 23种方言 | 覆盖面最广 | 老牌积累 |
| 腾讯云 | 粤语、四川话等 | 主流方言 | 逐步扩展中 |
| 百度语音 | 粤语、四川话 | 主流方言 | 与百度地图联动 |
| Google Speech | 粤语（独立语言代码） | 有限 | 视为独立语言 |
| Azure Speech | 粤语 | 有限 | 需指定语言代码 |
| Whisper | 粤语（勉强） | 极有限 | 方言≈不支持 |
阿里 Fun-ASR 方言能力：
- 开源的 Fun-ASR-Nano 支持 7 大方言（吴、粤、闽、客家、赣、湘、晋）+ 26 个地区口音（河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西等）
- 商用大模型版本方言字错误率相比上一代下降 56.2%、古诗词识别准确率达 97%（据第三方评测）
- 远场高噪声场景（会议室、车载、工业现场）识别准确率提升至 93%
选型建议：方言场景是国产 ASR 的绝对主场。讯飞覆盖面最广（23种），阿里 Fun-ASR 方言准确率提升最大（且有开源 Nano 可自部署），小米 MiMo 在噪声+方言复合场景表现突出。海外 ASR 基本不具备方言能力。
五、小语种与多语言：覆盖广度 vs 单语深度
当业务涉及东南亚、中东、非洲等小语种市场时，语言覆盖度成为关键。
多语言覆盖度对比
| 产品 | 支持语言数 | 特色小语种 | 多语言切换 |
|---|---|---|---|
| ElevenLabs Scribe v2 | 90+ | 冷门语言（塞尔维亚/粤语/马拉雅拉姆等）表现突出 | 支持 |
| Google Speech V2 | 125+ | 覆盖面最广 | 自动语言检测 |
| Azure Speech | 100+ | 企业级多语言 | 支持 |
| AWS Transcribe | 100+ | 持续扩展 | 支持 |
| Whisper | 99 | 长尾语言 | 自动检测 |
| Fun-ASR-MLT-Nano | 31 | 东南亚+欧洲语言 | 自动检测 |
| Qwen3-ASR | 11（时间戳对齐） | 中英日韩等 | 支持 |
| Speechmatics | 50+ | 欧洲/中东语言 | 差异化定位 |
| Deepgram Flux | 36+ | 实时多语 | code-switching |
| AssemblyAI | 英文为主 | 有限 | — |
关键发现：
- Google 和 Azure 在语言覆盖广度上遥遥领先，适合全球化业务
- ElevenLabs Scribe v2 在多语言准确率上表现亮眼：官方称在 FLEURS 30 语言基准上取得低延迟模型最低 WER；更有独立第三方 code-switching（语码转换）基准论文显示其在中英、阿拉伯-英等 4 个语言对整体 WER 最低（13.2%）。对塞尔维亚语、粤语等传统"欠服务"语言改善尤其明显
- Whisper 支持 99 种语言，但长尾语言质量参差不齐
- 开源的 Fun-ASR-MLT-Nano（800M）支持 31 种语言，覆盖东/东南亚+欧洲语言，可本地部署
- Deepgram Flux 专为实时语音 Agent 设计，支持对话中的多语言切换
选型建议：追求多语言准确率（尤其含冷门语言或语码转换场景）优先试 ElevenLabs Scribe v2；需要极致语言覆盖广度选 Google 或 Azure；东南亚市场可以考虑 Fun-ASR-MLT-Nano 或 Whisper；如果只需中英日韩，国内厂商完全够用且成本更低。
六、价格与成本：一张表看清账
价格是选型中最敏感的因素之一。以下统一换算为"每小时音频"的识别成本：
商用 API 价格对比（每小时音频，2026年参考价）
| 产品 | 实时识别 | 批处理/录音 | 免费额度 |
|---|---|---|---|
| OpenAI Whisper API | — | $0.36/hr（~¥2.6） | 无 |
| Google Speech V2 | $0.24/hr起 | $0.24/hr起 | 60min/月 |
| Azure Speech | $1.00/hr（~¥7.2） | $0.36/hr（~¥2.6） | 5hr/月 |
| AWS Transcribe | $1.44/hr（~¥10.4） | $1.44/hr | 60min/月×12月 |
| Deepgram Nova-3 | $0.46/hr（~¥3.3） | $0.34/hr（~¥2.5） | $200 credit |
| AssemblyAI | — | $0.15/hr（Universal-2，~¥1.1）｜$0.21/hr（Universal-3.5 Pro） | 有免费额度 |
| ElevenLabs Scribe v2 | $0.28/hr起（Realtime，~¥2） | 批处理版按量计费 | 300min/月 |
| 阿里云百炼 ASR | ~¥1.5-3/hr | ~¥1-2/hr | 有免费额度 |
| 腾讯云 ASR | ~¥1.6-3.2/hr | ~¥1.2-2.4/hr | 有免费额度 |
| 百度语音识别 | ~¥2-4/hr | ~¥1.5-3/hr | 有免费额度 |
| 科大讯飞 | ~¥2-5/hr | ~¥1.5-3/hr | 体验版可用 |
注：国内厂商多采用阶梯定价（用量越大单价越低）+ 预付费包模式，实际大客户价格可能低于上表 30-50%。汇率按 $1≈¥7.2 估算。
自部署成本估算
| 方案 | 硬件需求 | 月运维成本 | 适合场景 |
|---|---|---|---|
| Fun-ASR-Nano CPU 部署（GGUF/llama.cpp） | 8核16G服务器 | ¥500-1000 | 中小量级（<500hr/月），量化后仅约484MB |
| Fun-ASR-Nano GPU 部署（vLLM） | 1×A10/T4 | ¥2000-4000 | 大量级+低延迟，RTFx 340x |
| Whisper Large v3 GPU | 1×A100 | ¥8000-15000 | 多语言大量级 |
Break-even 分析：行业共识是月音频处理量低于 10,000-15,000 小时时，使用云 API 更经济；超过该量级后自部署开源模型（Fun-ASR-Nano / SenseVoice / Whisper）更划算。
七、延迟与实时性：从"转写"到"对话"
随着语音 Agent 和实时翻译需求增长，延迟指标变得越来越重要。
| 产品 | 首字延迟（TTFT） | 实时因子（RTF） | 流式支持 |
|---|---|---|---|
| Qwen3-ASR-0.6B | 92ms | 极高吞吐 | ✅ WebSocket |
| Deepgram Nova-3 | <100ms | — | ✅ 专为voice agent |
| ElevenLabs Scribe v2 Realtime | ~150ms | — | ✅ 90+语言实时 |
| Fun-ASR-Nano / SenseVoice | <200ms | RTFx 170x（约为 Whisper 的 12 倍） | ✅ WebSocket |
| Azure Speech | 200-500ms | — | ✅ |
| Google Speech V2 | 200-500ms | — | ✅ |
| AWS Transcribe | 300-800ms | — | ✅ |
| Whisper API | 不支持流式 | — | ❌ 仅批处理 |
| AssemblyAI | 不支持实时 | — | ❌ 仅批处理 |
关键发现：
- Qwen3-ASR 的 92ms TTFT 是目前公开数据中最低的，适合语音对话场景
- SenseVoice-Small 实时因子高达 170x，约为 Whisper large-v3（13x）的 12 倍；即便在 CPU 上也能达到 17x，仍快过 Whisper 的 GPU 表现
- Whisper API 和 AssemblyAI 不支持流式，只能做文件转写，不适合实时对话
八、特殊场景能力对比
除了基础识别，企业还需要关注以下特殊场景能力：
噪声环境
- MiMo-V2.5-ASR：专门针对噪声环境优化，支持多说话人
- Fun-ASR：支持非人声智能过滤
- Azure/Google：有噪声适应模型，但需额外配置
说话人分离（Diarization）
- AssemblyAI：业界领先的说话人分离能力
- 腾讯云：支持多声道+说话人分离
- Azure：内置 diarization 能力
- Deepgram：支持但准确率中等
热词/领域适配
- 科大讯飞：热词权重可调，行业词库丰富
- 阿里 Fun-ASR：支持上下文增强（context bias）
- Azure：Custom Speech 支持自定义模型训练
- Google：Speech Adaptation 支持热词 boost
歌词识别
- FireRedASR：歌词识别能力突出（独特卖点）
- MiMo-V2.5-ASR：明确支持歌词转写
- 其他产品：基本不支持或效果极差
九、选型决策树
根据你的业务场景，按以下逻辑选择：
你的主要语言是什么？
├── 中文为主
│ ├── 需要方言 → 阿里 Fun-ASR / 讯飞
│ ├── 实时对话 → 阿里百炼（Qwen3-ASR）
│ ├── 大批量转写 → FunASR 自部署
│ └── 中英混合 → MiMo-V2.5-ASR / Fun-ASR
├── 英文为主
│ ├── 性价比优先 → Deepgram Nova-3
│ ├── 准确率优先 → AssemblyAI
│ └── 已有云生态 → Azure / Google / AWS
├── 多语言/小语种
│ ├── 多语言准确率优先 → ElevenLabs Scribe v2
│ ├── 100+语言覆盖 → Google Speech V2
│ ├── 东南亚市场 → Fun-ASR-MLT-Nano (31语言)
│ └── 全球化业务 → Azure + Google 组合
└── 特殊需求
├── 歌词识别 → FireRedASR
├── 超低延迟语音Agent → Deepgram / Qwen3-ASR
├── 说话人分离 → AssemblyAI / 腾讯云
└── 完全私有化 → FunASR / Whisper 自部署
十、2026 年 ASR 市场趋势
趋势一：大模型加持的端到端 ASR
Qwen3-ASR、GLM-1.5B 等模型证明，LLM 架构的端到端 ASR 可以在超小参数量（0.6B-1.5B）下实现极高准确率，这将彻底改变 ASR 的部署形态——未来手机端、IoT 设备都能跑高质量 ASR。
趋势二：中文 ASR 开源生态爆发
FunASR、FireRedASR、MiMo-V2.5-ASR 三大开源项目的集体涌现，意味着中文 ASR 的技术壁垒正在瓦解。中小企业不再需要依赖高价商用 API。
趋势三：ASR 成为语音 Agent 的基础设施
从单纯的"语音转文字"到"语音理解+对话"，ASR 正在成为语音 Agent 的前端入口。Deepgram Flux、Qwen3-ASR 的流式设计都指向这一方向。
趋势四：价格持续下探
2024 年主流 API 价格区间是 $0.01-$0.024/min，2026 年已降至 $0.004-$0.008/min，降幅超过 50%。国内厂商价格更低，预计 2027 年中文 ASR API 将趋近"白菜价"。
小结
2026 年的 ASR 市场，最大的变化是中文场景的选型逻辑已经彻底翻转——不再是"海外产品效果好但贵"的老格局，而是国产方案在中文、方言、性价比三个维度全面领先。
如果你只记住三个结论：
- 中文/方言场景：阿里 Fun-ASR 生态（云端API或开源自部署）是综合最优解
- 英文场景：Deepgram Nova-3 性价比最高，AssemblyAI 准确率最强
- 全球化多语言：ElevenLabs Scribe v2 多语言准确率突出，Google Speech V2 覆盖最广，Azure 企业集成最好
语音识别只是从 LLM 到 Agent 范式转变中的一环。当 ASR 足够快、足够准、足够便宜，真正的竞争将转向语音理解和多模态交互——那才是下一场战争。
免责声明
本文基于公开资料和厂商官方文档整理，价格和性能数据可能随产品迭代而变化。文中 CER/WER 数据来自各厂商公开 benchmark 或第三方评测，不同测试集和条件下结果可能存在差异。具体选型建议请结合自身业务场景进行 POC 验证。
参考来源
- FunASR vs Whisper: Real Chinese ASR Benchmark - FunASR 官方中文 benchmark 对比
- Fun-ASR - GitHub (QwenAudio) - Fun-ASR-Nano / MLT-Nano 开源模型与用法
- FunAudioLLM - Hugging Face - 通义实验室开源模型集合（Fun-ASR-Nano、SenseVoice、Paraformer 等）
- FunASR 工具链 - GitHub (modelscope) - FunASR 语音识别工具链
- Qwen3-ASR Technical Report - Qwen3-ASR 技术报告
- FireRedASR - GitHub - FireRedASR 开源项目
- MiMo-V2.5-ASR - Xiaomi - 小米 MiMo ASR 产品页
- Fun-ASR 1.5 方言识别介绍 - Fun-ASR 1.5 方言能力介绍
- Best Speech-to-Text APIs 2025 - Deepgram - Deepgram ASR 市场综述
- Azure Speech Services Pricing - Azure 语音服务定价讨论
- Deepgram Pricing - Deepgram 官方定价页
- AssemblyAI Pricing - AssemblyAI 官方定价页
- Introducing Scribe v2 - ElevenLabs - ElevenLabs Scribe v2 发布说明
- Scribe v2 Realtime - ElevenLabs - Scribe v2 Realtime 多语言基准与延迟
- Benchmarking Commercial ASR on Code-Switching Speech - arXiv - 第三方语码转换 ASR 基准（含 Scribe v2）
- 阿里云百炼语音识别文档 - 阿里云 ASR 产品文档
- 腾讯云语音识别计费概述 - 腾讯云 ASR 定价
- Top AI Speech Recognition Software 2026 - Forasoft - ASR 行业综述
- Chinese Speech Recognition with FunASR - FunASR 中文识别介绍