Chinda ASR Pro v2 转写录音，Chinda ASR Realtime 转写实时语音
Chinda ASR 现在是两款产品。Chinda ASR Pro v2 转写录音并标注每位说话人；Chinda ASR Realtime 在说话的同时把泰语语音写成文字。在 Korakot Chaovavanich 于 2026 年 11 月 9 日发布的第 3 轮泰语语音转文字比较中，25 个模型里 Pro v2 排名第 3，与第 1 名在统计上持平。Pro v2 免费至 2026 年 11 月 30 日，Realtime 上线期间免费。
两款产品
已有录音？用 Pro v2。需要在对方说话时就得到文字？用 Realtime。
| Chinda ASR Pro v2 | Chinda ASR Realtime | |
|---|---|---|
| 适用 | 录音：会议、通话、访谈、视频 | 实时语音：实时字幕、呼叫中心、语音输入 |
| 方式 | 每个文件一次 HTTPS 请求 | WebSocket 流 |
| 语言 | 泰语、英语、中文 | 泰语 |
| 说话人 | 每段均标注 | 不标注 |
| 时长 | 每个文件最长 8 小时、250 MB | 每个会话最长 4 小时 |
| 指定人名列表 | 支持，vocabulary | 暂不支持 |
| TVSpeech 570 条，字符错误率 | 7.28% | 12.95% |
| 价格 | 免费至 2026 年 11 月 30 日，之后每秒 0.003 IC | 上线期间免费 |
Pro v2 在 Korakot Chaovavanich 第 3 轮泰语 ASR 比较中的结果
Korakot Chaovavanich 用 GigaSpeech 2 中来自 YouTube 的真实泰语语音（新闻、vlog、访谈，均由人工转写）测试了 25 个模型，所有模型使用同一批片段。分数为字符错误率，越低越好，在参考文本与输出两侧统一写法后计算。他发布了主要模型的图表和全部 25 个模型的完整表格；本文排名取自完整表格。
Pro v2 排名第 3，在 300 条日常片段上字符错误率 4.6%。前七个模型都在第 1 名的 95% 置信区间内，他视为统计上持平，组内排序没有显著意义。在 300 条难度片段上，Pro v2 为 22%，与第 2 名相同。价格方面，同组其余六个模型中有四个每小时音频更便宜，其中一个为促销价；Pro v2 比第 2 名便宜 20%，约为第 1 名的十分之一。
他的脚注中有两条与 Pro v2 有关，我们在此一并说明。其一，Pro v2 使用了 GigaSpeech 2 的训练集，因此在这套测试上占优（†）。其二，iApp 在测试前拿到了测试片段清单，并告知他只用于最终核对（‡）。统一写法之前，Pro v2 的错误率为 6.0%，第 2 名为 5.4%；差别来自 อ่ะ、มั้ย、เค้า 和 ๆ 等书写习惯，而非听错。他的测试使用的是 2026 年 11 月 9 日晚间之前的 Pro v2；此后 Pro v2 把这些词写成标准拼写（อะ、ไหม、เขา），在 7,672 条 GigaSpeech 2 dev 片段上，统一写法前的错误率由 5.94% 降至 5.53%，统一写法后不变。
“日常”和“难度”为他的 300 条日常片段和 300 条难度片段在统一写法后的字符错误率；“统一前”为日常片段统一写法前的结果；“美元/小时”为每小时音频的价格。
与第 1 名统计上持平
| # | 模型 | 日常 | 难度 | 统一前 | 美元/小时 | 时间戳 |
|---|---|---|---|---|---|---|
| 1 | Gemini 3.1 Pro (Google) | 4.4% | 21% | 6.0% | $3.82 | 无 |
| 2 | Paxa STT Lite (Paxa Labs) | 4.6% | 22% | 5.4% | $0.50 | 词级 |
| 3 | iApp Chinda ASR Pro v2 † ‡ | 4.6% | 22% | 6.0% | $0.40 | 段级 |
| 4 | MAI-Transcribe-2 (Microsoft) | 4.7% | 21% | 7.0% | $0.11 | 词级 |
| 5 | Qwen 3.8 Omni Flash (Alibaba) | 5.0% | 23% | 6.1% | $0.12 | 无 |
| 6 | Scribe v2 (ElevenLabs) | 5.0% | 21% | 6.8% | $0.22 | 词级 |
| 7 | Gemini 3.8 Flash (Google) | 5.1% | 32%* | 6.5% | $0.32 | 无 |
第 8 至第 11 名
| # | 模型 | 日常 | 难度 | 统一前 | 美元/小时 | 时间戳 |
|---|---|---|---|---|---|---|
| 8 | MAI-Transcribe-1.5 (Microsoft) | 5.3% | 25% | 7.5% | $0.41 | 无 |
| 9 | Chirp 3 (Google) | 5.3% | 24% | 7.6% | $1.09 | 词级 |
| 10 | Gemini 3.5 Transcribe (Google) | 6.0% | 24% | 8.2% | $0.38 | 词级 |
| 11 | Soniox STT v6 (Soniox) | 6.6% | 27% | 8.6% | $0.10 | 词级 |
他图表中的其他模型
| # | 模型 | 日常 | 难度 | 统一前 | 美元/小时 | 时间戳 |
|---|---|---|---|---|---|---|
| 12 | gpt-transcribe (OpenAI) | 6.8% | 27%* | 8.8% | $0.27 | 无 |
| 13 | Typhoon Whisper Turbo (SCB 10X, open) † | 7.0% | – | 8.0% | 免费 | 段级 |
| 14 | Qwen3-ASR-1.7B (Alibaba, open) | 7.0% | 28% | 8.5% | $0.03 | 无 |
| 17 | Gemini 3.5 Flash-Lite (Google) | 7.9% | 32% | 10.0% | $0.08 | 无 |
| 24 | Whisper large-v3 (OpenAI, open) | 14.9% | 38% | 17.2% | $0.05 | 段级 |
| 25 | MaprangSTT (PyThaiNLP, open) | 29.8% | 66% | 29.9% | 免费 | 词级 |
- 统一写法： ๆ 写成重复的词，数字写成读法，อ่ะ 作 อะ，มั้ย 作 ไหม，เค้า 作 เขา，นึง 作 หนึ่ง，งี้ 作 นี้，เนี่ย 作 นี่，ฮะ 作 ครับ 等，并在参考文本和输出两侧删去语气词 เอ่อ、อ่า、อืม、อะ。
- 难度片段： 多数系统转错或结果不一致的片段，如短片段、笑声、多人同时说话、俚语和专有名词。
- † 使用了 GigaSpeech 2 训练集，在这套测试上占优。‡ 测试前拿到了测试片段清单。* 被用于挑选难度片段，因此该项 数字偏高。
- 价格： 通过 OpenRouter 或服务商自有 API 实际支付的价格；MAI-Transcribe-2 为年底前的促销价。免费指自行运行的开放模型。Pro v2 的 $0.40 是 2026 年 12 月 1 日起的价格，约每小时 13.5 泰铢，按秒计费。
- 时间戳： 按各服务商文档：词级、段级（一句话或一位说话人的一段）或无。
- 完整表格中另有 8 个模型未在本文列出（第 15、16 名及第 18 至 23 名）。他的汇总图表未列出 MAI-Transcribe-1.5，因为同一服务商有更好、更便宜且功能齐全的型号。
来源：Korakot Chaovavanich，《ASR ภาษาไทย ตัวไหนแม่นสุด? (พ.ย. 2026) · รอบ 3》（哪个泰语 ASR 最准？2026 年 11 月，第 3 轮），2026 年 11 月 9 日发布于他的 Facebook 主页。上表依据他的图表、完整表格及注释整理。Chinda ASR Realtime 不在本次测试之内。
Chinda ASR Pro v2：录音
Chinda ASR Pro v2 把录音转成文字，按说话人轮次分段，每段带时间戳。
- 准确率： 在 Common Voice 17.0 泰语测试集中句子不在训练数据里的 3,539 条片段上，字符正确率 97.94%；在 TVSpeech（来自视频的自然语音，术语密集）上字符错误率 7.28%。
- 说话人： 每段标注
SPEAKER_00、SPEAKER_01等，并带起止时间，每个文件最多 8 位说话人。 - 长录音： 每个文件最长 8 小时 音频、250 MB。一段 85 分钟的 MP3 通过 API 用时 9.3 分钟。
- 人名与术语： 在
vocabulary中发送预期出现的名称，最多 500 个。在 2,127 条 YouTube 片段上，提供列表时人名按给定写法写出的比例为 84%，不提供时为 72%。 - 泰语、英语和中文使用同一端点，通过
language_code选择。
Pro v2 免费至 2026 年 11 月 30 日。自 2026 年 12 月 1 日起，每秒音频 0.003 IC，按秒计费：每小时 10.8 IC，约 13.5 泰铢。同日起，Transcribe 月度套餐每月提供 18、70 或 320 小时音频，价格为 199、690 或 2,990 泰铢（不含增值税）。
Base 与 Pro 于 2026 年 11 月 15 日结束。自当日起，发往其端点的请求由 Pro v2 应答，按 Pro v2 的价格计费，请求和响应格式不变，无需修改代码。差异见泰语语音转文字页面。
Chinda ASR Realtime：实时语音
Chinda ASR Realtime 通过 WebSocket wss://api.iapp.co.th/v3/store/speech/speech-to-text/realtime-v2 接收泰语音频，并在音频到达时返回文字。
- 当前句子： 说话期间约每 0.7 秒一次。
- 完成的句子： 说话人停顿后中位 0.66 秒，90% 在 1 秒内。
- 准确率： 在 TVSpeech 上实时发送时字符错误率 12.95%，同一模型处理整段片段为 12.41%。Pro v2 在同一批片段上为 7.28%，因此录音请交给 Pro v2。
- 音频： 泰语语音，16 kHz 16 位单 声道 PCM，按说话速度发送，每个会话最长 4 小时。
Realtime 上线期间免费。旧版实时端点 /v3/store/speech/speech-to-text/realtime、/asrx 和 /v1/audio/stt/rt 现已运行于 Realtime，协议保持不变；新的集成请使用 realtime-v2。
试用
两个页面都为已登录用户提供试用：向 Pro v2 上传录音，或对着麦克风向 Realtime 说话。新账户赠送 50 个免费积分。咨询或大批量使用，请联系 sale@iapp.co.th 或 02-124-4041。