DeepSeek ASR 和 TTS 实测：价格、准确率、延迟

价格

• 语音识别：牌价 $0.116/小时，限时半价 $0.058/小时，按秒计，不满 1 秒按 1 秒。
• 语音合成：牌价 $0.45/万字符，限时半价 $0.225/万字符。一个汉字记 2 个字符，字母、数字、空格记 1 个。
• 折算：ASR 限时价约 ¥0.41/小时；TTS 中文实际约 $45/百万字，英文约 $22.5/百万字符。全部模型的横向价格见语音模型对比页。

语音识别（ASR）准确率实测

同一批 50 条音频（25 条普通话、25 条英语），六家各跑一遍。数字越小越准。

方法：Google FLEURS 测试集随机抽 25 条普通话、25 条美式英语（共约 9 分钟），转成 16 kHz 16-bit 单声道 WAV 并统一响度。中文算字错率（CER），英文算词错率（WER），都去掉标点、统一大小写和繁简。延迟是单条请求的中位数。

我们看到的

• 中文最稳：25 条里最差的一条字错率 12%，Grok 和通义最差的一条分别是 26%、21%。错的多是外国人名音译。
• 小声录音会丢字：FLEURS 里有十几条音量很低的录音，不做响度归一时 DeepSeek 英文会丢掉句首或句尾，词错率从 6.4% 升到 17.5%。真实场景里先做音量归一。
• 品牌名会听成别的：「BibiGPT」被写成「BB GPT」「DBBKGPT」，没有热词参数可以纠正。
• 粤语能认，但在我们试的一条里转成了普通话书面字，口语用字（嘅、哋）没有保留。
• 速度快：约 1 秒一条，和通义、阶跃一档，比 Grok、Gemini 快一倍以上。

语音合成（TTS）实测

同一段文案（中文 119 字、英文 292 字符、日文 83 字），两个音色各合成一次。

我们看到的

• 出声快：首包 0.8–1.3 秒，合成速度约为实时的 5 倍，适合边生成边播。
• 数字读得对：「2026 年 11 月」「0.06 美元」「第 12 个」都按中文习惯读出。英文里的 “$0.06” 读成 “zero point oh six dollars”。
• 只有 Stella（女）和 Tide（男）两个音色，不能调语速、情绪，也不能克隆声音。要情绪和音色选择，用 MiniMax、ElevenLabs。
• 有内容审核：文本没过审会直接返回 400。

限制一览

在 BibiGPT 里怎么用

• 图片小视频、文档解说配音：在配音引擎里选「DeepSeek TTS」，Pro 会员不用自己填 Key。
• 长视频字幕仍建议用自动选择：DeepSeek ASR 没有时间戳、单条 120 秒，BibiGPT 暂未把它放进字幕引擎。

直接调 API

两个接口都用平台的 DeepSeek API Key，跟对话模型同一把。 ASR docs · TTS docs

curl https://api.deepseek.com/v1/tools/asr \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -F file="@speech.wav"
# → {"request_id":"…","text":"…","duration_ms":3200}

# MP3 / M4A 先转成 16 kHz 单声道 WAV，切成 ≤120 秒一段
ffmpeg -i in.mp3 -ac 1 -ar 16000 -sample_fmt s16 \
  -f segment -segment_time 110 part_%03d.wav

curl https://api.deepseek.com/v1/tools/tts \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text":"你好，DeepSeek。","voice_id":"tide","format":"wav"}' \
  --output speech.wav