DeepSeek 上线语音识别和语音合成 API：BibiGPT 当天接入，和 5 家实测对比

截至 2026 年 11 月 13 日，DeepSeek 在 API 里上线了一组工具接口，包括联网搜索、文件读取、OCR，以及这篇要讲的两个：语音转文字（ASR）和文字转语音（TTS）。BibiGPT 当天就把 DeepSeek TTS 接进了配音，并拿同一批音频和另外 5 家语音识别跑了一遍。

先说结论：DeepSeek ASR 中文准确率很高、速度快、价格便宜，但一次只收 120 秒、不给时间戳，适合语音输入，不适合直接做字幕。DeepSeek TTS 出声快、价格中等，只有两个音色。

完整数据、试听和 curl 示例放在 DeepSeek ASR / TTS 实测页，这里讲读数和取舍。

价格：ASR 便宜，TTS 中文要按两倍算

接口	牌价	限时半价	计费方式
语音识别 ASR	$0.116/小时	$0.058/小时	按秒计，不满 1 秒按 1 秒
语音合成 TTS	$0.45/万字符	$0.225/万字符	一个汉字记 2 字符，字母、数字、空格记 1

ASR 限时价折合约 ¥0.41/小时。比 ElevenLabs Scribe（$0.22/小时）便宜一半多，但比阶跃 StepAudio 2.5（¥0.15/小时）和通义 Qwen-Audio-3.1（实测约 ¥0.1/小时）贵。

TTS 要注意汉字按两倍计费：英文约 $22.5/百万字符，中文实际约 $45/百万字，和 Fish Audio 中文差不多，比 MiniMax Speech 2.8 HD（$100/百万字符）便宜一半多。

一句话： DeepSeek ASR 不是最便宜的，但在准确率前三里它最便宜。

价格出处：DeepSeek ASR 文档、DeepSeek TTS 文档。全部语音模型的横向价格见 语音模型价格对比。

准确率：中文第二，英文中游

我们从 Google 的 FLEURS 测试集里随机抽了 25 条普通话、25 条美式英语，共约 9 分钟，6 家用同一批文件各跑一遍：

引擎	中文字错率	英文词错率	单条延迟	时间戳
Grok Voice Transcribe 2.0	1.4%	5.3%	2.2 秒	有
DeepSeek ASR	1.9%	6.4%	1.2 秒	无
Gemini 3.5 Transcribe	2.2%	5.3%	4.3 秒	有
通义 Qwen3-ASR-Flash	2.3%	4.6%	0.8 秒	有
阶跃 StepFun ASR	3.9%	5.8%	0.8 秒	有
ElevenLabs Scribe v2	7.1%	6.4%	2.8 秒	有

数字越小越准。中文算字错率，英文算词错率，都去掉标点、统一大小写和繁简；音频先统一了响度。

DeepSeek 中文最稳。 它最差的一条字错率 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。

小声录音要先放大音量。 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%。同样情况下 Grok 更糟，直接返回空字符串。真实用的时候，先做一次音量归一。

品牌名会听错。 「BibiGPT」被写成「BB GPT」，而且没有热词参数能纠正。

实用规则： 先做一次音量归一，再把音频交给 DeepSeek ASR，否则小声的句首句尾会被吃掉。

限制：为什么它还不能直接做字幕

项目	ASR	TTS
格式	只收 16-bit PCM WAV 或 Ogg Opus，MP3 直接报错	wav 或 24 kHz pcm
长度	单个文件 ≤ 120 秒、≤ 8 MiB	单次 ≤ 10,000 计费字符
返回	只有整段文字和时长，没有时间戳、说话人	音频流
参数	没有语言、热词参数，自动识别 21 种语言	只有 Stella、Tide 两个音色，不能调语速

做字幕需要每一句的起止时间。DeepSeek ASR 只给整段文字，一小时的视频得先切成 30 段，再自己估每句话的时间，效果不如原生带时间戳的引擎。所以 BibiGPT 暂时没把 DeepSeek ASR 放进字幕引擎，长视频转写继续用「自动选择」。

它真正合适的场景是语音输入：说一段话、转成文字、发给 AI。约 1 秒返回、中文准确，这正是它的强项。

怎么选： 两分钟以内的语音输入用 DeepSeek；要字幕、要时间戳的长视频，用带时间戳的引擎。

还有一个坑：立体声文件只识别左声道，左声道没有声音时会返回空字符串而不报错。

DeepSeek TTS：1 秒出声，两个音色

我们用同一段中、英、日文案，让两个音色各合成一次：

• 首包 0.8–1.3 秒，合成速度约是实时的 5 倍，适合边生成边播放。
• 数字读得对：「2026 年 11 月」「0.06 美元」都按中文习惯读出。
• 支持普通话、粤语、英、日、韩等 10 种语言，按文本自动识别。
• 只有 Stella（女声） 和 Tide（男声），不能调情绪，也不能克隆声音。要更有表现力的配音，还是选 MiniMax 或 ElevenLabs。

实测页上可以直接试听我们合成的原始音频（中文、英文、日文、粤语各一段）。

在 BibiGPT 里怎么用 DeepSeek 配音

1. 打开任意一条视频总结、文章或 PDF，进入「图片小视频」或「文档解说」。
2. 在配音引擎里选 DeepSeek TTS，再选 Stella 或 Tide。
3. 生成。Pro 会员不用自己填 DeepSeek API Key。

为什么不直接调 DeepSeek API？

如果你是开发者，只想把一段话读出来，直接调 API 最省事，实测页上有现成的 curl 命令。

如果你要的是「把一个小时的视频、一篇长文变成一段带配音的短视频」，模型只是最后一步。前面还有抓取字幕、总结、改写成口播稿、配图、对齐时间轴这些活，BibiGPT 把它们串成了一条流水线。模型越来越多、越来越便宜之后，真正省时间的是把它们组合起来的那一层。

常见问题

DeepSeek 有语音识别和语音合成 API 吗？

有。2026 年 11 月上线，在 DeepSeek API 文档的 Tool APIs 下，叫 Speech to Text 和 Text to Speech，和对话模型用同一个 API Key。

DeepSeek ASR 准不准？

在我们的 FLEURS 测试里，中文字错率 1.9%，6 家里排第二，只比 Grok 差一点；英文词错率 6.4%，排在中游。详见 DeepSeek ASR / TTS 实测。

DeepSeek ASR 能给视频做字幕吗？

不太适合。它一次只收 120 秒以内的音频，也不返回时间戳。要做字幕，可以直接在 BibiGPT 里粘视频链接，用自动选择的转写引擎。

DeepSeek TTS 多少钱？

牌价 $0.45/万字符，限时半价 $0.225。一个汉字记 2 个字符，所以中文实际约 $45/百万字。

为什么用 BibiGPT 的 DeepSeek 配音，而不是直接调 DeepSeek API？

直接调 API 拿到的是一段音频文件。BibiGPT 里选 DeepSeek TTS，得到的是一条做好的短视频：从链接抓内容、总结、改写成口播稿、配图、按句对齐配音，一步完成，Pro 会员也不用自己管 API Key。