结论：分界线画在语音是不是主链路
语音场景选型，先别打开参数表。问一句：语音是这条链路的主体，还是入口？电话客服、会议转写、实时字幕，语音就是产品本身，识别和合成的质量决定体验下限，讯飞星火在这条线上积累更久；语音点单、语音填单、语音指令，说完之后要查资料、调接口，后面的理解与编排决定上限，智谱清言更合适。
这条线按失败代价划：语音层出错，用户当场听出来；理解层出错，还能靠追问兜回来。谁错得更致命，预算就压在谁身上。
三层拆开，别混着比
语音能力分三层：识别把声音转成字，合成把字转成声音，对话负责听完就答、随时被打断。三层难度和验收标准完全不同，混在一起比，结论只能是各有优势，等于没选。
一个场景通常只卡一层。会议记录卡识别，有声内容卡合成，语音陪伴卡对话。先找出自己卡的那一层，再把测试预算压上去。
判据一：识别与合成各看什么
识别不只看字错率。业务里的专有名词、人名、型号、金额，错一个就够让下游全错，所以要看实体错误率，不是整体字准率。方言、口音、中英混说、远场收音，这四项要分开测。
合成看自然度和稳定性：多音字会不会读错，数字和金额会不会念成逐位，长句的停顿是否合理。拿同一段文本让两家各念一遍，盲听打分，比看演示视频可靠。
常见误判：演示音频是录音棚里录的，你的场景是客服工位或车内。嘈杂环境的转写准确率怎么比讲的就是把测试条件拉回真实环境，这条原则对语音合成同样成立。
判据二：延迟预算与打断恢复
实时通话要压首字延迟，超过人的等待耐心，用户就开始抢话；会议转写能容忍几十秒滞后，换更高准确率；离线批处理可以隔夜出稿。预算定了，模型大小、是否流式、要不要端侧处理都跟着定。
比延迟更容易被忽略的是打断恢复。用户中途插话，系统要能停下、听完、接着答，还要记住打断前说到哪。演示里很少测，真实通话很常见。
还有一个隐性参数：静默检测。设得太敏感，用户思考两秒就被抢话；设得太迟钝，挂断前一直在等。这个值要按场景调，没有通用答案。
判据三：出口、并发与计费
语音能力最终要接进某个系统：工单、客户管理、知识库、硬件设备。看三件事：有没有开放接口、并发上限多少、能不能私有化。第三件对有数据要求的团队是硬门槛，要提前确认，别假设一定有。自部署和调 API 的取舍在这里同样适用。
计费要摊开算。语音按分钟计，文本按 token 计，一次交互的成本等于音频时长乘单价，加上文本处理，再加上失败重试的重复计费。长通话场景里，按分钟便宜的组合可能被重试率吃掉。
还有一笔账外成本：热词与方言包要人维护。业务词每季度在变，谁更新要事先定人。
按场景对照，再用真实音频验证
| 场景 | 先比哪一层 | 及格线怎么定 | 建议 |
|---|---|---|---|
| 实时语音客服 | 对话，兼顾识别 | 首字延迟可感知但不抢话，打断后能接上 | 星火，语音层调优空间更大 |
| 会议与课堂转写 | 识别 | 业务名词错误率低于可接受范围，带时间戳 | 星火，热词与说话人分离要能配 |
| 语音指令与填单 | 识别之后的意图与字段抽取 | 一句话能稳定拆成目标字段 | 智谱，重心放在编排与校验 |
| 有声内容播报 | 合成 | 多音字与数字不出错，长句停顿自然 | 按盲听结果定，别只看音色 |
| 语音问答接知识库 | 识别加检索 | 错一个字，检索结果不跑偏 | 智谱，检索与兜底更好控 |
表只给方向，最后一关还是实测。准备三十条音频，覆盖三种口音、两类噪声、十个业务专有名词，每条不超过一分钟。两家跑同一批，只记四个数：字错率、专有名词错误数、时间戳偏移、断句错误。语音问答接知识库还要多测一步：识别错一个字，检索会不会跑偏，和微调与检索增强怎么选是同一类取舍。
合成侧准备二十句，专挑多音字、金额、中英混读、长句。对话侧做三个动作：中途打断、沉默三秒、连续追问。记录表字段要统一，否则结果没法并排看。
只记一句：语音质量决定下限，后面的处理决定上限。下限不达标，换星火；下限够了而上限不够，换智谱。两头要求都高，才值得拆开用——前端识别走一家，后端理解走另一家，中间用文本衔接。
它做不到什么
强噪声和多人重叠说话，两家都会明显掉点。会议室里三个人同时开口，转写出来常常是一团。这类现场先改收音：指向性麦克风、每人一个声道，比换模型有效。
方言覆盖不均衡。常见方言表现尚可，小众方言和口音重的普通话会掉得很快，选型前必须用本地音频测，不能只看支持列表。
专业术语密集的场景，热词表能补一部分，补不全。设备型号、药名、条款编号这类词，仍要人工校对。它也不会主动告诉你哪个词可能错了，只会给出一个看着通顺的错句。
情感与语气判断有限。它能识别音量和大致的情绪倾向，识别不了反讽和压着的火气。客服质检里这一类不能整段交给机器，抽检可以，定性不行。
语音选型速查
- 语音是主体看下限，语音是入口看上限
- 识别测实体错误率，合成盲听，对话测打断
- 延迟、并发、私有化三件事提前确认
- 成本按「音频分钟 + 文本 token + 重试」一起算
- 三十条本地音频，比任何演示都准
试完还该补问的三个问题
能不能只选一家，不做组合？多数场景可以。语音是主体而后端处理简单，单用星火；语音只是入口，单用智谱，识别用它的通用语音入口，够用即止。组合的代价是多一套接口和一份对账，两头要求都高才划算。
按分钟还是按次更省？看通话时长分布。大量十几秒的短交互，按次或套餐更稳；长通话按分钟更透明。先统计自己的时长分布，再谈单价。
换一家要改多少东西？看有没有把语音层封成独立接口。识别、合成、对话分成三个接口，换一家只改一层；全塞在一个开发包里，迁移等于重写。这一条在选型时比价格更值得问。
