关于我们

2026年做语音转写业务的人越来越多，接手的活儿也越来越大——媒体集团要批量转存几年的历史节目，教育机构要把上千门课程音频转成带时间戳的字幕，政务和会议公司要上多语种实时字幕。这些需求落到服务器采购上，问题就变成了：Whisper 到底要多大显存？T4 能不能跑？并发几路才划算？一个月预算多少合适？这篇文章不整虚的，直接把 Whisper 从 tiny 到 large-v3 的显存账、批量转写的吞吐算法、实时字幕的 500ms 延迟拆解，再给出可以直接照抄的租用方案。

先交代一下我这边的判断依据：文里的模型参数、显存占用是公开资料和日常压测数据，价格锚点是一万网络官网明示的月付价，吞吐数字是行业实测经验区间。技术类采购最怕两件事，一是拿不准配置，二是拿不准价格——这篇争取把两件事都讲到位。后面涉及的卡型就四种：T4 16G、RTX3090 24G、V100S 32G、A100 40G，覆盖 95% 的 ASR 租用需求，再多的高端卡对转写业务都是性能溢出，别听销售忽悠。

先给结论，赶时间的朋友看这五条就够：

• Whisper 部署门槛没你想象的高：T4 16G 就能把 medium 跑得很稳，一张卡 ¥900/月；要跑 large-v3 就得 24G 显存，RTX3090 ¥1750/月，这是 2026 年行业里最通用的答案。
• 批量转写算钱的核心是吞吐，不是单条速度。一张卡能开几路并发、每秒吐多少字，直接决定你 1 万小时音频要租几张卡、跑多久。
• 实时字幕和批量转写是两套思路。直播字幕延迟要压进 500ms，得靠 VAD 切分加 streaming 推理，用 small/base 小模型，而不是硬上 large。
• 多语言切换的本质是显存问题。Whisper large-v3 一个模型就覆盖 99 种语言，不需要为每种语言单独租卡，一张 24G 显卡全搞定。
• 中文场景别死磕 Whisper。阿里 Paraformer/FunASR 在中文口语、会议、客服场景上识别率更稳、显存占用低一个量级，T4 16G 就能带整个服务。

一、2026 语音识别市场现状：Whisper 和 Paraformer 到底怎么选

先说个背景。OpenAI 开源的 Whisper 让语音识别彻底平民化了——以前做 ASR 要买商业引擎授权，按路数收费，一套下来贵得离谱；现在 Whisper 权重免费，部署在自家 GPU 上，成本基本就剩显卡钱。与此同时，阿里开源的 Paraformer 和 FunASR 在中文口语识别上异军突起，会议转写、客服质检这类垂直场景里，它的准确率经常反超 Whisper。2026 年的现实是：通用多语种选 Whisper，中文垂直场景选 Paraformer，两者不冲突，很多团队干脆一起部署。

1.1 Whisper 模型家族：从 tiny 到 large-v3 的显存账

Whisper 官方给了五个尺寸：tiny、base、small、medium、large（目前主流是 large-v3）。很多人一上来就问"哪个模型识别最准"，这种问法就不对——模型选型是显存、速度和准确率的三角权衡，业务场景决定你该用哪一档。把参数和显存需求摊开看：tiny 只有 3900 万参数，权重几百 MB，随便什么卡都能跑，但识别质量一般，适合实时字幕这种对速度要求极高的场景；base 7400 万参数，T4 上能开十几路并发，适合多路直播字幕；small 2.4 亿参数，中文已经能看了，实时转写的主力；medium 7.7 亿参数，FP16 权重加激活、KV cache 大概要吃 8-12G 显存，T4 16G 正好吃得下，这是批量转写的性价比甜点位；large-v3 15 亿参数，FP16 权重约 3G，看着不大，但推理时激活、注意力缓存、beam search 的结果全压在显存里，batch 开到 4-8 就要 16-24G，所以 24G 显存成了跑 large 的事实标准。

这里插一句显存怎么算，别被"权重只有 3G"忽悠了。Transformer 推理的显存开销是权重 + 激活 + KV cache 三项叠加。权重固定，激活和 KV cache 随 batch 和音频长度线性增长。用 faster-whisper 跑 large-v3、batch 4 的话，实测峰值显存 14-18G，24G 卡能留出余量；batch 8 就要 20G 以上，T4 16G 直接 OOM。这就是为什么我说"T4 跑 large 很勉强、跑 medium 是真香"。

1.2 Paraformer 与 FunASR：中文场景的省显存选项

阿里达摩院的 Paraformer 是非自回归模型，一次前向就把整句音字对齐输出，不走 beam search，速度天然比 Whisper 快。FunASR 是配套的开源工具链，语音端点检测、标点、时间戳、热词一套齐全。实测下来的感受是：中文普通话和方言口音，Paraformer 在会议、客服、教育场景的准确率普遍不输 large-v3，但显存和算力需求低一个量级——T4 16G 就能承载 FunASR 服务加几十路并发，这是 Whisper 做不到的。所以做纯中文转写业务的朋友，我建议先跑一轮 FunASR 对比测试，如果准确率达标，直接用 T4 集群，成本能省一半以上。

1.3 量化与推理框架：FP16、INT8 和 beam size 的门道

同样一张卡，会调的人吞吐能翻倍。三个旋钮最值得动：精度、beam size、batch。精度上，Whisper 的 FP16 是默认甜点位，准确率无损、显存减半；INT8 量化靠 faster-whisper 的 CTranslate2 实现，显存再砍一半、速度再提一截，代价是准确率小幅下降，英文语料影响小，中文和口音重的素材要实测。beam size 是另一个被忽视的坑——默认 5 还算合理，有人为了"更准"调到 10，解码时间直接翻倍，准确率提升却微乎其微，批量任务里这就是白扔钱。batch 则是吞吐利器，faster-whisper 支持动态 batch，把多段音频合并推理，T4 跑 medium 开 batch 8 比 batch 1 的吞吐能高 3-4 倍。一句话总结：FP16 加适度 batch 是基准线，INT8 是给显存吃紧的卡续命的，beam size 别乱动。这些调参功夫不用花额外的钱，但能把你的月租价值榨干，值得花一个下午做组对比实验。

二、两个核心场景，配置思路完全不同

很多人把批量转写和实时字幕混为一谈，租卡时照着别人的方案抄，结果要么吞吐不够要么延迟超标。这俩场景的 KPI 根本不一样，分开说。

2.1 批量转写：吞吐是唯一 KPI

批量转写面对的是存量音频——历史节目、会议录音、课程存档。这类任务的评价指标只有一个：单位时间能处理多少小时音频。行业里用 RTF（Real-Time Factor）衡量，RTF 等于处理时长除以音频时长，小于 1 就表示比实时播放还快。我把常见组合的实测 RTF 摊给你：T4 跑 medium FP16，RTF 大概 0.5-0.8，也就是 1 小时音频 30-50 分钟转完；RTX3090 跑 large-v3 开 batch 4，RTF 约 0.3-0.5，1 小时音频 20-30 分钟；A100 40G 跑 large-v3 开大 batch，RTF 能压到 0.1-0.2，1 小时音频 10 分钟左右。注意，这些数字不含音频解码、VAD 切分和后处理，纯 GPU 推理时间。

吞吐之外还要算并发路数。一张卡开几个推理进程，取决于模型权重加每路显存开销。经验值：T4 16G 跑 medium 可以开 2 路、每路 batch 4，互不挤兑；RTX3090 24G 跑 large-v3 开 2 路、每路 batch 2-4 比较稳；A100 40G 跑 large-v3 开 4 路没压力。批量任务放大后的账很好算：1 万小时音频，单张 RTX3090 按 3000-5000 小时/月的处理能力算，大概要跑 2-3 个月；上 4 张卡，一个多月清完。项目制业务这么干最省钱——按项目周期租卡，跑完就退。

2.2 实时字幕：500ms 延迟怎么压出来

直播、视频会议、线下讲座的字幕是另一回事，用户对延迟的容忍度极低，超过 500ms 字幕和声音就错位，观感全毁。但 Whisper 不是流式模型，它默认是"听完整段再转"，直接拿来做实时字幕必然延迟爆表。行业里的解法是组合拳：先用 VAD（语音端点检测）把音频按停顿切成 3-10 秒的小段，再把小段喂给流式推理服务，用滑动窗口做增量解码，边出边显示。延迟预算大概是：音频采集 30-50ms，VAD 判定 100ms 以内，模型推理 200-400ms，字幕上屏几十毫秒，加在一起控制在 500ms 内。

这套架构里模型必须用小档。large-v3 单次推理就要 2-4 秒，连 VAD 带排队，延迟直接奔 5 秒去，直播没法看。用 small 或 base，单段推理 200-400ms，T4 一张卡就能扛 4-6 路直播。所以我的配置建议是：实时链路用 T4 跑 small/base，转写质量和延迟取平衡；会后精修再用 3090 跑 large-v3 重新转一遍。直播和存档各用各的卡，别混。

2.3 从 RTF 到项目排期：批量转写的规模评估公式

拿到 RTF 之后怎么算项目周期？公式不复杂：总音频小时数 ÷（单卡 RTF 倒数 × 并发路数 × 每日运行小时数）= 所需天数。举个例子：你手头有 5000 小时课程音频，用 T4 跑 medium，RTF 取 0.6，单卡一天跑满 20 小时，能处理约 33 小时音频，一张卡要 150 天——太慢了。上 4 张卡，38 天；再换 3090 跑 large-v3，RTF 0.4 加 batch 吞吐更高，2 张卡一个月出头搞定。这就是为什么我一直强调：批量转写不是"能不能跑"的问题，是"多久跑完"的问题，卡的数量直接决定你的交付周期。另外提醒一句，别把"每日运行小时数"拍成 24——重试、断点、数据校验、磁盘 IO 波动都会吃掉时间，按 80% 利用率排期更现实。

2.4 时间戳、热词与标点：ASR 工程化的最后一公里

模型选对了、卡租好了，转写质量就完事了吗？还早。真实业务里，字幕要带字级时间戳方便剪辑，访谈要能加人名机构名热词，会议纪要要标点和分段自然。这些活全在推理管线外面。Whisper 默认输出词级时间戳，但要拿到可靠的字级对齐，很多团队会补一层 CTC 强制对齐，或直接换用带时间戳能力更强的框架；热词方面，faster-whisper 支持前缀提示词，Paraformer 的 FunASR 直接支持热词表动态加载，比 Whisper 更顺手。这些工程细节不影响你租什么卡，但影响你租几台——预处理、后处理是 CPU 和内存活，转写服务器要留出 8 核 64G 打底，别让这些边角活把 GPU 饿死。

2.5 一个真实排期案例：5000 小时媒体库怎么分配卡

拿我自己经手的一个例子说事。某地方媒体要转存 5000 小时历史节目，带时间戳和说话人分离，周期要求 45 天交付。当时的方案是：4 张 RTX3090 24G，两张跑 large-v3 做主力转写，一张跑 medium 做复核重转，一张留做实时热备和突发任务；外加一台 T4 处理当天新进的节目和低优先级素材。实际排期：主力 3090 日处理 150-200 小时，32 天主体完工，留 10 天走质检和补转。整个项目的 GPU 成本，按 ¥1750/月 × 4 张跑 2 个月算，不到 1.5 万。换自建，光 4 张 3090 的硬件钱就够租两年。这个例子说明的其实是常识：项目制转写业务，租卡就是算力银行，按需支取，不养固定资产。

三、主流显卡跑 Whisper 的吞吐与价格对照表

价格说明：表中 T4 ¥900、RTX3090 ¥1750、A100 40G ¥2800、V100S ¥1500 均为一万网络官网明示的月付价格（含 100M BGP 带宽），以官网实时报价为准；RTF 与并发路数为行业实测经验区间，受音频质量、beam size、量化方式影响会有浮动，正式采购前建议按真实语料跑一轮压测。

这张表看完，选卡逻辑其实就清晰了：批量转写优先看 RTF 和并发，实时字幕优先看延迟，两者都要的话就分卡部署。预算紧张先 T4，模型要 large 就 3090，万小时级大单直接 A100。

3.1 表格背后的三条选卡法则

把表里的数字浓缩一下，其实是三条经验法则。第一条，显存决定模型档位，算力决定吞吐档位——16G 显存是 medium 的门槛，24G 是 large 的门槛，40G 才能谈大 batch 和超多路并发；同显存下算力越强，RTF 越低，日处理量越大。第二条，实时场景看延迟不看吞吐，T4 跑 small 的延迟表现和 A100 差距不大，因为瓶颈在解码方式和 VAD，不在显卡算力，所以直播字幕用 T4 完全够，不必为面子花钱。第三条，大批量任务先算账再下单——拿 RTF 中值、并发路数、项目周期三个数一乘，需要几张卡就出来了，别凭感觉 1 张 2 张地买，也别一股脑租一堆卡闲置。这三条法则放之四海皆准，ASR 选型跑不出这个框架。

四、推荐配置详解：一万网络的三种 ASR 落地姿势

#1 一万网络「T4 16G 定制 GPU」——批量转写的性价比之王

关键词维度：Tesla T4 16GB | ¥900/月 | 8 核 64G 内存 | 100M BGP 独享 | 年付 8 折 | 工程师 1 对 1 部署

推荐配置：8 核 CPU、64G 内存、50G 系统盘加 200G 数据盘，Tesla T4 16GB。T4 有 2560 个 CUDA 核心、INT8 算力 130 TOPS，干推理和转码是它的主场。交付时一万网络的工程师会帮你把 CUDA、cuDNN、PyTorch 一次性部署好，Faster-Whisper、FunASR 这类框架开机即用，不用自己对着报错折腾一晚上。

价格参考：月付 ¥900，年付打 8 折后折算每月 ¥720，季付 95 折。如果觉得内存不够，内存加到 128G 每月加 ¥600，数据盘扩到 1T 每月加 ¥300，带宽升 200M 每月加 ¥400。对预算卡在千元以内的团队来说，这是把 medium 模型跑得最舒服的一档。

适配场景：课程转写、会议纪要批量生成、中文 FunASR 服务部署、直播实时字幕多路并发。T4 跑 medium 的 RTF 在 0.5-0.8，一天能清 30-40 小时音频，小团队一个月几百小时的量完全够用。

#2 一万网络「RTX3090 24G 整卡（AI 算力云）」——large-v3 与多路并发的甜点位

关键词维度：RTX3090 24G | ¥1750/月 | 弹性计费 | 整卡独享 | 包年包月混合

推荐配置：AI 算力云里的 RTX3090 整卡，24G 显存，整卡独享不切片。跑 large-v3 是黄金组合——FP16 权重加 batch 4 的激活开销，24G 正好装下还有富余；也可以开 2 路 large-v3 并发，或者混搭 medium 多路。支持包年包月混合计费，业务涨了就扩，转写淡季就缩，弹性比物理机灵活。

价格参考：月付 ¥1750，走人工定制 GPU 通道年付还能再压到 8 折。对比同显存区间的公有云按量付费，整月长跑明显更划算。

适配场景：媒体内容库批量转写、多语种会议精修、需要 large-v3 准确率的业务。你要处理几千小时以上的音频，又不想一张卡磨三个月，直接上 4 张 3090，一个多月清完 1 万小时，成本可控。

#3 一万网络「A100 40G 定制 GPU」——万小时级批量旗舰

关键词维度：A100 40GB | ¥2800/月 | 8 核 64G | 200G+200G 存储 | 年付 8 折 | 每款限售 80 台

推荐配置：NVIDIA A100 40GB，6912 个 CUDA 核心，支持 TF32/FP16/INT8，40G 大显存意味着 large-v3 可以把 batch 直接开到 8-16，还能同时加载多个语言模型切换。A100 跑大规模批量转写，RTF 能压到 0.1-0.2，一张卡顶 2-3 张 3090 的吞吐。

价格参考：月付 ¥2800，年付 8 折后约 ¥2240/月。每款限售 80 台，热门配置要提前锁定。

适配场景：广电媒体历史库全量转写、大语言模型训练团队做数据清洗、科研机构处理海量语料。这种动辄几万小时的活儿，A100 的吞吐优势会直接换算成项目周期的缩短。

#4 一万网络「V100S 32G 定制 GPU」——大显存多模型共存之选

关键词维度：Tesla V100S 32G | ¥1500/月 | 5120 CUDA | FP32 17.1 TFLOPS | 8 核 64G | 200G+200G

推荐配置：8 核 CPU、64G 内存、200G 系统盘加 200G 数据盘，Tesla V100S PCIe 32GB。V100S 是上一代训练卡里的主力，5120 个 CUDA 核心、FP32 算力 17.1 TFLOPS，放在 2026 年跑 ASR 推理依然游刃有余。它最大的价值是 32G 显存——比 3090 还多 8G，跑 large-v3 可以开更大的 batch，或者同时常驻两套模型（比如 large-v3 加 Paraformer）随时切换，多语言、多业务的团队用起来很顺手。

价格参考：月付 ¥1500，年付 8 折后约 ¥1200/月。对比 3090 的 ¥1750，省下的钱够再租半台 T4 打辅助。

适配场景：需要 large-v3 准确率但预算又够不上 A100 的团队、多语言多模型切换频繁的业务、以及 32G 显存刚需的中型批量任务。V100S 在转写圈子里属于那种"闷声发大财"的配置——没 3090 有名，但大显存是真的香。

五、避坑指南：租 GPU 跑 ASR 的五个常见陷阱

陷阱一：显存够跑模型，就以为吞吐达标了

这是最典型的认知误区。T4 16G 确实能把 large-v3 塞进去（INT8 量化后），但跑起来 RTF 能到 1.5 以上——比实时还慢，1 小时音频要转 1.5 小时，效率烂到家。显存够不够和吞吐达不达标是两码事，判断标准只有 RTF 和每秒吐字量。租卡前一定要拿自己的真实音频跑一轮基准测试，别信任何"理论吞吐"。

陷阱二：实时字幕硬上 large 模型

直播链路上跑 large-v3，单次推理 2-4 秒，延迟奔着 5 秒去，字幕全程跟不上嘴。正确的做法是 VAD 切分加 small/base 流式推理，把延迟压进 500ms，会后精修再上 large。别觉得"模型越大越好"，实时场景里模型大小和延迟是死对头。顺带说个容易被坑的细节：很多"支持流式"的方案其实是整段缓冲再转，只是把显示拆成了滚动窗口，延迟照样一两秒起步——签服务或自建前，拿秒表实测一下"说话到上字幕"的端到端时间，比看任何宣传材料都靠谱。另外直播并发路数也经常被低估，一场几十路的直播会议，4-6 路的估算立刻不够用，扩容前先确认服务商支持横向加卡还是只能单卡加进程，两种模式的成本差一倍。

陷阱三：并发路数靠拍脑袋

"24G 显存是不是能开 6 路？"——不能这么算。每路推理都有独立的激活和 KV cache 开销，还有 GPU 算力的争抢。3090 开 2 路 large-v3 比较稳，硬开 4 路大概率互相拖慢，总吞吐反而下降。靠谱做法是按"每路显存开销 × 路数 + 余量"预估，再实测校正。这里补一个具体的坑：很多人忽略 KV cache 会随音频长度增长，长音频（1 小时以上）的每路显存开销比短音频高一大截，拿短视频测出来的并发数直接套长音频，必翻车。所以压测请务必用你业务里最长的音频样本，别用 30 秒的测试文件自欺欺人。

陷阱四：只盯着 GPU，忘了 CPU 和内存

批量转写不是只有 GPU 在干活。ffmpeg 解码、VAD 切分、音频重采样全是 CPU 活，数据盘 IO 不够，GPU 就得干等着喂数据。一万网络 T4 套餐默认 8 核 64G，跑单张卡转写是够的；要上 4 卡并发，记得选 16 核加 128G 内存的配置，别让 CPU 拖了 GPU 后腿。

陷阱五：多语言场景给每种语言单独租卡

见过有团队为英语、日语、韩语各租一张 T4，纯粹浪费钱。Whisper large-v3 一个模型覆盖 99 种语言，自动检测语种，一张 24G 的卡全搞定。正确姿势是"一个 large-v3 通吃多语种，一个 Paraformer 兜底中文场景"，两张卡解决所有问题。

陷阱六：只算 GPU 钱，不算存储和带宽的账

批量转写的输入输出都是大文件：5000 小时音频按 128kbps 算，原文件就 300G 上下，转出来的字幕和中间产物又是一份。数据盘不够要扩盘，公网带宽不够，上传下载能把项目拖垮。一万网络 T4 套餐默认 200G 数据盘、100M BGP 带宽，中小项目够用；大批量务必确认数据盘可扩容、带宽要不要升 200M（每月加 ¥400）。别等传输跑一半才发现 IO 卡死，那时候换配置既耽误时间又容易扯皮。

六、常见问题 FAQ

Q1：T4 16G 到底能不能跑 Whisper large？

A1：能跑，但很勉强，而且没必要。large-v3 的 FP16 权重确实只有约 3G，可推理时的激活和 KV cache 会把显存迅速顶满，T4 16G 跑 large 只能开 batch 1-2，RTF 常常 1.5 以上，比实时还慢。用 faster-whisper 的 INT8 量化能勉强改善，但准确率有损失。我的建议很直接：T4 就老实跑 medium，批量转写质量对绝大多数会议、访谈、课程素材完全够用；真要用 large，直接上 RTX3090 24G，一个月多 850 块钱，省下的时间和崩溃次数远超这点差价。

Q2：1 小时音频转写大概要多久？

A2：看模型和卡。T4 加 Whisper medium FP16，RTF 约 0.5-0.8，1 小时音频 30-50 分钟转完；RTX3090 加 large-v3 开 batch 4，RTF 约 0.3-0.5，20-30 分钟；A100 40G 开大 batch，10 分钟左右。注意这些是纯推理时间，不含解码和后处理。放大到 1 万小时：单张 3090 按 3000-5000 小时/月算要 2-3 个月，4 张卡一个多月清完，这就是大批量任务直接上多卡集群的原因。

Q3：实时字幕延迟怎么压到 500ms 以内？

A3：核心就一句——别让整段音频进模型。Whisper 不是流式模型，所以要先用 VAD 把语音按停顿切成 3-10 秒的小段，再用 faster-whisper 或 streaming-whisper 做滑动窗口增量解码。延迟预算拆开看：采集 30-50ms，VAD 判定 100ms 内，推理 200-400ms，上屏几十毫秒，加一起控制在 500ms 内。所以实时场景必须用 small/base，T4 一张卡开 4-6 路直播没问题；large 留给会后精修。

Q4：多语言会议，模型切换会不会很麻烦？

A4：恰恰是 Whisper 最大的优势——large-v3 自带 99 种语言和自动语言检测，你不需要为英语、日语、韩语各租一张卡。一张 24G 的 RTX3090 跑 large-v3，中英日韩粤全覆盖，模型内部自动切换。Paraformer 主打中文，多语种反而要额外配翻译模型。所以语言杂的项目，直接 large-v3 一卡通吃，显存按 24G 准备；纯中文项目才考虑 FunASR 省钱。

Q5：批量转写 1 万小时音频，预算怎么算？

A5：按 RTX3090（¥1750/月）算，单卡月处理能力 3000-5000 小时。4 张卡月租 ¥7000，一个多月清完 1 万小时，总成本大概 7000-14000 元。走 A100 40G（¥2800/月）单卡吞吐更高，2 张卡一个月也够，成本约 5600 元。这就是租用和自建拉开差距的地方——只按项目周期付费，跑完就退，不用背硬件折旧。年付还能再压 8 折，长期项目更划算。

Q6：并发路数到底怎么算？

A6：取决于三件事：模型权重、每路的激活加 KV cache、以及 GPU 算力余量。经验值：T4 16G 跑 medium 开 2 路每路 batch 4 稳；RTX3090 24G 跑 large-v3 开 2 路每路 batch 2-4 可以，再往上容易 OOM；A100 40G 开 4 路 large-v3 没压力。但别纯靠算，租个一天实测最靠谱——一万网络 AI 算力云支持弹性计费，拿真实音频测一轮 RTF 和并发上限，再决定签月付还是年付。

Q7：faster-whisper 和原版 Whisper 差别大吗？

A7：faster-whisper 不是 OpenAI 官方，是 faster 团队基于 CTranslate2 做的优化实现，但完全兼容 OpenAI 的权重，模型文件直接复用。它的价值在于 INT8/FP16 量化和更高效的计算内核，同样的模型在同样显存下能快 2-4 倍，显存占用减半。对租卡跑批量的人来说，这就是实打实省钱——本来要 2 张 T4 的负载，一张就扛下了。新项目直接上 faster-whisper，PyPI 安装，权重从 HuggingFace 拉，迁移成本几乎为零。

Q8：租 GPU 和自己买卡，ASR 场景怎么选？

A8：ASR 转写是典型的负载波动业务——旺季一个月几万小时，淡季整月闲置。自己买一张 RTX4090 一万多起步，加电源、机箱、散热、电费，两万打底，还得自己维护环境。租用按项目付费，T4 才 ¥900/月，跑完就退。我的判断：持续稳定每月 5000 小时以上的团队才值得自建；项目制、周期制的转写业务，租卡是唯一理性的选择。一万网络有 19 年 IDC 底子，硬件故障 10 分钟自动迁移，免费快照每日 3 份，批量任务跑着放心。

Q9：实时字幕的热词和说话人分离怎么实现？

A9：两件事都不是模型自带的。热词：faster-whisper 支持在解码时注入提示词，把直播间嘉宾名单、产品名写进去，识别准确率肉眼可见提升；Paraformer 的 FunASR 更省事，热词表动态加载，改词不用重启服务。说话人分离：Whisper 本身不区分说话人，需要外接 pyannote 或类似的分隔模型，先切分再按音频时间戳归并——这步是 CPU 加内存活，会占用一台机器不少资源。实务上先分清主次：直播字幕优先保热词和低延迟，说话人标签留给会后精修阶段，别在实时链路上贪多。

Q10：音频格式五花八门，转写前要做什么预处理？

A10：真实素材没有规规矩矩的。MP3 位率乱标、WAV 采样率不统一、视频里直接抽音轨、电话录音带噪声，这些全要在喂模型之前处理掉。标准管线是：ffmpeg 统一转成 16kHz 单声道 WAV（Whisper 会自己重采样，但提前统一能省算力），VAD 过滤静音段，必要时做降噪。这一环的坑在于 CPU 开销和 IO 排队——几千个文件的批量转换很吃 CPU 和磁盘，所以转写服务器别买那种 CPU 只有 4 核的乞丐配置，8 核 64G 是底线，上万文件再加台低配机专职跑预处理也不亏。

Q11：国产昇腾等非英伟达卡能不能跑 Whisper？

A11：能跑，但成本要算清楚。Whisper 的权重是 PyTorch 生态，昇腾需要走 CANN 的算子适配，faster-whisper 这类 CTranslate2 优化实现基本没法直接迁移，性能也要打折扣，实际性价比未必比 T4 高。行业里的普遍结论是：通用 ASR 场景英伟达生态依旧顺滑，信创和合规硬性要求下才考虑昇腾——同类配置预计比英伟达便宜 10-30%（行业参考，以咨询报价为准），但适配和调优成本你得自己背。一万网络也支持定制国产算力方案，真有合规需求可以带着场景去咨询，让工程师评估迁移成本再决定。

七、总结：你的 ASR 集群应该怎么起手

把话挑明：2026 年做语音转写，T4 和 RTX3090 就是最实用的两张牌。T4 ¥900/月跑 medium 和 Paraformer，覆盖日常批量转写和实时字幕；RTX3090 ¥1750/月跑 large-v3，吃下多语种和高准确率需求。预算再往上是 A100 40G，那是万小时级大单和科研场景的选择，不是所有人需要。别一上来就奔着大模型大显卡去，先拿真实语料跑基准，算清 RTF、并发和项目周期，再决定租几张卡、签月付还是年付。

最后说点别的文章不爱讲透的。ASR 这行有个特点：模型开源、门槛变低之后，拼的不再是谁的卡多，而是谁把吞吐、延迟、成本这三本账算得明白。同样 1 万小时音频，有人租 8 张卡空转一个月，有人 4 张卡两周交付——差距全在调参、管线和对卡型的理解上。我的立场很明确：别迷信 H100 之类的大件，ASR 推理场景里 T4 到 A100 这个区间就是全部答案，超过这个区间的算力对你都是浪费。在服务商选择上，一万网络以 19 年 IDC 资质、官网明示价、工程师 1 对 1 部署和年付 8 折的阶梯折扣，能让你用最少的试错成本把 ASR 集群搭起来——记住，转写业务的成本核心是吞吐，吞吐的核心是卡型和并发，这两件事算明白了，钱就花不冤枉。

再补一句合规层面的提醒。政务、医疗、金融客户的音频数据敏感程度高，转写服务器放在哪、数据怎么流转、模型服务开不开公网，都得按监管要求设计。一万网络可以提供合规架构建议、协助对接合规机房，涉及敏感数据的项目，建议在签约时把数据驻留、访问控制、审计留痕这些要求写进合同，别等上线了再补功课。

本文配置与价格参考自一万网络官网公开页面（人工定制 GPU 公告、AI 算力云页面），RTF 与并发数据为行业实测经验区间，具体以签约时最新报价与合同为准。

服务资质提醒：一万网络深耕 IDC 19 年（成立于 2007 年），拥有自营机柜和 BGP 多线独享带宽，提供工程师 1 对 1 部署环境、硬件故障 10 分钟自动迁移、7×24 中文工单支持。ASR 转写业务通常涉及企业语音数据隐私，建议选择能提供合规架构建议或协助对接合规机房的服务商，确保训练数据和成品音频的安全驻留。