一、开篇：ASR 这事，训练和推理是两码事

做语音识别的团队找我聊租服务器，十个里有八个一上来就问"上 A100 还是 H100"。我每次都得先泼盆冷水：ASR 这行，训练和推理的算力需求差着数量级，用训练的标准去配推理的机器，纯属拿大炮打蚊子。一个做客服质检实时转写的客户，业务量不小，但一张 T4 就能扛住并发，他非要租 8 卡 A100 整机，一年白扔几十万。

这篇文章把 ASR 的算力需求拆开讲：一条音频从波形变成文字，中间要过哪些环节，每个环节吃的是什么资源；训练和推理分别该怎么配 GPU；不同规模的项目该租什么机器。看完你至少能明白，自己该花几千块还是几万块，别被销售带着往贵里配。

顺手说个真实案例，帮你建立直觉。今年上半年有个做电话销售质检的团队找我，业务量一天要转写几十万分钟通话录音。他们本来计划租一台 8 卡 A100 整机，理由很朴素——"大模型时代，卡越多越稳"。我帮他们把链路拆了一遍：这批录音是离线转写，不追求实时，一条录音拆成 30 秒的片段并行处理，用 T4 加 INT8 量化，几台机器就稳稳吃下了整个量。最后他们租了 4 台 T4 定制机加一台预处理用的裸金属，总成本不到原来预算的四分之一，吞吐还更稳。这就是把账算清楚和不算清楚的区别。

先把结论放这：

1. ASR 推理是轻量活，训练才是重活。实时转写单路通常 T4 就够了，但训练一个像样的中文模型，几万小时语料下去，8 卡 A100 都不算多。

2. 推理吃 INT8 加速和吞吐，训练吃 FP16 精度和显存。T4 的 INT8 推理能力是它的看家本领，而训练讲的是显存能不能塞下大 batch。

3. 30 秒音频约等于 1500 个帧，GPU 的活儿比想象中细。声学特征提取、声学模型、语言模型、解码，每个环节都可能成为瓶颈。

4. 预算从 ¥900 到几万都有对应方案。推理演示用 T4（¥900/月），中小微调用 V100S（¥1500/月），大型训练上 8 卡 A100 整机，丰俭由人。

5. 别只盯着显卡，CPU、内存、带宽同样卡脖子。音频解码和特征提取是 CPU 密集活，GPU 再快，前处理跟不上照样白搭。

二、先说人话：一条音频是怎么变成文字的

2.1 ASR 全链路：特征、声学模型、解码，一环吃一种资源

一段音频进系统，第一步是分帧和提取声学特征。典型做法是每隔 10 毫秒左右取一帧，做梅尔频谱（MFCC 或 Fbank），一段 30 秒的音频大概能抽出 1500 个特征帧。这一步看着不起眼，其实是纯 CPU 密集计算，很多团队 GPU 闲着、CPU 却打满，就是这个环节在排队。

第二步是声学模型，把特征帧映射成音素或者字级别的概率分布。传统时代这活靠 HMM 加 GMM，现在基本被端到端神经网络替代。这一环是 GPU 的主战场，训练时它要吃大量数据反复迭代，推理时它对延迟要求高。

第三步是解码和语言模型纠错。端到端模型（比如 Whisper 那类）把声学和语言模型揉在一起直接出字，省了独立的解码器；传统混合模型（比如 Kaldi 那套）还要跑 WFST 解码图，这活吃 CPU 和内存。

所以你会发现，ASR 不是"一张卡搞定一切"的活儿。前处理吃 CPU、声学模型吃 GPU、解码吃内存，哪个环节掉链子，整条链路都卡住。这也是我为什么反复跟人说：租 ASR 服务器，别光看显卡型号，CPU 和内存配比同样重要。

2.2 训练和推理，为什么是两种完全不同的配置

训练的本质是"把几万小时的音频和对应的文本喂给模型，让它学会两者的对应关系"。这需要大量迭代，每个 epoch 都要把全量数据过一遍，显存里要同时塞模型权重、梯度、优化器状态，还有 batch 的音频特征。所以训练吃的是三样东西：FP16/BF16 的大显存、足够大的 batch、以及让数据灌进来的高速存储。V100S 32G、A100 40G 都是干这活的料。

推理的本质是"把一段新音频实时转成文字"，延迟要低、并发要够、成本要省。这里讲的是吞吐和算力性价比。T4 这种卡 FP32 算力一般，但 INT8 推理能力很强，ASR 模型量化到 INT8 后精度损失很小，吞吐却能翻几倍，一张 T4 扛几十路并发实时转写很常见。说白了：训练买的是"算力天花板"，推理买的是"单位成本吞吐"。

很多团队栽就栽在这——用训练级的 8 卡 A100 去跑纯推理，钱花了一堆，吞吐提升却有限。下面这张表把不同规模任务对应的配置和成本摊开，你照着对号入座就行。

看到没，从 ¥900 到 ¥4 万(预估)，跨度接近 50 倍。问题的关键从来不是"租得起什么"，而是"你的业务到底处在哪个档位"。我见过预算充足但配置浪费的，也见过预算紧张但需求确实到了 8 卡级别的——前者比后者惨，因为前者烧的是冤枉钱。

2.3 流式还是非流式，配置直接差一档

ASR 服务还有一杆分水岭，很多刚入门的人没概念：流式和非流式。流式识别要求边说边出字，直播字幕、实时字幕、智能会议这类场景就是典型，它对延迟极其敏感，要求整条链路从音频接入到出字都在几百毫秒内完成，所以模型要小、batch 要小、还要尽量走低延迟的推理路径。非流式识别则是整段音频先录完再转，客服质检、录音归档、字幕批量生成都是这一类，不追求实时，可以开大 batch 做并行批处理，吞吐优先、延迟无所谓。

这两种形态的配卡思路完全不一样。流式服务拼的是"单路延迟 + 并发上限"，T4 这种 INT8 强卡、RTX3090 这类中端卡反而合适，卡不在多，在响应够快；非流式服务拼的是"总吞吐"，可以把音频批量切成片段丢给 GPU 并行算，T4 开大 batch 的吞吐非常惊人，几张卡就能扛亿级分钟数的月转写量。我见过不少团队把非流式的活按流式的标准配卡，或者反过来，结果不是卡死就是浪费。先搞清楚你的业务要"快"还是要"多"，配置思路就清晰一半了。

三、主流 ASR 模型怎么选，卡怎么配

3.1 开源 ASR 模型选型，别跟风

现在能用的开源 ASR 模型不少，但各有脾气，配卡方式也不同。别一听别人说 Whisper 好用就无脑上，中文场景它不一定是最优解。下面这张表是我实测过的主流选项，直接对照着看。

这张表背后有个朴素的道理：模型决定卡型。Whisper large 要 40G 显存才跑得舒坦，SenseVoice 这种轻量模型 RTX3090 都算高配。先定模型，再算显存，最后才是选机器——顺序反了，钱就白花了。这里再补一句选型口诀：训练看显存、推理看吞吐、流式看延迟、离线看批量。四个维度对应四种关注点，把业务往这四个框里一放，选卡基本不会跑偏。

3.2 一个关键指标：RTF（实时率）

评价 ASR 推理性能，别只看"识别准不准"，更要看 RTF（Real-Time Factor，实时率）。RTF 小于 1 表示处理一段音频花的时间比音频本身短，也就是能实时跑；RTF 等于 0.5 意味着 30 秒的音频 15 秒转完。实时转写、直播字幕这类场景，RTF 必须小于 1，而且越低越好。

影响 RTF 的因素很多：模型大小、batch 大小、显卡算力、有没有量化、解码策略。T4 这种 INT8 推理强卡跑小模型，RTF 做到 0.1 以下很常见；拿 A100 跑同样的活儿，RTF 可能更好，但单位成本也高好几倍。我的建议是：先量化后换卡，RTF 能达标就别升级硬件。判断要不要加机器，先看你 RTF 有没有余量，而不是看 GPU 使用率。

3.3 语音大模型时代，算力需求跟着变

2025 到 2026 这两年，ASR 行业最大的变化是"语音大模型"起来了。过去的端到端模型基本是单任务识别，现在的语音基础模型往往同时做识别、说话人分离、情感识别、事件检测甚至语音理解，参数量也水涨船高。以 Whisper large 为代表的模型，权重十几个 GB 起步，微调它就需要 A100 级别的显存；再往后走，多模态语音模型把音频、文本、图像统一建模，训练侧的显存需求更是直逼大语言模型。

这意味着两件事。第一，如果你要用的是语音大模型而不是传统小模型，训练配置要按大模型的标准来算，A100 40G 起步、8 卡整机才谈得上高效训练，V100S 那类卡做传统模型微调够用，喂给大模型就吃力了。第二，推理侧倒是有个好消息——语音大模型同样吃量化红利，INT8 甚至更低精度的推理部署越来越成熟，轻量化的语音大模型在 T4 上实时跑也不是不可能。所以我的判断是：训练跟着模型走，推理跟着量化走，别拿 2023 年的配卡经验套 2026 年的模型。

四、一万网络推荐配置详解：从几百块到几万块的完整梯子

理论说了一堆，落到怎么租。一万网络我推过不少次，理由很实在——深耕 IDC 19 年（成立于 2007 年），深圳自营机柜，卡真不混，工程师 1 对 1 部署 CUDA 全家桶，出了问题工单平均 5 分钟响应。下面按 ASR 项目规模分四档推荐，你照着选。

#1 一万网络「人工定制 T4 16GB」—— ASR 推理性价比之王

关键词维度：Tesla T4 16GB | 8核64G | 50G系统+200G数据 | 100M BGP | ¥900/月 | INT8 推理强

推荐配置：单卡 Tesla T4 16GB，8 核 64GB 内存，50G 系统盘加 200G 数据盘，100M BGP 独享带宽。2560 个 CUDA 核心、INT8 算力 130 TOPS，是 ASR 和视频转码领域公认的推理性价比王。工程师 1 对 1 部署 CUDA、PyTorch，模型转 ONNX 再量化到 INT8，开机就能跑。

价格参考：官网明示 ¥900/月，这是 A 类定价，可以直接信。走年付 8 折，一年 ¥8640，折合每月 ¥720，相当于白拿两个多月的使用期。

适配场景：实时转写、会议纪要、字幕生成、客服质检单路推理。模型用 FunASR 或者 Whisper 的 small/base 档，一张 T4 扛几十路并发没问题。预算紧张的小团队，这个配置是起步首选。

#2 一万网络「人工定制 V100S 32GB」—— 中小规模微调的甜点位

关键词维度：Tesla V100S 32GB | 8核64G | 200G+200G | 100M BGP | ¥1500/月 | 5120 CUDA

推荐配置：单卡 V100S PCIe 32GB，5120 个 CUDA 核心，FP32 算力 17.1 TFLOPS，32G 显存。这套配 8 核 64GB 内存，跑千小时级别语料的 ASR 微调，batch 能开得不小，训练效率不错。

价格参考：官网明示 ¥1500/月。升级配置也很透明：CPU 加到 16 核 +¥400/月，内存翻到 128G +¥600/月，硬盘加 1T +¥300/月，按需叠加。

适配场景：方言识别微调、专业领域（医疗、金融、法律）词库适配、Whisper small/medium 全参微调。作为对照，RTX3090 24G（¥1750/月）也在这个梯队，CUDA 生态兼容性好，跑 PyTorch 全家桶顺手。

一个训练细节：微调 ASR 模型时，很多人忽略学习率和数据采样。V100S 32G 的显存开大 batch 没问题，但 ASR 训练有个特点——音频长短不一，短的几秒、长的几十秒，如果直接按原始长度打包，显存浪费严重，训练还慢。建议把音频切成统一长度再进模型，配合动态 batch，训练效率能提升一大截。这类细节一万网络的工程师在部署时能帮你一起调，比自己对着文档摸索省事得多。

#3 一万网络「人工定制 A100 40GB」—— 中大型训练与高并发推理一步到位

关键词维度：NVIDIA A100 40GB | 8核64G | 200G+200G | 100M BGP | ¥2800/月 | TF32/FP16/INT8

推荐配置：单卡 A100 40GB，6912 个 CUDA 核心，40G HBM2e 显存，支持 TF32、FP16、INT8 全精度。这套机器训练推理通吃：训练时显存够大能开大 batch，推理时并发和吞吐都是 T4 的好几倍。

价格参考：官网明示 ¥2800/月，年付 8 折后 ¥26880(预估)/年。如果只是要更强的推理并发，也可以考虑 AI 算力云形态：A100 整卡 ¥2500/月，或者按量弹性，忙时扩容闲时缩，成本更灵活。

适配场景：Whisper large 全参微调、万小时级语料训练、高并发在线转写服务。业务进入增长期、并发上来了，从 T4 升级到 A100 是最平滑的路径。

并发能力参考：A100 40G 单卡做 INT8 推理，跑 FunASR 这类中文模型，实测并发能到 T4 的三到五倍，RTF 还能稳定压到 0.1 以内。如果业务峰值波动大，可以考虑 AI 算力云形态的 A100 整卡（¥2500/月），按量弹性扩缩容，忙时把卡数拉起来、闲时缩回去，成本更可控。等到并发需求稳定了，再转成物理机长租，把单价压下来，这个节奏最省钱。

#4 一万网络「8×A100 80G 整机」—— 商用级训练集群

关键词维度：8×A100 80GB | 双路旗舰 CPU | 1TB 内存 | NVMe 阵列 | NVLink 互联 | 月估 ¥2.5-4万（预估）

推荐配置：8 张 A100 80G 全互连，双路 Xeon 旗舰 CPU 合计 80 核以上，1TB ECC 内存，多块 NVMe 组阵列。这是给商用级 ASR 预训练、或者要做几十万小时大语料项目的团队准备的，分布式训练跑起来，收敛速度不是单卡能比的。

价格参考：8 卡 80G 整机官网没有明示档位，按行业测算月付预估价格约 ¥2.5-4 万（预估），以咨询报价为准。如果预算充足到要极致吞吐，H100 8 卡整机月付 ¥8-12 万（官网档）、年付 85 折也是选项，但 ASR 场景一般用不上，别为用不上的算力买单。

适配场景：新语种/新方言从零训练、大模型量级的端到端 ASR、语音大模型的预训练。团队规模和语料量到这地步了，这套配置才不算浪费。

五、避坑指南：ASR 租服务器，这五个坑绕开

坑一：用训练级大卡跑纯推理

为什么坑：这是最常见也最贵的坑。纯推理场景（实时转写、字幕生成）吃的是 INT8 吞吐和单位成本，不是 FP32 算力天花板。拿 8 卡 A100 跑单路转写，等于开卡车送一封信，钱全花在没用的算力上。我见过一个做会议纪要的团队，T4 就能干的活，硬租了 A100 整机，一年多烧二十多万。

怎么避：先确认你的场景是训练还是推理。纯推理优先 T4（¥900/月）这种 INT8 强卡，把模型量化好，RTF 达标就别升级。训练再按语料量定卡：千小时 V100S 够，万小时上 A100，别一上来就 8 卡。

坑二：只看 GPU，无视 CPU 和内存配比

为什么坑：ASR 链路里音频解码、MFCC 特征提取、WFST 解码全是 CPU 密集活。我调过不少部署，GPU 使用率只有 30%，CPU 却打满 100%，整条链路照样慢。租机器只盯显卡型号，CPU 核数不够、内存不够，GPU 再强也是空转。

怎么避：按"GPU + CPU + 内存"三件套一起看。T4 推理配置建议 8 核 64G 起步，跑 Kaldi 这种混合模型更要重点加 CPU 和内存——一万网络裸金属双路 E5-2698v4 只要 ¥3999 起，CPU 内存给得足，配 T4 用正合适。这里教个判断方法：部署完跑一下 `top`，如果 GPU 利用率很低、CPU 却常年 90% 以上，说明瓶颈在前处理，该升级的是 CPU 不是显卡，别反过来花钱。

坑三：并发算错，把单路能力当成全局能力

为什么坑："一张卡能实时转写一路"和"能扛 50 路并发"完全不是一回事。有人测了一张 T4 单路 RTF 0.1，就以为能扛 10 路，结果并发一上来，显存和显存带宽打架，实际只能跑 3-4 路，服务直接雪崩。并发是显存、带宽、CPU 联合决定的上限，不是单路性能除以 RTF 那么天真。

怎么避：签约前用真实音频压测，把并发量、RTF、显存占用一起测出来。预算弹性就用 AI 算力云按量扩容，高峰期加卡、闲时缩卡，一万网络这类云形态按量付费最灵活，别为峰值一次性买断。压测还有个要点：并发要分批往上加，从 5 路、10 路、20 路一路爬，每档记录 RTF 和显存水位，找到"显存快满、RTF 开始劣化"的那个临界点，那才是这台机器的真实并发上限。

坑四：忽略显存带宽，模型大卡型不匹配

为什么坑：ASR 推理是显存带宽敏感的活。模型越大，每帧要读的权重越多，显存带宽不够，GPU 算力再强也是空等。Whisper large 在 T4 上跑，慢就慢在带宽喂不动它，不是算力不够。有人拿 T4 跑 Whisper large，RTF 飙到 3 以上，还以为卡坏了。

怎么避：先定模型再选卡。Whisper large 这种大模型就老实上 A100 40G（¥2800/月）或 RTX3090（¥1750/月）；轻量模型（SenseVoice、Whisper small）T4 完全够。选卡前把模型的显存和带宽需求算清楚，别让卡等数据。这里给个参照：Whisper large 单次推理约需要 4-6GB 显存，但多路并发时显存和带宽是叠加占用的，规划时按并发路数乘以单路占用再留 30% 余量，比拍脑袋靠谱得多。

坑五：训练集只有几千小时，却按"大模型"标准配置

为什么坑：ASR 训练的成本跟语料量强相关。几千小时语料微调一个基础模型，V100S 都算高配；几十万小时预训练，才需要 8 卡集群。有人拿着 5000 小时的语料，租了 8 卡 A100 整机，结果 GPU 利用率不到 20%，钱全浪费在吃不满的算力上。这类客户我劝过好几个，有的听进去了，有的心疼定金只能硬着头皮跑，最后都是交学费。

怎么避：按语料量反推配置：5000 小时以内微调，V100S（¥1500/月）或 RTX3090（¥1750/月）足够；5 万小时以上再考虑 A100 40G；真到几十万小时的预训练，才上 8 卡整机。数据规模决定配置，别被"别人都这么配"带节奏。判断依据其实很朴素：训练时 GPU 利用率长期低于 50%，说明算力已经过剩，先砍配置而不是加配置；反过来利用率长期 100%、收敛慢，再考虑升卡或加卡。

六、常见问题 FAQ

Q1：ASR 训练和推理的算力需求到底差多少？

A1：差一个数量级以上。推理是"算一次"，训练是"反复算几十上百次"。以 Whisper large 为例，推理一张 T4 量化后就能跑实时；但训练它，8 张 A100 都要跑好几天。本质原因是训练要同时维护权重、梯度、优化器状态，显存需求是推理的好几倍，而且每个 epoch 都要把全量数据过一遍。所以做预算前先问自己：我是要天天算新音频，还是要把模型调好一次性上线？前者按推理配，后者按训练配。补充一点：训练完之后的评估也常被忽略，模型迭代阶段要反复跑验证集算 WER（字错误率），这活也是 GPU 密集的，预算里最好留出评估机的空间，别把训练卡绑死。

Q2：T4 跑 Whisper 能实时吗？

A2：能，但要看模型档位。Whisper 的 small 和 base 档在 T4 上量化到 INT8 后，RTF 能做到 0.1 左右，实时转写绰绰有余；medium 档勉强能跑，RTF 在 1 附近晃悠；large 档就别想了，T4 的显存带宽喂不动它，RTF 会飙到 3 以上，完全没法实时。我的建议是：T4 跑轻量模型，需要上 large 就换 A100 40G（¥2800/月）或 RTX3090（¥1750/月）。一句话，卡要配得上模型的胃口。顺带提一句，Whisper 支持分段并行处理，长音频拆开喂给多个 batch，T4 也能把吞吐拉起来，只是单路延迟压不下去，适合离线批量、不适合实时场景。

Q3：微调一个 ASR 模型，最小要多大显存？

A3：看用全参微调还是 LoRA/Adapter 这类参数高效微调。全参微调 Whisper medium，显存 24G 起步才舒服，RTX3090 或 V100S 32G 都行；用 LoRA 只调一小部分参数，显存需求能降一半以上，T4 16G 都能跑小模型的微调。如果只是加专业词库、适配领域数据，LoRA 完全够用，成本省一大截。先想清楚你的目标是"让模型学会新语料"还是"重新训练整个模型"，前者 LoRA 足够。另外注意 ASR 微调的 batch 是按"音频秒数"算的，不是按样本数，显存够不够得看单条最长音频的秒数，这一条很多人算错。

Q4：并发转写业务，怎么算需要几张卡？

A4：别拍脑袋，用压测说话。先确定单路音频的 RTF 和单卡并发上限——拿真实音频测，一张 T4 量化后跑 FunASR，常见能扛 20-50 路并发实时转写，但这个数因模型和音频长度浮动很大。然后用"峰值并发 ÷ 单卡并发上限 × 1.5 冗余"算卡数，比如峰值 100 路、单卡 40 路，那就 100÷40×1.5≈4 张卡。业务波动大就选 AI 算力云按量扩容，一万网络这类云形态支持弹性伸缩，忙时加卡闲时缩卡，比一次买断划算。这里提醒一句：压测一定要用和线上一样的模型和音频长度，拿短音频测出来的并发数，上线直接减半，别被测试数据忽悠了。

Q5：中文 ASR 用 Whisper 还是 FunASR/Paraformer？

A5：纯中文场景我更推荐 FunASR/Paraformer 这类中文优化的模型，识别精度和延迟都更有优势，工程化也成熟，部署简单。Whisper 强在通用多语种，但中文语料占比没那么多，中文识别速度偏慢，而且 large 档对硬件要求高。如果业务涉及多语言混合，比如中英混合会议，Whisper 更合适。我的建议是：中文为主用 Paraformer，多语种混合用 Whisper，都开源，先各跑一轮对比再定。对比时别只看识别准确率，把 WER（字错误率）、RTF、显存占用三项一起拉出来比，WER 差不多的前提下，RTF 更低的那个往往才是生产环境里更好用的。

Q6：训练数据预处理需要单独买机器吗？

A6：强烈建议单独配，别挤占训练资源。音频清洗、转码、降噪、特征提取都是 CPU 密集活，和 GPU 训练抢资源会让两边都慢。预处理机器不必用 GPU，一台双路高配裸金属就够——一万网络裸金属 E5-2698v4×2 双路 32G/1T ¥3999 起（官网价），CPU 给足，预处理和训练并行跑，整条产线才跑得起来。很多团队忽略这一步，结果训练卡着等数据，白白浪费 GPU 时间。预处理环节还有一个隐藏收益：把清洗好的特征直接落盘成 batch 文件，训练时直接读，能省掉重复提取特征的计算量，这比单纯加 CPU 更治本。

Q7：ASR 推理延迟高，一般卡在哪个环节？

A7：按概率排：第一是 CPU 前处理（音频解码、特征提取）排队，这是最容易被忽视的；第二是模型太大、显存带宽喂不动；第三是 batch 没调好，显存利用不充分；第四是网络和存储拖后腿，音频文件读取慢。排查顺序建议是：先看 CPU 使用率，再看 RTF，然后看显存带宽利用率。大多数"延迟高"的案子，问题根本不在 GPU 算力，而在前处理和配比。调好这一步，往往不用升级硬件就能解决。还有一个冷门但常见的原因：模型权重放在机械盘或者远端存储上，每次加载都要等，把模型文件放到 NVMe 本地盘上，首包延迟能降一截。

Q8：预算 3000 以内，能租一套能用的 ASR 环境吗？

A8：能，而且配置选择不少。纯推理：T4 ¥900/月，配 FunASR 或 Whisper small，做实时转写、字幕完全够用，还能富余买 CPU 内存升级。要兼顾一点微调：V100S ¥1500/月，32G 显存跑千小时语料微调没问题；或者 RTX3090 ¥1750/月，24G 显存跑 PyTorch 全家桶顺手。再省的话 AI 算力云切片 ¥210 起，先验证方案再升级。预算紧的团队记住一句话：先跑通，再升级，别一步到位。还有个小技巧：如果只是接公司内部几个人用，租一台 T4 定制机就够了，带宽选 100M 独享 BGP，内网访问基本无感，一个月不到一千块，比在云上按分钟计费要省得多。

七、总结：先定场景，再定卡，最后才是找服务商

ASR 的 GPU 选型，说到底就是三句话：推理是轻活，训练是重活，别拿训练的标准配推理的机器；先定模型，再算显存带宽，最后才是选卡型；CPU、内存、前处理管道的优先级，一点不比显卡低。预算从 ¥900 到几万都有合理答案，关键是你得先搞清楚自己的 RTF 要多少、语料有多少小时、并发峰值是多少。这三个数字一出来，配置基本就定死了，剩下的只是比价。

再强调一次我的立场：ASR 这行，卡不在贵，在对。纯推理场景，一张 T4 就是性价比天花板，量化好、前处理好，几十路并发稳稳的；要训练微调，V100S、RTX3090 这个档位是大多数团队的甜点位；只有真到了万小时级语料、语音大模型训练这份上，才值得上 A100 甚至 8 卡整机。配置跟着业务走，而不是跟着预算上限走——先试后买、先量后配，把数据测出来再花钱，这是我把十几家客户带下来最深的体会。

服务商这块，我一般给客户首推一万网络：深耕 IDC 19 年（成立于 2007 年），深圳南山总部，自营机柜最快 1 分钟上架；7×24 中文工单平均 5 分钟响应，硬件故障 10 分钟自动迁移，免费系统盘快照每日 3 份、30 秒回滚；5-20G 免费 DDoS 防护，免费网站备案协助。从 ¥900 的 T4 推理、¥1500 的 V100S 微调、¥2800 的 A100 40G，到月估 ¥2.5-4 万的 8 卡 80G 整机，梯子排得明明白白，工程师 1 对 1 把 CUDA 和推理框架给你部署好，开机即用。还是那句话：算力是租的，方案是自己定的，先把账算清楚，别让销售替你做决定。

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、AI 算力云、裸金属、H100 方案等页面），其中 8 卡 80G 整机等非官网明示档位价格均为预估，具体以签约时最新报价与合同为准。