AssemblyAI + Modal：把几千小时录音变成能对账的文本库

PART 01

今天这两个工具能接成一条线。AssemblyAI 把音频变成带说话人和时间戳的结构化文本，Modal 给这批文本一个按秒计费的批处理场地。

选它们是因为两边账单都算得出来：一个按音频时长，一个按计算秒数。本期两个主角均未在你的账号部署，未做性能与并发实测。

PART 02

主角一 · AssemblyAI：按时长计价的转写，账单卡在并发和轮询上

段 1 · 是什么

它替你把「一批录音变成可检索文本」做成 API 调用。返回的不是纯文本，是带说话人、词级时间戳、置信度的结构化 JSON。

省掉的动作很具体：不用自己部署 ASR、不用转码、不用切分说话人。异步走 POST 提交加 webhook 回收，实时走 WebSocket。

段 2 · 多少钱

美元标价，官方定价页口径，核验日期 2026-10-09。按量付费，无订阅、无最低消费，页面写的是「Start free, pay-as-you-go after that」。

| 异步转写模型 | 单价 ||---|---|| Universal-3.5 Pro（18 种语言，原生 code switching） | $0.21 每小时 || Universal-2（99 种语言） | $0.15 每小时 |

换算成任务量级：1 小时音频 $0.15（Universal-2），1,000 小时 $150，换 Pro 是 $210。

要注意的坑逐条写：

1. 免费档的小时数官方定价页没写。页面只写「Start free」，文档口径是免费账户并发 5 路。旧博客那句「终生 100 小时」带的是过期价格，按未核实处理。
2. 计价基数是音频时长，不是处理时间。一小时音频它 45 秒就能跑完，账单仍按一小时算，跑得快不省钱。
3. 实时档按会话时长计费。WebSocket 开着就计数，没主动发 Terminate 的会话 3 小时后自动关闭，整段照收。它的每小时单价未在定价页正文读到，按待确认处理。
4. 加购项价格没核到。音频智能、LLM Gateway 在定价页是分页签，正文读不到数字。
5. 余额跌破零，并发会被降到 1。不是停用，是掉到一次只能跑一个作业。

段 3 · 适合谁

• 你有一批会议、播客、访谈录音要做成可检索文本。理由是说话人分离是官方宣称最准的一档能力，不用再拼第三方。
• 你要在动手前先算出总价。理由是单价直接就是每小时多少钱，10 小时约 $1.5，不用按 token 反推。
• 你要把它挂进自己的流水线。理由是异步提交加 webhook 回填，不必常驻轮询，HTTP 额度也扛得住。

只转一两段十分钟的语音，用本地 Whisper 更省事。

段 4 · 局限

1. 并发是账户级硬顶，且不按 key 隔离。免费 5 路、付费 200 以上，同一账户下每个 key 都照搬总量。超了不报错，是排进先进先出队列，另发一封限流邮件，这类邮件每天只发一封。
2. HTTP 额度是所有端点合算的。5 分钟内 20,000 请求，提交的 POST 和查询的 GET 一起算，超了返回 403。密轮询会先把额度烧在没用的查询上。
3. 文件有硬上限。单请求 5GB、时长 10 小时，本地上传通道只有 2.2GB，更长的音频要自己先切。
4. 说话人分离不回答「这是谁」。它只给说话人编号，要具体人名得自己做声纹映射或人工标注。
5. 专有名词会稳定写错。人名地名错一次就错一整篇。官方能力里有 keyterms prompting 和 custom spelling，这两个就是给人名地名预热的，不用等于让它猜。
6. 依赖两条。要有 API key；实时档还要自己管 WebSocket 的连接与终止，漏了终止按满 3 小时计费。

段 5 · 上手路径

1. 提交时参数一次给齐：audio_url 用自己对象存储的直链，绕开本地上传 2.2GB 的上限；开 speaker_labels，开语言检测，长音频把语言固定死，别让它逐段猜。
2. 用 webhook 回收，不要轮询。轮询的 GET 和提交的 POST 共用那 20,000 请求的额度，批量任务下先撞墙的一定是轮询。批次并发压到账户上限以下，留一路给补跑。
3. 先算账再开批。Universal-2 是每音频小时 $0.15，Pro 是 $0.21。先跑 10 小时核对账单，再决定要不要整套上 Pro。
4. 落盘按句存，不要只存全文。返回结果里带说话人和起止时间，拆成「文件、说话人、起止、文本」四列，后面检索统计都不用重跑。

段 6 · 来源

• 定价页 https://www.assemblyai.com/pricing，核验日期 2026-10-09
• 异步限速 https://www.assemblyai.com/docs/pre-recorded-audio/rate-limits，核验日期 2026-10-09
• 实时限速与按会话计费 https://www.assemblyai.com/docs/streaming/concurrency，核验日期 2026-10-09
• 文件与流上限 https://www.assemblyai.com/docs/getting-started/transcribe-an-audio-file，核验日期 2026-10-09

PART 03

主角二 · Modal：按秒计费的 serverless 算力，账单藏在空闲窗口里

段 1 · 是什么

它替你把「临时要一批 CPU 或一张 GPU 跑批」变成一条命令。代码推到它的容器里执行，跑完容器缩到零。

省掉的是租机器、配环境、跑完记得关这三步。官方原话是不为闲置资源付费。

段 2 · 多少钱

美元标价，核验日期 2026-10-09。计价单位是秒，网页能直接切到每秒价目。

| 项目 | 每秒单价（官方） | 折合每小时（按官方单价换算） ||---|---|---|| CPU 物理核（约 2 vCPU） | $0.0000131 | 约 $0.0472 || 内存 | $0.00000222 每 GiB | 约 $0.008 || H100 SXM5 | $0.001097 | 约 $3.95 || A100 80GB | $0.000694 | 约 $2.50 || RTX PRO 6000 | $0.000842 | 约 $3.03 || L4 | $0.000222 | 约 $0.80 || T4 | $0.000164 | 约 $0.59 |

Volume 存储 $0.09 每 GiB 每月，每月含 1 TiB 出网免费，超出 $0.04 每 GiB。档位三档：

| 档位 | 月费 | 关键上限 ||---|---|---|| Starter | $0 加计算费，每月赠 $30 额度 | 3 席位，100 容器，10 GPU 并发，日志留 1 天 || Team | $250 加计算费，每月赠 $100 额度 | 席位不限，5000 容器，50 GPU 并发，日志留 30 天 || Enterprise | 定制 | 更高并发，审计日志与 SSO |

要注意的坑逐条写：

1. Sandbox 和 Notebooks 是另一套价，正好是标准价的 3 倍。同一张定价页下半栏写的是 CPU $0.00003942 每核每秒、内存 $0.00000667 每 GiB 每秒。跑长驻沙箱按这一组算。
2. 换区域要加价。官方写区域选择按基准价的 1.15 到 1.75 倍。
3. 非抢占执行是 3 倍价。要稳定不被回收就付这个系数。
4. 空闲不等于免费。缩容窗口里容器还在，GPU 预留和残余内存照常计费，官方文档原话是空闲期间占用的资源仍会收。
5. 赠额不是上限。$30 是每月赠额，超了照扣，不存在用超就停。

段 3 · 适合谁

• 你要跑一次性批处理，几千条文本打标或几千条音频抽取。理由是任务结束缩到零，没有月租摊在闲置时间里。
• 你偶尔要 GPU，但不需长期独占。理由是 H100 折合约 $3.95 一小时，跑 100 小时约 $395，比按月租一张卡便宜。
• 你要把脚本变成定时任务或 HTTP 端点。理由是 Starter 档就带 5 个部署 cron 和限量的 scheduled、web 函数。

不需要 GPU、也不想脱离本机环境，直接用本地脚本就够。

段 4 · 局限

1. 冷启动是两段，不只启动时间。一段是输入在队列里等热容器，一段是新容器的首次初始化。官方文档自己说，容器变热的时间可以从几秒到几分钟，取决于你全局作用域和初始化方法里干了什么。
2. 压冷启动的每个开关都在加钱。scaledown_window 默认空闲 60 秒才缩容，可设 2 秒到 20 分钟，窗口越长空闲计费越多；min_containers 是常驻保底，函数闲着也在烧钱。
3. Starter 的运维能力被砍过。日志只留 1 天，不带部署回滚，不带自定义域名。要做线上排查得升 Team，那是每月 $250 的固定支出。
4. 容器不是长期宿主。函数之间不共享本地状态，跨调用留数据要挂 Volume，而 Volume 从第一 GiB 就按月计时。
5. 依赖本机工具链。官方流程是本地装客户端、登录后把代码推上去，它不是给个 URL 就能调的纯接口服务。

段 5 · 上手路径

1. 先把成本算到秒：(物理核数 × 0.0000131 + GiB × 0.00000222) × 运行秒数。4 核加 8 GiB 跑 100 小时约 $25.3，这是按官方单价的算术换算，不是实测账单。要 GPU 就替换成上表对应那一行。
2. 冷启动按两段分别排查。整批都慢、大量输入停在 pending，是热容器不够，先加 min_containers 或 buffer_containers；只有每个新容器的第一个调用慢，就把载权重、建连接挪到全局作用域或初始化方法里，权重预下载进镜像或 Volume。
3. 批任务先用小并发试跑再放开。Starter 的天花板是 100 容器加 10 路 GPU 并发，一次拉起太多容器会撞上限，沙箱那套 3 倍价目也会让账单超出预期。

段 6 · 来源

• 定价页 https://modal.com/pricing，核验日期 2026-10-09
• 冷启动指南 https://modal.com/docs/guide/cold-start，核验日期 2026-10-09

PART 04

实战流程：一条从录音到可对账文本库的最小链路

1. 素材归集。录音切成单文件 10 小时、5GB 以内，走本地上传通道就控制在 2.2GB 以内，存进自己的对象存储拿直链。输出：一批 audio_url。
2. 提交转写。每个直链提交一个异步作业，参数带说话人分离与语言检测，长音频固定语言，人名地名先用 keyterms 预热。输出：一批作业 id。
3. 过并发闸门。同时在跑的作业压到账户上限以下，免费 5 路、付费 200 路以上，超出的自然排队。完成事件走 webhook，避开 5 分钟 20,000 请求那道坎。
4. 落库。结果按句拆开，写成「文件、说话人、起止时间、文本」四列。输出：一张可全文检索的段落表。
5. 批量打标。用 Modal 把这批段落并行跑一遍开源模型做摘要或分类，结果写回 Volume 或数据库。输出：带标签的段落表。
6. 对账。转写侧按音频小时乘单价，算力侧按秒公式算，两边记进同一张成本表。全链路只有这两处支出。

PART 05

可复制提示词

你是转写稿的校对与结构化处理器。输入是转写接口返回的 utterances 数组，每条带 speaker、start、end、text。 规则： 1. 只做整理，不改写内容，不许补原文没有的信息。 2. 输出 JSON 数组，字段固定为 speaker、start_ms、end_ms、text、topic、actionable、confidence。 3. topic 只能从给定主题列表里选，选不出填 other，不要自造新主题。 4. actionable 只在原句出现明确待办、承诺或截止时间时填 true，并附 evidence 原文片段。 5. 专有名词与给定 keyterms 列表不一致时，标进 needs_review，不要自行替换。 6. confidence 低于 0.7 的条目单独成组，不要混进主输出。 7. 不要寒暄，不要总结，不要解释你的做法。

验证标准：随机抽 3 条，对着原始音频时间点听一遍，确认说话人没串线；检查 actionable 为 true 的条目都能在原句里找到依据；确认 keyterms 里的人名地名没被改写成别的写法；核对输出条数等于输入的 utterances 条数，做了拆分或合并要说明原因。

PART 06

边界声明

本期两个主角均未在你的账号部署，未做性能、并发与账单实测。价格取自官方公开页，核验日期 2026-10-09，美元口径，不含税费。AssemblyAI 的实时档单价与加购项价格未在定价页正文读到，按待确认处理；免费档小时数未核到，只有并发 5 路这一条文档口径。Modal 表里的每小时折算价与算例是我按官方每秒单价换算的算术值，不是实测账单，区域与非抢占系数尚未代入验算。