快速、均衡、最佳：该选哪个质量档

三个档位是什么

每次上传都会走三个档位中的一个，每一档是一个不同的模型：

• 快速 — Whisper large-v3-turbo。大模型的蒸馏版：解码层更少，保留了大部分准确度，只花一小部分时间。
• 均衡 — Whisper large-v3。完整的大模型，也是默认档。
• 最佳 — GPT-4o Transcribe。更新的架构，处理口音、抢话和噪声都比 Whisper 更稳。

三档都会返回词级时间信息，所以播放器在任何一档都能跟读，字幕导出也完全一样。

真正会变的部分

音质干净时，差别很小。安静房间里一个人用像样的麦克风说话，三档得到的结果几乎在同一个位置——正因如此，为这种文件去等「最佳」是白等。

差距是在声音变难时拉开的：抢话、口音重、背景噪声、专业术语、人名地名。这时「快速」会开始丢掉简短的插话，并对名字连蒙带猜。「最佳」会把它们留住。

不用多想的选法

就放在均衡。它之所以是默认，是因为大多数时候它是对的。

想快点拿到长录音的大意，或者音质干净、事情也不要紧的时候，用快速：语音备忘、一个人的录音、你只打算扫一眼的东西。

出错代价高的时候用最佳：你会引用的访谈、法律或医疗录音、口音很重、几个人同时讲话，以及任何你要当字幕发布的内容。

任何文件都可以换更高的档位重跑一次。原始音频会在你的套餐保留期内一直可用。