Whisper API 企业采购清单：额度、隐私与合规（2026）

企业采购语音转写，容易只比“每分钟多少钱”。真正决定能否长期用的，是音频量算得准不准、录音能不能过隐私审查、Key 权限能不能收住、账单发票能不能闭环。Whisper 常被当作 OpenAI 语音转写接口的代称；到 2026 年，这个接口家族既有 whisper-1，也有更新的转写模型，选型不要只认一个名字。

下面按采购流程给清单：用量、隐私、权限、计费、验收、选型和成本监控。价格与可用模型以站内模型价格和官方文档为准。

说明：OpenAI、Whisper、GPT 是其权利人的商标，本文仅作技术采购说明，与相关厂商无隶属或代理关系。条款、模型与价格可能调整，以官方文档和签署合同为准。

一、先算音频量，再谈额度

第一行不该是单价，而是月转写时长：日均音频小时 × 工作日，再加临时导入的访谈和客服录音，最后乘以 1.2–1.3，留给重试和峰值。

音频来源	估算方法	容易漏掉
会议录音	场次 × 平均时长 × 工作日	重复上传、会后补录
客服通话	日均通话量 × 平均时长	静音段、等待音乐
内容素材	每周小时 × 4	导出重试、人工校对

额度要拆成四项：单文件上限、并发或速率上限、项目级额度、超额后的行为。官方文档当前写明单文件最大 25 MB，支持 mp3、mp4、mpeg、mpga、m4a、wav、webm 等格式，长会议需切分后转写。速率档位以官方文档和控制台为准。

二、数据隐私与留存

音频里有客户报价、证件信息、背景对话甚至声纹，比文本更敏感。采购时问清五点：

输入是否用于训练？OpenAI 说明自 2023 年 3 月 1 日起，API 数据默认不用于训练，除非客户主动选择共享。
滥用监控日志留多久？官方默认最长 30 天，法律要求或防滥用需要时可能更长。
能否零数据留存？截至写作时，官方数据控制表把 /v1/audio/transcriptions 与 /v1/audio/translations 的滥用监控留存标为 None，并列为 ZDR 可用；但 ZDR 需单独申请，按组织或项目配置。
子处理商、数据区域和跨境传输怎么安排？删除请求多久生效、有无回执？
走网关时，音频和转写文本是否落盘、日志留多久、谁能访问？

要把数据条款、ZDR 审批和删除流程归档。国内团队把录音传到境外，可能触发跨境数据流程，先让法务和安全确认，再谈技术接入。

三、账号、权限与访问控制

企业账号和个人账号的差别不在额度，而在责任边界。建议按顺序搭：

用企业域名邮箱注册，绑定公司主体，设两个管理员。
开启双因素认证；平台支持 SSO 或 SCIM 时优先启用。
按环境拆项目，生产、测试、个人实验不共用 Key。
每个服务单独发 Key，只授予需要的模型和接口权限。
Key 只放服务端环境变量或密钥管理服务，不进前端和 Git。
建 Key 台账，记录负责人、用途和吊销时间，每季度盘点。

走中商起航 AI 网关时，还要确认成员权限、子账号额度、调用日志和 Key 吊销是否即时生效。多一层管理面就多一层数据边界，权限方案要提前演练。

四、计费、合同与发票

语音转写按音频时长计费，和文本按 Token 计费不是一套逻辑。签约前确认：计费单位、取整方式、静音和失败请求是否计费、重试是否重复计费、有无最低消费。具体费率以模型价格和合同为准，不要用文本模型价格推算音频成本。

直连账单清晰，但国际付款、汇率和发票要自己处理；国内网关通常提供人民币付款和发票，票种与开票周期以平台为准。企业付款建议走对公，保留合同、订单、付款回单和发票。预付费余额能否退、涨价是否提前通知，都要写进采购单。

五、准确率与验收：用金标集说话

转写准确率不是统一数字。安静会议室和车载免提、通用领域和满是型号人名的病历，结果可能差很多。验收要自建金标集，不能只听演示。

金标集建议 50–100 段，按口音、噪声、领域词、语言、时长和设备分层，每段保留人工校对文本，盲测不把答案给厂商。指标至少看五项：字错率（中文用 CER）、标点与分段、时间戳、说话人分离、静音或音乐段是否出现幻觉文本。

需要时间戳时，官方文档目前把 whisper-1 作为支持词级或段级时间戳的模型；较新的转写模型在提示词和流式输出上更强，但边界不同。说话人分离有专门模型，长音频需要分块策略，是否适合会议场景要单独测。模型清单变化快，以官方文档为准。

六、直连、网关与自托管怎么选

方案	适合场景	优点	代价
OpenAI 直连	有海外付款与合规通道，只用 OpenAI	链路短，责任清楚	跨境网络、汇率、发票自己扛
国内 AI 网关	需要人民币付款、统一 Key 和多模型账单	接入快，账单集中	多一层边界，音频接口要逐项验证
开源自托管	数据不能出内网，或需固定模型版本	数据留在自己环境	GPU 运维、升级、安全自己负责

自托管不是免费方案。开源 Whisper 权重可部署在自己的服务器上，但推理资源、并发扩容、故障恢复和模型评估都要自己承担。它适合数据边界极硬、调用量稳定、有运维能力的团队；偶尔转写几场会议，托管接口更省事。

选网关验证三件事：音频转写接口是否完整转发、支持哪些模型和 response_format、错误码是否可读。不要假设文本接口能用，音频接口就一定能用。需要人民币付款、统一账单和发票的团队，可以先注册中商起航 AI 网关，小额跑通后再放量。

七、容错、成本监控与试点清单

转写是批量任务，失败不可怕，没人知道才可怕。生产环境至少做四层：上传前去重、失败后退避重试、超阈值任务进死信队列、主通道不可用时切备用通道。长音频按静音或固定时长切块，块间留 1–2 秒重叠。

成本监控别只看月底账单。按项目记录每天处理的音频分钟数、失败率、单场成本和人工复核工时，设置 50%、80% 和超额三档告警。下面脚本可先算清一批文件的总时长，用来对照预算：

import json
import pathlib
import subprocess

total = 0.0
for path in pathlib.Path("audio").glob("*.mp3"):
    info = subprocess.check_output([
        "ffprobe", "-v", "quiet", "-print_format", "json",
        "-show_format", str(path),
    ])
    total += float(json.loads(info)["format"]["duration"])

print(f"总时长 {total / 60:.1f} 分钟")

试点不要只跑一条成功请求，按清单逐项签字：

月用量测算完成，峰值和重试系数写入预算。
隐私问卷、数据条款和 ZDR 结论归档，法务确认跨境。
Key 权限与吊销流程演练通过。
金标集盲测达到业务阈值，噪声和口音样本单独评估。
超过 25 MB 的长音频切分、合并和时间戳对齐通过。
断网、限流、超时三种故障的降级路径演练通过。
账单与实际用量对账，发票类型和开票周期确认。
成本告警、人工复核和责任人落到具体人。

任何一项没材料，都建议先不上生产。语音转写连着会议、客服和内容发布，出错影响比文本请求更直接。

常见问题

Whisper API 是按分钟还是按 Token 计费？

通常按音频时长计费，具体单位、取整方式和最低计费单位以官方页面为准；走网关看站内模型价格。不要用文本价格推算音频成本。

API 音频会被用于训练吗？

OpenAI 说明自 2023 年 3 月 1 日起，API 数据默认不用于训练，除非主动共享。滥用监控日志默认最长 30 天；转写与翻译接口当前标为无滥用监控留存且可用 ZDR，但 ZDR 需单独申请。

长会议超过 25 MB 怎么办？

官方单文件上限是 25 MB。可按静音段或固定时长切分，块间留 1–2 秒重叠，转写后按时间戳合并；也可先压缩码率。切分会缩短上下文，专有名词和说话人一致性要额外校对。

国内团队应该直连还是走网关？

有海外付款渠道、合规能过、只调用 OpenAI，直连链路更短。需要人民币付款和统一账单，网关更省事，但要确认音频接口范围、数据留存和故障切换。

转写准确率不达标怎么办？

先分清是音频质量、口音、领域词还是模型能力问题。能改的是录音设备、降噪、提示词或热词；仍不达标再换模型或评估自托管。验收看金标集整体结果，不要用单条样例下结论。