Speko 这张榜单最扎眼的不是谁排第一，是价格。同一张表里，Universal-3.5 Pro 词错率2.0%，每分钟0.0075美元；Velma 2 词错率4.4%，每分钟只要0.0010美元。准确率差一倍多，价格差了七倍。
Speko 想替开发者省掉这道算术题：把语言、任务和预算丢给它，它自动挑模型，接口统一成OpenAI格式。它自称「语音版OpenRouter」，但这道题它算得准不准，眼下没人验证过——测评方法、实时延迟、故障切换机制，全都没公开。
发生了什么：一把钥匙换掉多套SDK
Speko 是一个语音AI的统一网关，接口完全兼容 OpenAI API。官方给的接入示例直接用了 LiveKit 的 Agent 框架代码。改动只有三处：base URL 换成 Speko 地址，API Key 换成 Speko 的Key，模型名填 auto。业务逻辑不用重写。
它想做的是按语言和任务路由，不是照搬某个厂商在英语上跑出来的排行榜。页面列出了英语、阿拉伯语、法语、德语、印地语、挪威语、西班牙语、泰米尔语、泰卢固语等多语言模型。一个法语呼叫中心和一个印地语语音助手，理论上会被路由到完全不同的模型组合。
硬指标：STT数据说明什么，谁该跟着调整
Speko 公开的量化对比，目前只覆盖语音转文字（STT）这一段，用词错率（WER）和每分钟成本两个维度打分。
| 排名 | 模型 | WER | 单价(美元/分钟) |
|---|---|---|---|
| 1 | Universal-3.5 Pro | 2.0% | 0.0075 |
| 2 | GPT-4o Transcribe | 2.3% | 0.0060 |
| 3 | GPT-4o-mini Transcribe | 2.7% | 0.0030 |
| 4 | Qwen3-ASR | 2.8% | 0.0054 |
| 5 | Realtime STT-1 | 3.3% | 0.0025 |
| 6 | Velma 2 | 4.4% | 0.0010 |
准确率和价格不同向。Universal-3.5 Pro 最准，也是这几家里最贵的一档：2.0%的错误率对应每分钟0.0075美元。Velma 2 最便宜，每分钟0.0010美元，错误率却是Universal-3.5 Pro的两倍多。GPT-4o-mini Transcribe 卡在中间，2.7%配0.0030美元，价格和准确率相对均衡。这正是 Speko 想替开发者省掉的判断，也正是需要外部验证的判断。
页面上还有Flux、Scribe v2 Realtime、GPT Live Transcribe三个模型，只标价格没标WER。说明这套测评还在补全，不是一次做完的成品。
这张表直接影响两类人。做语音Agent、呼叫中心自动化、多语言语音产品的开发者，可以先拿非核心场景试水，比如单一语言的原型或者内部测试流量。观察自动路由在实时延迟和故障切换上的实际表现，再决定要不要把生产流量交给它。同时留一条退路，保留手动指定模型的能力。
负责模型采购和基础设施选型的技术负责人，签约或规模化之前，先问清楚三件事：测试集从哪来，故障切换有没有SLA，数据出境和留存政策写没写清楚。没问清楚之前，可以把 Speko 当成候选测评工具去参考，而不是唯一入口。和直连供应商的方案并行跑一段时间成本和延迟，比一步到位换成自动路由更稳。
锐评：测评可信度，才是真正的关卡
语音路由比文本路由多一层麻烦。LLM 路由基本只看质量和价格，语音还要扛实时延迟、并发和抖动丢包下的容错。Speko 现在拿得出手的，只是一张离线跑分表，测试集来源、并发压力、路由失败率，一概没提。
孟子说「尽信书，不如无书」。一张自制榜单最大的价值不在排名本身，而在能不能被别人复现。
值得肯定的是，它把测评摆上台面，比很多只喊「多供应商接入」的中间层诚实。但诚实不等于可信。所有请求都要经过这一层网关，开发者的语音数据、调用日志、模型偏好都要过它的手。原本想躲开被单家厂商绑死，现在多了一个新的绑点。
接下来该盯的，不是它接了多少家供应商，而是三件事：测评能不能被第三方复现，故障切换有没有实测数据公开，数据留存和出境政策写没写清楚。这三条不过关，统一接口再方便，也只是把选型的麻烦换成了信任的麻烦。