计费标准，参阅官网：http://arctime.cn/zh/service.html

Arctime的语音识别服务，目前是业界最便宜、最优惠、最实在的。
1、其它商家普遍40元/小时，讯飞是19.8元/小时，Arctime只要16元/小时。
2、计时方式有很大不同。假设一小时的音频，里面只有30分钟是人物说话的声音，其它商家按一小时来计费，Arctime只按30分钟来计费。这30分钟，叫“实际有效语音时长”。
另外30分钟，可能是背景音、静音，Arctime不计费。
从这个层面来说，Arctime计费更科学，更合理，更公道，为用户节省了一笔可观的费用。
有人物说话的声音，才需要识别，才需要自动生成字幕。
也就是说，有人物说话的声音，才算钱；没有人物说话的声音，不算钱。
其它商家，不管有没有人物说话，都算钱。一小时的音频，就按一小时来算。
实际上，一小时的音频，不可能从头到尾，都是人物说话的声音，中间肯定有背景音、静音，不可能从头说到尾，连停顿、喘气都不用。
3、16元/小时是什么概念？相当于你请开发者吃一顿麦当劳。
16块钱能用多久？可以做一部120分钟-150分钟的电影字幕，大约可以做10部15分钟以内的短视频（平均每部不到2块钱）。

考虑到Arctime的用户，有些是上班族的低收入人群，有些是没有收入、纯消费的学生，因此，价格定得很低，尽最大可能帮用户省钱。（如果你做短视频，连2块钱都消费不起，那就用免费版）
Arctime免费版（标准版），所有功能免费，完全免费，永久免费。免费版，能满足大多数人的普遍需求。实际上，里面也有语音识别功能，免费试用。
Arctime pro版（专业版），大部分功能是免费的，只有少数专业功能，需要付费才能使用。并不是所有功能都收费。

Arctime采用国内数一数二、业界最优秀的语音识别引擎，确保识别率达到最高境界。
一、什么样的视频、音频，适合拿来语音识别？
最好是标准录音、同期声录音，只有纯粹的人声，没有配乐（背景音乐）、背景噪音。
这样的视频、音频，识别率可达97%以上。
如果有少量配乐、少量背景噪音，也是可以的，不过，识别率会有所降低。
二、哪些因素会影响识别率?
以普通话识别来举例。
1、录音不清晰，录音质量太次。
2、人物说话含混不清（口齿不清、吐字咬字不清）。
3、普通话不标准，说话带方言、带口音。比如广式普通话，既不象广东话，又不象普通话，两者杂交在一起。
4、同音字、同音词。汉语存在很多同音的字、同音的词，不考虑特定语境、不联系上下文，很难正确区分。
5、配乐、噪音，会对识别造成很大干扰，从而降低识别率。
三、什么样的视频、音频，不适合、不推荐拿来语音识别？
1、音频经过了混音合成，人物说话跟配乐（音乐、音效）完全混合在一起。而且，配乐音量很大，响度很大，持续不断，在整个音频中占据的比例很大。
2、背景噪音很大，比如：在热闹场所拍摄的视频、录制的音频，环境嘈杂、不清静，什么杂七杂八的声音都有。
3、有些娱乐节目，两个人同时说话、N个人同时说话，七嘴八舌的，难以应付。