先说结论：如果你只需要 YouTube 字幕，并且能在住宅 IP 上运行 Python，开源的 youtube-transcript-api 免费又好用。如果你需要 TikTok、托管端点、逐词时间、字幕导出，或者面向 Claude 和 Cursor 的 MCP 服务器，选 Transcript Dock 或 Supadata 会更省事。如果你已经有音频文件，想要最好的原始识别效果，直接用 AssemblyAI。
下面的事实于 2026-10-09 对照各项目公开的文档或价格页面核对。价格和限额会变动，请以所链接的页面为准。
详细对比页面：与 Supadata 对比、与 TranscriptAPI 对比、与 youtube-transcript-api 对比，以及与 Apify 抓取工具对比。
并排对比#
| 对比项 | Transcript Dock | youtube-transcript-api | Supadata | AssemblyAI |
|---|---|---|---|---|
| 来源 | YouTube、TikTok 和 Instagram Reels 链接；文件上传和直接链接 | 仅限 YouTube | YouTube、TikTok、Instagram、X、Facebook | 你提供的音频文件或音频链接 |
| 现有字幕 | 创作者字幕和平台字幕；字幕轨道带有逐词时间时也会提供 | 支持（创作者上传的和自动生成的） | 支持 | 不支持，总是运行语音识别 |
| AI 转录 | 支持 YouTube、TikTok、上传文件和直接链接，每分钟 2 个点数 | 不支持 | 支持，每分钟 2 个点数 | 支持，这是它的核心产品 |
| 托管 / 自备环境 | 托管 API 和 MCP 服务器 | 在你自己机器上运行的 Python 库；没有代理时云服务器 IP 会被封锁 | 托管 API | 托管 API |
| MCP 服务器 | 支持 OAuth 登录的远程端点，另有 npx 包 | 无 | 远程端点和 npx 包 | 未列出官方服务器 |
| 导出格式 | JSON、SRT、VTT、TXT | 带有开始时间和时长的对象；SRT/WebVTT 格式化工具 | JSON | JSON、SRT、VTT |
| 免费额度 | 每月 50 个点数，无需绑定银行卡 | 免费（开源） | 每月 100 个点数 | $50 免费额度 |
| 入门价格 | 每月 $19，含 2,000 个点数 | $0（在云端运行时另需代理） | 每月 $5，按年计费，含 300 个点数 | 每音频小时 $0.15（Universal-2） |
youtube-transcript-api#
一个 Python 库，用来获取 YouTube 已经为视频生成的文稿，不需要 API 密钥，也不需要浏览器。它的 README 提到，YouTube“已开始封锁大多数已知属于云服务商的 IP”，所以在 AWS、GCP 或 VPS 上用于生产环境，需要轮换的住宅代理，库本身支持这一点。它不支持 TikTok，也不做 AI 转录。
- 适合选它的情况：只用 YouTube，写脚本或 notebook，并且你能控制 IP。
- 适合选 Transcript Dock 的情况：你需要托管端点、TikTok、批量任务、Webhook、导出或 MCP。
Supadata#
一个托管的文稿 API，覆盖 YouTube、TikTok、Instagram 和 X，可选为没有字幕的视频提供 AI 转录（按其价格页面，每生成一分钟 2 个点数），并提供 Make、Zapier、n8n 集成和 MCP 服务器。它是形态上最接近的替代方案。
- 适合选它的情况：你现在就需要 X 或 Facebook，或者需要它的无代码集成。
- 适合选 Transcript Dock 的情况：你想要带可重试标记的类型化错误码、幂等提交、带版本的 OpenAPI 契约、每个任务的点数上限，以及文稿缓存，让重新导出时不会再产生第二次请求。
AssemblyAI#
一个语音转文字 API：你提供音频文件或链接，它返回带逐词时间的文稿。它不接收 YouTube 或 TikTok 链接，也不使用现有字幕，所以处理社交视频时，你仍然需要自己获取并提取音频。它公布的价格是 Universal-2 每音频小时 $0.15，Universal-3.5 Pro 为 $0.21。
- 适合选它的情况：你已经有音频，并且想自己掌控整条流程。
- 适合选 Transcript Dock 的情况：输入是链接。系统会先获取字幕（没有识别成本），只有视频没有字幕时才使用识别。