Preise für Speech-to-Text-Modelle im Vergleich
Kosten pro Stunde für jedes Transkriptionsmodell, das BibiGPT ausführen kann, plus einige Referenz-APIs. Token-basierte Modelle werden mit den von uns gemessenen Dichten umgerechnet.
Preise geprüft am 2026-10-26. Es sind Upstream-Listenpreise, keine BibiGPT-Preise.
| Modell | pro Stunde | 10 Std. | Listenpreis | Stärken | In BibiGPT |
|---|---|---|---|---|---|
Bibi Local Transkription auf dem Gerät Bibi Local Desktop-App SenseVoice / Whisper (on device)Das Audio verlässt Ihr Gerät nie. Die Geschwindigkeit hängt von Ihrem Computer ab. | $0 | $0 | Kostenlos (läuft auf Ihrem Computer) | zh/en/ja/ko/yue und mehr Wort-Zeitstempel | Auf dem Gerät Desktop-App, lokaler Modus Bibi Local herunterladen |
Qwen-Audio-3.1 ASRGünstigster Alibaba Qwen qwen-audio-3.1-asr-flash-filetransEtwa ¥0.075–0.10 pro Stunde bei unseren chinesischen Beispielen, die günstigste Cloud-Option, die wir gemessen haben. Besser bei Produktnamen als Paraformer; Füllwörter bleiben erhalten. | $0.0136Gemessen | $0.136 | ¥0.8 Eingabe / ¥2.7 Ausgabe pro 1 Mio. Tokens (Region Peking) | 30 Sprachen + 10 chinesische Dialekte Wort-ZeitstempelSprecherkennungHotwordsDialekte | In BibiGPT |
StepAudio 2.5 ASR StepFun stepaudio-2.5-asrDie günstigste nach Dauer abgerechnete API. Stark bei Mandarin; keine Dialekte und keine Sprecherkennung. | $0.0211 | $0.211 | ¥0.15/Std. ($0.022/Std.) | Chinesisch, Englisch Wort-ZeitstempelHotwords | In BibiGPT |
Paraformer v2 Alibaba Qwen paraformer-v2Die Standardwahl von BibiGPT für chinesische Videos, mit Sprecherkennung und Entfernung von Füllwörtern. Schwach bei Markennamen. | $0.0406 | $0.406 | ¥0.00008/Sek. | zh/en/ja/ko/de/fr/ru + ~18 Akzente Wort-ZeitstempelSprecherkennungHotwordsFüllwörter entfernenDialekte | In BibiGPT |
DeepSeek POST /v1/tools/asrGemessen auf FLEURS: 1,9 % CER auf Chinesisch (Platz 2 von 6), 6,4 % WER auf Englisch, etwa 1 s pro Clip. Maximal 120 s pro Datei, keine Zeitstempel – eher für Spracheingabe als für Untertitel. | $0.058 | $0.58 | $0,116/Stunde (befristet 50 % Rabatt: $0,058), sekundengenau | 21 Sprachen inkl. Kantonesisch, automatisch erkannt Dialekte | Nicht in BibiGPT |
Grok Voice Transcribe 2.0 xAI grok-voice-transcribe-2.0Eine günstige Wahl für Englisch und andere nicht-CJK-Sprachen. Nicht für Chinesisch. | $0.1 | $1 | $0.10/Std. (Batch) | 25 Sprachen (kein CJK) Wort-ZeitstempelSprecherkennung | In BibiGPT |
Whisper large-v3 (Groq) OpenAI Open Source / Groq whisper-large-v3Die meisten Sprachen und sehr schnell. Keine Sprecherkennung; kann bei Stille halluzinieren. | $0.111 | $1.11 | $0.111/Std. | 99 Sprachen Wort-Zeitstempel | In BibiGPT |
Qwen3-ASR Flash Alibaba Qwen qwen3-asr-flash-filetransLiefert Emotionslabels, die 3.1 nicht bietet. Keine Sprecherkennung. | $0.112 | $1.12 | ¥0.00022/Sek. | ~27 Sprachen + 4 Dialekte Wort-ZeitstempelEmotionDialekte | In BibiGPT |
Qwen-Audio-3.0 ASR Alibaba Qwen qwen-audio-3.0-asr-flash-filetransLängere Dialektliste als 3.1, zu etwa dem 8–10-fachen Preis. | $0.112 | $1.12 | ¥0.00022/Sek. | Größte Abdeckung chinesischer Dialekte Wort-ZeitstempelDialekte | In BibiGPT |
ElevenLabs Scribe v2 ElevenLabs scribe_v2Zuverlässig über Sprachen hinweg, mit Sprecherkennung. Eigenen ElevenLabs-Schlüssel verwenden. | $0.22 | $2.2 | $0.22/Std. (Batch) | 90+ Sprachen Wort-ZeitstempelSprecherkennungGeräuschereignisseHotwords | In BibiGPT · Ihr Schlüssel |
Deepgram Nova-3 Deepgram deepgram/nova-3Seit Langem eine gute Wahl für englische Anrufe und Meetings. Mit einem OpenRouter-Schlüssel wählbar. | $0.258 | $2.58 | $0.0043/Min. (OpenRouter) | Mehrsprachig, am stärksten in Englisch Wort-ZeitstempelSprecherkennungHotwords | In BibiGPT · Ihr Schlüssel |
GPT Transcribe OpenAI openai/gpt-transcribeMit einem OpenRouter-Schlüssel wählbar. Nur Text, keine Zeitstempel oder Sprecher. | $0.27 | $2.7 | $0.0045/Min. (OpenRouter) | Mehrsprachig | In BibiGPT · Ihr Schlüssel |
Gemini 3.5 Transcribe Google gemini-3.5-transcribeEntfernt Füllwörter und Selbstkorrekturen von Haus aus. Eigenen Gemini-Schlüssel verwenden. | $0.31Gesch. | $3.1 | $2 Audioeingabe / $12 Textausgabe pro 1 Mio. Tokens (offizielle Schätzung ca. $0.005/Min.) | 85+ Sprachen Wort-ZeitstempelSprecherkennungFüllwörter entfernen | In BibiGPT · Ihr Schlüssel |
Doubao ASR für Aufnahmen ByteDance Volcengine volc.bigasr.aucStark bei Chinesisch und Dialekten. Erfordert eine Volcengine-AppID und ein Token. | $0.324 | $3.24 | Standard ¥2.3/Std.; Nebenzeit ¥1.2; Datei-ASR 2.0 ¥0.8 | zh/en + 5 Dialekte Wort-ZeitstempelSprecherkennungHotwordsDialekte | In BibiGPT · Ihr Schlüssel |
MAI-Transcribe 1.5 Microsoft microsoft/mai-transcribe-1.5Im Transkriptor mit einem OpenRouter-Schlüssel wählbar. | $0.36 | $3.6 | $0.36/Std. (OpenRouter) | Mehrsprachig Wort-Zeitstempel | In BibiGPT · Ihr Schlüssel |
Fish Audio Transcribe Pro Fish Audio transcribe-1-proTags für Sprecher und Geräuschereignisse; BibiGPT entfernt Ereignisse wie [click] aus den Untertiteln. Durchschnittlich bei chinesischen Namen. | $0.36 | $3.6 | $0.0001/Sek. | 83 Sprachen (Herstellerangabe) Wort-ZeitstempelSprecherkennungGeräuschereignisse | In BibiGPT · Ihr Schlüssel |
StepAudio 3 ASR StepFun stepaudio-3-asr-maxGleichauf an der Spitze bei der Batch-WER von Artificial Analysis. Ohne Hotwords verstand es „BibiGPT“ als „Bilibili GPT“. | $0.394 | $3.94 | ¥2.8/Std. (internationale Seite $0.40/Std.) | Chinesisch, Englisch Wort-ZeitstempelHotwords | In BibiGPT · Ihr Schlüssel |
- Gemini-Audioeingabe: 25 Tokens pro Sekunde; Transkriptausgabe etwa 3 Tokens pro Sekunde.
- Qwen-Audio-3.1: etwa 20 Eingabe- + 4 Ausgabe-Tokens pro Sekunde, gemessen an unseren eigenen chinesischen Beispielen.
- CNY ↔ USD zu 7.1.
FAQ
Welches Transkriptionsmodell ist am günstigsten?
In unseren Beispielen kostete die Dateitranskription mit Qwen-Audio-3.1 etwa ¥0.075–0.10 pro Stunde, weniger als StepAudio 2.5 (¥0.15/Std.) und Paraformer v2 (¥0.288/Std.). On-Device-Modelle in der Desktop-App Bibi Local kosten nichts.
Was ist der Unterschied zwischen STT, Live und TTS?
STT wandelt eine fertige Aufnahme in Text um und wird pro Audiostunde abgerechnet. Live-Modelle tun das, während Sie sprechen, oder antworten per Stimme, und kosten mehr. TTS arbeitet umgekehrt: Text hinein, Sprache heraus, meist pro Zeichen berechnet.
Warum sind manche Preise mit „Gesch.“ markiert?
Diese Modelle rechnen nach Tokens ab, nicht nach Minuten. Wir rechnen mit den unter der Tabelle genannten Token-Dichten um; Ihre tatsächliche Rechnung hängt von Sprechtempo und Sprache ab.
Kann ich diese Modelle in BibiGPT nutzen?
Mit „In BibiGPT“ markierte Modelle sind durch die Mitgliedschaft abgedeckt. Modelle mit „Ihr Schlüssel“ sind wählbar, sobald Sie Ihren eigenen API-Schlüssel eingefügt haben. „Auf dem Gerät“-Modelle laufen kostenlos in der Desktop-App Bibi Local. Zeilen mit „Nicht in BibiGPT“ dienen nur als Referenz.
Probieren Sie sie mit Ihrem eigenen Audio aus
Fügen Sie einen YouTube-, Bilibili- oder Podcast-Link in BibiGPT ein und wählen Sie die Engine in den Transkriptionseinstellungen. Für private Aufnahmen transkribiert Bibi Local direkt auf Ihrem Computer.