Preise für Echtzeit-Sprachmodelle im Vergleich
Zweierlei „Live“: Streaming-Transkription für Untertitel und Speech-to-Speech-Modelle für den Sprachchat. Beide auf Kosten pro Stunde normalisiert.
Preise geprüft am 2026-10-26. Es sind Upstream-Listenpreise, keine BibiGPT-Preise.
Live-Transkription
| Modell | pro Stunde | 10 Std. | Listenpreis | Stärken | In BibiGPT |
|---|---|---|---|---|---|
Apple Speech (auf dem Gerät, macOS) Apple SFSpeechRecognizerKostenlos und offline nutzbar; weniger genau als Cloud-Modelle. | $0 | $0 | Kostenlos (ins System integriert) | Systemsprachen Geringe Latenz | Auf dem Gerät Mac-App, Live-Diktat per Mikrofon |
Qwen-Audio-3.1 ASR StreamingGünstigster Alibaba Qwen qwen-audio-3.1-asr-flash-streamingLaut Hersteller ca. 160 ms bis zum ersten Token (nicht gemessen). Eine Größenordnung teurer als die Dateiversion. | $0.07Gesch. | $0.7 | ¥6 Eingabe / ¥4.5 Ausgabe pro 1 Mio. Tokens (Region Peking) | 30 Sprachen + 10 Dialekte Geringe LatenzHotwordsDialekte | Nicht in BibiGPT |
Soniox Real-time Soniox stt-rtDie günstigste Echtzeit-Transkription außerhalb Chinas, die wir gefunden haben; kann nebenbei übersetzen. | $0.12 | $1.2 | $0.12/Std. | 60 Sprachen Geringe LatenzSprecherkennungWort-Zeitstempel | Nicht in BibiGPT |
Paraformer Realtime v2 Alibaba Qwen paraformer-realtime-v2Die günstigste und berechenbarste Echtzeit-ASR in China. | $0.122 | $1.22 | ¥0.00024/Sek. (10 Gratisstunden pro Monat) | zh/en/ja/ko + Akzente Geringe LatenzHotwordsDialekte | Nicht in BibiGPT |
Doubao Streaming-ASR 2.0 ByteDance Volcengine Doubao streaming ASR model 2.0Starkes Echtzeit-Chinesisch zu etwa dem Preis von Paraformer Realtime. | $0.141 | $1.41 | ¥1/Std. (pro Mono-Kanal, gestaffelt) | zh/en + Dialekte Geringe LatenzHotwordsDialekte | Nicht in BibiGPT |
AssemblyAI Universal-Streaming AssemblyAI universal-streamingEine verbreitete reine Hörschicht für Sprach-Agenten. Die Stufe Pro Realtime kostet $0.45/Std. | $0.15 | $1.5 | $0.15/Std. | Englisch + mehrsprachig Geringe LatenzWort-Zeitstempel | Nicht in BibiGPT |
Qwen3-ASR Flash Realtime Alibaba Qwen qwen3-asr-flash-realtimeEchtzeit-ASR aus China mit Emotionslabels. | $0.167 | $1.67 | ¥0.00033/Sek. (wie fun-asr-realtime) | ~27 Sprachen + 4 Dialekte Geringe LatenzEmotionDialekte | Nicht in BibiGPT |
Grok Voice Transcribe (Streaming) xAI grok-voice-transcribe-2.0Günstige Live-Untertitel für Englisch; kein Chinesisch. | $0.2 | $2 | $0.20/Std. (WebSocket) | 25 Sprachen (kein CJK) Geringe LatenzWort-ZeitstempelSprecherkennung | Nicht in BibiGPT |
Deepgram Nova-3 Streaming Deepgram nova-3Seit Langem eine gute Wahl für englische Anrufe und Meetings. Der aktuelle Preis ist ein zeitlich begrenzter Aktionspreis. | $0.288 | $2.88 | $0.0048/Min. (einsprachig, Aktionspreis; mehrsprachig $0.0058) | Mehrsprachig, am stärksten in Englisch Geringe LatenzSprecherkennungHotwords | Nicht in BibiGPT |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1Abrechnung pro Sitzungsstunde, Stille eingeschlossen. | $0.36 | $3.6 | $0.36/Sitzungsstunde (Vorschau) | Mehrsprachig Geringe Latenz | Nicht in BibiGPT |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtimeMehrsprachige Live-Untertitel, ca. 150 ms Latenz (Herstellerangabe). | $0.39 | $3.9 | $0.39/Std. | 90+ Sprachen Geringe LatenzWort-Zeitstempel | Nicht in BibiGPT |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-liveEtwa 80% teurer als die Dateiversion, dafür gibt es Text, während Sie sprechen. | $0.542Gesch. | $5.42 | $3.50 Audioeingabe / $21 Textausgabe pro 1 Mio. Tokens (offizielle Schätzung ca. $0.009/Min.) | 85+ Sprachen Geringe LatenzSprecherkennungFüllwörter entfernen | In BibiGPT Live-Transkription (Web / Desktop) |
GPT Live Transcribe OpenAI gpt-live-transcribeIm oberen Preisbereich für Live-Untertitel; gpt-realtime-translate kostet $0.034/Min. | $1.02 | $10.2 | $0.017/Min. | Mehrsprachig Geringe Latenz | Nicht in BibiGPT |
Sprachkonversation in Echtzeit
| Modell | pro Stunde | 10 Std. | Listenpreis | Stärken | In BibiGPT |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus Alibaba Qwen qwen-audio-3.1-realtime-plusSpeech-to-Speech, vom chinesischen Festland aus erreichbar. Gleicher Listenpreis wie 3.0; der Kontext wird in jeder Runde neu berechnet. | $0.602Gesch. | $6.02 | ¥40 Audioeingabe / ¥150 Audioausgabe pro 1 Mio. Tokens (Region Peking) | Zuerst Chinesisch und Englisch Speech-to-SpeechGeringe Latenz | Nicht in BibiGPT |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-previewNatives Audio ein und aus, funktioniert mit Bildschirmfreigabe. Die günstigste Speech-to-Speech-Option hier. | $0.675Gesch. | $6.75 | $3 Audioeingabe / $12 Audioausgabe pro 1 Mio. Tokens (offizielle Schätzung $0.005 / $0.018 pro Minute) | Mehrsprachig Speech-to-SpeechGeringe Latenz | In BibiGPT Gemini Desktop und Web: Live-Sprachchat |
GPT Realtime Mini OpenAI gpt-realtime-miniDas Budget-GPT-Realtime, etwa ein Drittel des vollen Modells. | $0.9Gesch. | $9 | $10 Audioeingabe / $20 Audioausgabe pro 1 Mio. Tokens | Mehrsprachig Speech-to-SpeechGeringe Latenz | Nicht in BibiGPT |
GPT Realtime OpenAI gpt-realtimeDie gängige Basis für Sprach-Agenten; lange Sitzungen zahlen zusätzlich für Kontext-Tokens. | $2.88Gesch. | $28.8 | $32 Audioeingabe / $64 Audioausgabe pro 1 Mio. Tokens (Audio bei gpt-realtime-2 identisch) | Mehrsprachig Speech-to-SpeechGeringe Latenz | Nicht in BibiGPT |
Grok Voice 3.0 xAI grok-voice-3.0Fester Preis pro Minute: leicht zu kalkulieren, aber der höchste Tarif hier. | $4.8 | $48 | $0.08/Min. (plus Texteingabe) | Mehrsprachig Speech-to-SpeechGeringe Latenz | Nicht in BibiGPT |
- 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.
- Bei Sprachkonversation wird angenommen, dass der Nutzer 50% der Stunde spricht und das Modell den Rest.
- 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.