Preise für Text-to-Speech-Modelle im Vergleich
Jede Stimme, mit der BibiGPT vertonen kann, mit Preis pro Million Zeichen und einer offiziellen Hörprobe. Token-basierte Modelle werden mit etwa 15 Zeichen pro Sprechsekunde umgerechnet.
Preise geprüft am 2026-10-26. Es sind Upstream-Listenpreise, keine BibiGPT-Preise.
| Modell | Anhören | pro 1 Mio. Zeichen | 1 Mio. Zeichen | Listenpreis | Stärken | In BibiGPT |
|---|---|---|---|---|---|---|
Kokoro-82M (im Browser) Open Source · auf dem Gerät kokoro-jsKostenlos; der Text bleibt im Browser. Nicht unterstützte Sprachen fallen auf die Systemsprachausgabe zurück. | $0 | $0 | Kostenlos (läuft im Browser, einmaliger Download von ca. 86 MB) | zh/en/ja Geringe Latenz | Auf dem Gerät Vorlesen im Browser | |
Qwen-Audio-3.1 TTS FlashGünstigster Alibaba Qwen qwen-audio-3.1-tts-flash3.1 wurde auf Token-Abrechnung umgestellt; BibiGPT nutzt weiterhin 3.0 Flash. | $2.87Gesch. | $2.87 | ¥1.5 Eingabe / ¥12 Ausgabe pro 1 Mio. Tokens (Region Peking) | zh/en + Dialektstimmen Stimmdesign | Nicht in BibiGPT | |
xAI TTS xAI (gehostet auf fal) xai/tts/v1Die günstigste Option pro Zeichen, die wir nutzen. | $15 | $15 | $0.015 pro 1.000 Zeichen | Mehrsprachig, Chinesisch auf Anfrage Geringe Latenz | In BibiGPT | |
Qwen-Audio-3.0 TTS Flash Alibaba Qwen (OpenRouter) qwen/qwen-audio-3.0-tts-flashGünstige, stabile chinesische Vertonung. | $15 | $15 | $15 pro 1 Mio. Zeichen (OpenRouter); China-Seite ¥1 pro 10.000 Zeichen, ein chinesisches Zeichen zählt als 2 | zh/en + Dialektstimmen | In BibiGPT | |
Fish Audio S2.1 Pro Fish Audio fish-audio/s2.1-proAbrechnung pro Byte: $15 pro Million englische Zeichen, etwa $45 pro Million chinesische Zeichen. Solides Stimmklonen. | $15 | $15 | $15 pro 1 Mio. UTF-8-Bytes (ein chinesisches Zeichen hat etwa 3 Bytes) | 80+ Sprachen StimmklonenAusdrucks-Tags | In BibiGPT | |
HeyGen Voice HeyGen (OpenRouter) heygen/heygen-voice-1Liest Chinesisch und Englisch; Standardstimme ist Nadine. | $15 | $15 | $15 pro 1 Mio. Zeichen (OpenRouter; Turbo-Stufe $4) | Mehrsprachig | In BibiGPT | |
Gemini 3.8 Flash TTS Google gemini-3.8-flash-ttsStandardstimme für die Vertonung. Mehrere Sprecher in einem Aufruf; der Ton lässt sich mit Prompts in natürlicher Sprache steuern. | $15.1Gesch. | $15.1 | $0.50 Texteingabe / $9 Audioausgabe pro 1 Mio. Tokens (ab 2027 doppelt: $1 / $18) | 80+ Sprachen Mehrere SprecherAusdrucks-Tags | In BibiGPT | |
GPT-4o mini TTS OpenAI gpt-4o-mini-ttsDer Ton lässt sich per Anweisung steuern; Chinesisch hat einen leichten Akzent. | $16.2Gesch. | $16.2 | $0.60 Texteingabe / $12 Audioausgabe pro 1 Mio. Tokens (ca. $0.015/Min.) | Mehrsprachig Ausdrucks-Tags | Nicht in BibiGPT | |
DeepSeek POST /v1/tools/ttsNur zwei Stimmen (Stella, Tide), keine Steuerung von Tempo oder Emotion. Im Test etwa 1 s bis zum ersten Ton, rund 5× Echtzeit. Chinesisch zählt doppelt, also ca. $45 pro Million chinesischer Zeichen. | Kein offizielles Beispiel | $22.5 | $22.5 | $0,45 pro 10.000 Zeichen (befristet 50 % Rabatt: $0,225); ein chinesisches Zeichen zählt doppelt | Mandarin, Kantonesisch, Englisch, Japanisch, Koreanisch und 5 weitere Geringe Latenz | In BibiGPT |
Deepgram Aura-2 Deepgram aura-2Englisches TTS mit geringer Latenz für Sprach-Agenten. | $30 | $30 | $0.030 pro 1.000 Zeichen | Englisch und einige weitere Geringe Latenz | Nicht in BibiGPT | |
Eleven Flash v2.5 / v4 Turbo ElevenLabs eleven_flash_v2_5 · eleven_v4_turboCa. 75–100 ms bis zum ersten Audio. Beim Vertonen im ElevenLabs-Modellmenü auswählen. | Kein offizielles Beispiel | $40 | $40 | $0.04 pro 1.000 Zeichen | 32 Sprachen (v4 Turbo: 90+) StimmklonenGeringe Latenz | In BibiGPT |
Eleven v4 / v3 ElevenLabs eleven_v4 · eleven_v3Die ausdrucksstärkste Stufe; die Qualität bei Chinesisch hängt von der Stimme ab. | $80 | $80 | $0.08 pro 1.000 Zeichen | 70+ Sprachen StimmklonenAusdrucks-TagsMehrere Sprecher | In BibiGPT | |
MiniMax Speech 2.8 HD MiniMax speech-2.8-hdNatürlichster chinesischer Vortrag; die Turbo-Stufe kostet $60 pro Million Zeichen. | $100 | $100 | $100 pro 1 Mio. Zeichen (international); China-Seite ¥3.5 pro 10.000 Zeichen, ein chinesisches Zeichen zählt als 2 | 40 Sprachen, am besten in Chinesisch StimmklonenStimmdesignAusdrucks-Tags | In BibiGPT | |
Seed Audio 1.0 ByteDance Seed (gehostet auf fal) bytedance/seed-audio-1.0Abrechnung pro Audiominute. Beschreiben Sie die Stimme in einem Satz; kein Referenzclip nötig. | $208Gesch. | $208 | $0.1875 pro Audiominute (fal); Volcengine China ¥1/Min. | Chinesisch, Englisch Stimmdesign | In BibiGPT | |
MiMo V2 TTS Xiaomi mimo-v2-ttsNatürlich gesprochenes Chinesisch. | Offen | — | Nicht veröffentlicht (die offizielle Preisseite führt nur v2.5 TTS als zeitlich begrenzt kostenlos) | Chinesisch, Englisch Ausdrucks-Tags | In BibiGPT |
- Token-basiertes TTS von Gemini / Qwen: 25 Audio-Tokens pro Sekunde, etwa 15 Zeichen pro Sprechsekunde.
- Chinesischer Text wird meist pro Zeichen berechnet; manche Anbieter zählen ein chinesisches Zeichen als 2. Maßgeblich ist Ihre Rechnung.
- 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.
Hören Sie diese Stimmen bei Ihren eigenen Inhalten
Verwandeln Sie in BibiGPT eine Zusammenfassung in ein vertontes Bildvideo und wählen Sie dort die Stimm-Engine.