Precios de modelos de voz a texto comparados
Costo por hora de cada modelo de transcripción que BibiGPT puede usar, más algunas APIs de referencia. Los modelos que cobran por token se convierten con las densidades que medimos.
Precios verificados el 2026-10-26. Son precios de lista del proveedor, no los precios de BibiGPT.
| Modelo | por hora | 10 h | Precio de lista | Puntos fuertes | En BibiGPT |
|---|---|---|---|---|---|
Transcripción en el dispositivo con Bibi Local App de escritorio Bibi Local SenseVoice / Whisper (on device)El audio nunca sale de tu equipo. La velocidad depende de tu computadora. | $0 | $0 | Gratis (se ejecuta en tu equipo) | zh/en/ja/ko/yue y más Marcas por palabra | En el dispositivo App de escritorio, modo local Descargar Bibi Local |
Qwen-Audio-3.1 ASRMás barato Alibaba Qwen qwen-audio-3.1-asr-flash-filetransUnos ¥0.075–0.10 por hora en nuestras muestras en chino, la opción en la nube más barata que medimos. Mejor que Paraformer con nombres de productos; conserva las muletillas. | $0.0136Medido | $0.136 | ¥0.8 de entrada / ¥2.7 de salida por 1M de tokens (región de Pekín) | 30 idiomas + 10 dialectos del chino Marcas por palabraEtiquetas de hablantePalabras claveDialectos | En BibiGPT |
StepAudio 2.5 ASR StepFun stepaudio-2.5-asrLa API más barata cobrada por duración. Fuerte en mandarín; sin dialectos ni etiquetas de hablante. | $0.0211 | $0.211 | ¥0.15/hora ($0.022/hora) | Chino, inglés Marcas por palabraPalabras clave | En BibiGPT |
Paraformer v2 Alibaba Qwen paraformer-v2La opción por defecto de BibiGPT para video en chino, con etiquetas de hablante y eliminación de muletillas activadas. Débil con nombres de marcas. | $0.0406 | $0.406 | ¥0.00008/segundo | zh/en/ja/ko/de/fr/ru + ~18 acentos Marcas por palabraEtiquetas de hablantePalabras claveSin muletillasDialectos | En BibiGPT |
DeepSeek POST /v1/tools/asrMedido en FLEURS: CER del 1,9 % en chino (2.º de 6) y WER del 6,4 % en inglés, alrededor de 1 s por clip. Máximo 120 s por archivo y sin marcas de tiempo: sirve para dictado más que para subtítulos. | $0.058 | $0.58 | 0,116 $/hora (50 % de descuento por tiempo limitado: 0,058 $), por segundo | 21 idiomas, incluido el cantonés, con detección automática Dialectos | No está en BibiGPT |
Grok Voice Transcribe 2.0 xAI grok-voice-transcribe-2.0Una opción barata para inglés y otros audios sin CJK. No sirve para chino. | $0.1 | $1 | $0.10/hora (por lotes) | 25 idiomas (sin CJK) Marcas por palabraEtiquetas de hablante | En BibiGPT |
Whisper large-v3 (Groq) Código abierto de OpenAI / Groq whisper-large-v3Cubre casi todos los idiomas y es muy rápido. Sin etiquetas de hablante; puede alucinar con los silencios. | $0.111 | $1.11 | $0.111/hora | 99 idiomas Marcas por palabra | En BibiGPT |
Qwen3-ASR Flash Alibaba Qwen qwen3-asr-flash-filetransDevuelve etiquetas de emoción, algo que 3.1 no hace. Sin etiquetas de hablante. | $0.112 | $1.12 | ¥0.00022/segundo | ~27 idiomas + 4 dialectos Marcas por palabraEmociónDialectos | En BibiGPT |
Qwen-Audio-3.0 ASR Alibaba Qwen qwen-audio-3.0-asr-flash-filetransLista de dialectos más amplia que 3.1, a un precio unas 8–10 veces mayor. | $0.112 | $1.12 | ¥0.00022/segundo | La mayor cobertura de dialectos del chino Marcas por palabraDialectos | En BibiGPT |
ElevenLabs Scribe v2 ElevenLabs scribe_v2Fiable en muchos idiomas y con etiquetas de hablante. Usa tu propia clave de ElevenLabs. | $0.22 | $2.2 | $0.22/hora (por lotes) | Más de 90 idiomas Marcas por palabraEtiquetas de hablanteEventos de sonidoPalabras clave | En BibiGPT · tu clave |
Deepgram Nova-3 Deepgram deepgram/nova-3Opción veterana para llamadas y reuniones en inglés. Se puede elegir con una clave de OpenRouter. | $0.258 | $2.58 | $0.0043/minuto (OpenRouter) | Multilingüe, más fuerte en inglés Marcas por palabraEtiquetas de hablantePalabras clave | En BibiGPT · tu clave |
GPT Transcribe OpenAI openai/gpt-transcribeSe puede elegir con una clave de OpenRouter. Solo texto, sin marcas de tiempo ni hablantes. | $0.27 | $2.7 | $0.0045/minuto (OpenRouter) | Multilingüe | En BibiGPT · tu clave |
Gemini 3.5 Transcribe Google gemini-3.5-transcribeElimina muletillas y autocorrecciones de forma nativa. Usa tu propia clave de Gemini. | $0.31Est. | $3.1 | $2 de audio de entrada / $12 de texto de salida por 1M de tokens (estimación oficial de unos $0.005/minuto) | Más de 85 idiomas Marcas por palabraEtiquetas de hablanteSin muletillas | En BibiGPT · tu clave |
Doubao ASR de audio grabado ByteDance Volcengine volc.bigasr.aucFuerte en chino y dialectos. Requiere un AppID y un token de Volcengine. | $0.324 | $3.24 | Estándar ¥2.3/hora; fuera de hora punta ¥1.2; ASR de archivos 2.0 ¥0.8 | zh/en + 5 dialectos Marcas por palabraEtiquetas de hablantePalabras claveDialectos | En BibiGPT · tu clave |
MAI-Transcribe 1.5 Microsoft microsoft/mai-transcribe-1.5Se puede elegir en el transcriptor con una clave de OpenRouter. | $0.36 | $3.6 | $0.36/hora (OpenRouter) | Multilingüe Marcas por palabra | En BibiGPT · tu clave |
Fish Audio Transcribe Pro Fish Audio transcribe-1-proEtiquetas de hablante y de eventos de sonido; BibiGPT quita de los subtítulos eventos como [click]. Rendimiento medio con nombres chinos. | $0.36 | $3.6 | $0.0001/segundo | 83 idiomas (según el proveedor) Marcas por palabraEtiquetas de hablanteEventos de sonido | En BibiGPT · tu clave |
StepAudio 3 ASR StepFun stepaudio-3-asr-maxEmpatado en primer lugar en el WER por lotes de Artificial Analysis. Sin palabras clave, entendió “BibiGPT” como “Bilibili GPT”. | $0.394 | $3.94 | ¥2.8/hora (sitio internacional $0.40/hora) | Chino, inglés Marcas por palabraPalabras clave | En BibiGPT · tu clave |
- Entrada de audio de Gemini: 25 tokens por segundo; la transcripción de salida ronda los 3 tokens por segundo.
- Qwen-Audio-3.1: unos 20 tokens de entrada + 4 de salida por segundo, medidos con nuestras propias muestras en chino.
- CNY ↔ USD a 7.1.
Preguntas frecuentes
¿Qué modelo de transcripción es el más barato?
En nuestras muestras, la transcripción de archivos con Qwen-Audio-3.1 salió en unos ¥0.075–0.10 por hora, por debajo de StepAudio 2.5 (¥0.15/h) y Paraformer v2 (¥0.288/h). Los modelos en el dispositivo de la app de escritorio Bibi Local no cuestan nada.
¿Qué diferencia hay entre STT, en vivo y TTS?
STT convierte una grabación terminada en texto y se cobra por hora de audio. Los modelos en vivo hacen lo mismo mientras hablas, o te responden con voz, y cuestan más. TTS va en sentido contrario: entra texto, sale voz, y suele cobrarse por carácter.
¿Por qué algunos precios llevan la marca “Est.”?
Esos modelos cobran por tokens, no por minutos. Convertimos con las densidades de tokens indicadas bajo la tabla; tu factura real varía con la velocidad del habla y el idioma.
¿Puedo usar estos modelos en BibiGPT?
Los modelos marcados “En BibiGPT” están cubiertos por la membresía. Los de “tu clave” se pueden elegir una vez que pegas tu propia clave de API. Los modelos “En el dispositivo” funcionan gratis en la app de escritorio Bibi Local. Las filas “No está en BibiGPT” se listan solo como referencia.
Pruébalos con tu propio audio
Pega un enlace de YouTube, Bilibili o de un podcast en BibiGPT y elige el motor en los ajustes de transcripción. Para grabaciones privadas, Bibi Local transcribe en tu propio equipo.