Precios de modelos de voz en tiempo real comparados
Dos tipos de “en vivo”: transcripción en streaming para subtítulos y modelos voz a voz para chat de voz. Ambos normalizados a costo por hora.
Precios verificados el 2026-10-26. Son precios de lista del proveedor, no los precios de BibiGPT.
Transcripción en vivo
| Modelo | por hora | 10 h | Precio de lista | Puntos fuertes | En BibiGPT |
|---|---|---|---|---|---|
Apple Speech (en el dispositivo, macOS) Apple SFSpeechRecognizerGratis y funciona sin conexión; menos preciso que los modelos en la nube. | $0 | $0 | Gratis (integrado en el sistema) | Idiomas del sistema Baja latencia | En el dispositivo App de Mac, dictado en vivo por micrófono |
Qwen-Audio-3.1 ASR StreamingMás barato Alibaba Qwen qwen-audio-3.1-asr-flash-streamingEl proveedor afirma ~160 ms hasta el primer token (no medido). Un orden de magnitud por encima de la versión de archivos. | $0.07Est. | $0.7 | ¥6 de entrada / ¥4.5 de salida por 1M de tokens (región de Pekín) | 30 idiomas + 10 dialectos Baja latenciaPalabras claveDialectos | No está en BibiGPT |
Soniox Real-time Soniox stt-rtLa transcripción en tiempo real más barata que encontramos fuera de China; puede traducir sobre la marcha. | $0.12 | $1.2 | $0.12/hora | 60 idiomas Baja latenciaEtiquetas de hablanteMarcas por palabra | No está en BibiGPT |
Paraformer Realtime v2 Alibaba Qwen paraformer-realtime-v2El ASR en tiempo real más barato y predecible de China. | $0.122 | $1.22 | ¥0.00024/segundo (10 horas gratis al mes) | zh/en/ja/ko + acentos Baja latenciaPalabras claveDialectos | No está en BibiGPT |
Doubao ASR en streaming 2.0 ByteDance Volcengine Doubao streaming ASR model 2.0Chino en tiempo real de gran calidad, a un precio similar al de Paraformer Realtime. | $0.141 | $1.41 | ¥1/hora (por canal mono, por tramos) | zh/en + dialectos Baja latenciaPalabras claveDialectos | No está en BibiGPT |
AssemblyAI Universal-Streaming AssemblyAI universal-streamingCapa de solo escucha muy usada en agentes de voz. El nivel Pro Realtime cuesta $0.45/h. | $0.15 | $1.5 | $0.15/hora | Inglés + multilingüe Baja latenciaMarcas por palabra | No está en BibiGPT |
Qwen3-ASR Flash Realtime Alibaba Qwen qwen3-asr-flash-realtimeASR en tiempo real desde China con etiquetas de emoción. | $0.167 | $1.67 | ¥0.00033/segundo (igual que fun-asr-realtime) | ~27 idiomas + 4 dialectos Baja latenciaEmociónDialectos | No está en BibiGPT |
Grok Voice Transcribe (streaming) xAI grok-voice-transcribe-2.0Subtítulos en vivo baratos para inglés; sin chino. | $0.2 | $2 | $0.20/hora (WebSocket) | 25 idiomas (sin CJK) Baja latenciaMarcas por palabraEtiquetas de hablante | No está en BibiGPT |
Deepgram Nova-3 Streaming Deepgram nova-3Opción veterana para llamadas y reuniones en inglés. El precio actual es una promoción por tiempo limitado. | $0.288 | $2.88 | $0.0048/minuto (monolingüe, precio promocional; multilingüe $0.0058) | Multilingüe, más fuerte en inglés Baja latenciaEtiquetas de hablantePalabras clave | No está en BibiGPT |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1Se cobra por hora de sesión, silencios incluidos. | $0.36 | $3.6 | $0.36/hora de sesión (vista previa) | Multilingüe Baja latencia | No está en BibiGPT |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtimeSubtítulos en vivo multilingües, ~150 ms de latencia (dato del proveedor). | $0.39 | $3.9 | $0.39/hora | Más de 90 idiomas Baja latenciaMarcas por palabra | No está en BibiGPT |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-liveCerca de un 80% más que la versión de archivos, a cambio de ver el texto mientras hablas. | $0.542Est. | $5.42 | $3.50 de audio de entrada / $21 de texto de salida por 1M de tokens (estimación oficial de unos $0.009/minuto) | Más de 85 idiomas Baja latenciaEtiquetas de hablanteSin muletillas | En BibiGPT Transcripción en vivo (web / escritorio) |
GPT Live Transcribe OpenAI gpt-live-transcribeDe los más caros para subtítulos en vivo; gpt-realtime-translate cuesta $0.034/min. | $1.02 | $10.2 | $0.017/minuto | Multilingüe Baja latencia | No está en BibiGPT |
Conversación de voz en tiempo real
| Modelo | por hora | 10 h | Precio de lista | Puntos fuertes | En BibiGPT |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus Alibaba Qwen qwen-audio-3.1-realtime-plusVoz a voz accesible desde China continental. Mismo precio de lista que 3.0; el contexto se vuelve a cobrar en cada turno. | $0.602Est. | $6.02 | ¥40 de audio de entrada / ¥150 de audio de salida por 1M de tokens (región de Pekín) | Primero chino e inglés Voz a vozBaja latencia | No está en BibiGPT |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-previewAudio nativo de entrada y salida, compatible con compartir pantalla. La opción voz a voz más barata de aquí. | $0.675Est. | $6.75 | $3 de audio de entrada / $12 de audio de salida por 1M de tokens (estimación oficial $0.005 / $0.018 por minuto) | Multilingüe Voz a vozBaja latencia | En BibiGPT Chat de voz Live de Gemini en escritorio y web |
GPT Realtime Mini OpenAI gpt-realtime-miniEl GPT Realtime económico, cerca de un tercio del modelo completo. | $0.9Est. | $9 | $10 de audio de entrada / $20 de audio de salida por 1M de tokens | Multilingüe Voz a vozBaja latencia | No está en BibiGPT |
GPT Realtime OpenAI gpt-realtimeLa referencia habitual para agentes de voz; en sesiones largas también se pagan los tokens de contexto. | $2.88Est. | $28.8 | $32 de audio de entrada / $64 de audio de salida por 1M de tokens (el audio de gpt-realtime-2 es igual) | Multilingüe Voz a vozBaja latencia | No está en BibiGPT |
Grok Voice 3.0 xAI grok-voice-3.0Precio fijo por minuto: fácil de presupuestar, la tarifa más alta de aquí. | $4.8 | $48 | $0.08/minuto (más texto de entrada) | Multilingüe Voz a vozBaja latencia | No está en BibiGPT |
- 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.
- La conversación de voz supone que el usuario habla el 50% de la hora y el modelo el resto.
- 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.