Tarifs des modèles vocaux en temps réel comparés
Deux sortes de « live » : la transcription en streaming pour les sous-titres, et les modèles speech-to-speech pour le chat vocal. Les deux sont normalisés en coût par heure.
Prix vérifiés le 2026-10-26. Ce sont des prix catalogue en amont, pas les tarifs de BibiGPT.
Transcription en direct
| Modèle | par heure | 10 h | Prix catalogue | Points forts | Dans BibiGPT |
|---|---|---|---|---|---|
Apple Speech (sur l'appareil, macOS) Apple SFSpeechRecognizerGratuit et fonctionne hors ligne ; moins précis que les modèles cloud. | $0 | $0 | Gratuit (intégré au système) | Langues du système Faible latence | Sur l'appareil Application Mac, dictée au micro en direct |
Qwen-Audio-3.1 ASR StreamingLe moins cher Alibaba Qwen qwen-audio-3.1-asr-flash-streamingLe fournisseur annonce environ 160 ms jusqu'au premier token (non mesuré). Un ordre de grandeur au-dessus de la version fichier. | $0.07Est. | $0.7 | ¥6 en entrée / ¥4.5 en sortie par million de tokens (région de Pékin) | 30 langues + 10 dialectes Faible latenceMots-clésDialectes | Pas dans BibiGPT |
Soniox Real-time Soniox stt-rtLa transcription en temps réel la moins chère que nous ayons trouvée hors de Chine ; peut traduire au fil de l'eau. | $0.12 | $1.2 | $0.12/h | 60 langues Faible latenceLocuteursHorodatage des mots | Pas dans BibiGPT |
Paraformer Realtime v2 Alibaba Qwen paraformer-realtime-v2L'ASR en temps réel la moins chère et la plus prévisible en Chine. | $0.122 | $1.22 | ¥0.00024/s (10 heures gratuites par mois) | zh/en/ja/ko + accents Faible latenceMots-clésDialectes | Pas dans BibiGPT |
ASR streaming Doubao 2.0 ByteDance Volcengine Doubao streaming ASR model 2.0Un bon chinois en temps réel à peu près au prix de Paraformer Realtime. | $0.141 | $1.41 | ¥1/h (par canal mono, dégressif) | zh/en + dialectes Faible latenceMots-clésDialectes | Pas dans BibiGPT |
AssemblyAI Universal-Streaming AssemblyAI universal-streamingUne couche d'écoute seule courante pour les agents vocaux. Le palier Pro Realtime coûte $0.45/h. | $0.15 | $1.5 | $0.15/h | Anglais + multilingue Faible latenceHorodatage des mots | Pas dans BibiGPT |
Qwen3-ASR Flash Realtime Alibaba Qwen qwen3-asr-flash-realtimeASR en temps réel venu de Chine avec étiquettes d'émotion. | $0.167 | $1.67 | ¥0.00033/s (identique à fun-asr-realtime) | ~27 langues + 4 dialectes Faible latenceÉmotionDialectes | Pas dans BibiGPT |
Grok Voice Transcribe (streaming) xAI grok-voice-transcribe-2.0Sous-titres en direct économiques pour l'anglais ; pas de chinois. | $0.2 | $2 | $0.20/h (WebSocket) | 25 langues (hors CJK) Faible latenceHorodatage des motsLocuteurs | Pas dans BibiGPT |
Deepgram Nova-3 Streaming Deepgram nova-3Un choix de longue date pour les appels et réunions en anglais. Le prix actuel est une promotion à durée limitée. | $0.288 | $2.88 | $0.0048/min (monolingue, prix promo ; multilingue $0.0058) | Multilingue, surtout fort en anglais Faible latenceLocuteursMots-clés | Pas dans BibiGPT |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1Facturé à l'heure de session, silences compris. | $0.36 | $3.6 | $0.36/heure de session (préversion) | Multilingue Faible latence | Pas dans BibiGPT |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtimeSous-titres en direct multilingues, latence d'environ 150 ms (chiffre du fournisseur). | $0.39 | $3.9 | $0.39/h | 90+ langues Faible latenceHorodatage des mots | Pas dans BibiGPT |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-liveEnviron 80% plus cher que la version fichier, en échange du texte pendant que vous parlez. | $0.542Est. | $5.42 | $3.50 entrée audio / $21 sortie texte par million de tokens (estimation officielle d'environ $0.009/min) | 85+ langues Faible latenceLocuteursSuppression des hésitations | Dans BibiGPT Transcription en direct (web / bureau) |
GPT Live Transcribe OpenAI gpt-live-transcribePlutôt cher pour des sous-titres en direct ; gpt-realtime-translate coûte $0.034/min. | $1.02 | $10.2 | $0.017/min | Multilingue Faible latence | Pas dans BibiGPT |
Conversation vocale en temps réel
| Modèle | par heure | 10 h | Prix catalogue | Points forts | Dans BibiGPT |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus Alibaba Qwen qwen-audio-3.1-realtime-plusSpeech-to-speech accessible depuis la Chine continentale. Même prix catalogue que la 3.0 ; le contexte est refacturé à chaque tour. | $0.602Est. | $6.02 | ¥40 entrée audio / ¥150 sortie audio par million de tokens (région de Pékin) | Chinois et anglais en priorité Speech-to-speechFaible latence | Pas dans BibiGPT |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-previewAudio natif en entrée et en sortie, fonctionne avec le partage d'écran. L'option speech-to-speech la moins chère ici. | $0.675Est. | $6.75 | $3 entrée audio / $12 sortie audio par million de tokens (estimation officielle $0.005 / $0.018 par minute) | Multilingue Speech-to-speechFaible latence | Dans BibiGPT Gemini Desktop et web : chat vocal en direct |
GPT Realtime Mini OpenAI gpt-realtime-miniLe GPT Realtime économique, environ un tiers du prix du modèle complet. | $0.9Est. | $9 | $10 entrée audio / $20 sortie audio par million de tokens | Multilingue Speech-to-speechFaible latence | Pas dans BibiGPT |
GPT Realtime OpenAI gpt-realtimeLa référence courante pour les agents vocaux ; les longues sessions paient aussi les tokens de contexte. | $2.88Est. | $28.8 | $32 entrée audio / $64 sortie audio par million de tokens (identique pour l'audio de gpt-realtime-2) | Multilingue Speech-to-speechFaible latence | Pas dans BibiGPT |
Grok Voice 3.0 xAI grok-voice-3.0Prix fixe à la minute : facile à budgéter, mais le tarif le plus élevé ici. | $4.8 | $48 | $0.08/min (plus l'entrée texte) | Multilingue Speech-to-speechFaible latence | Pas dans BibiGPT |
- Entrée audio Gemini : 25 tokens par seconde ; sortie de transcription d'environ 3 tokens par seconde.
- Qwen-Audio-3.1 : environ 20 tokens en entrée + 4 en sortie par seconde, mesurés sur nos propres échantillons en chinois.
- La conversation vocale suppose que l'utilisateur parle 50% de l'heure et le modèle le reste.
- CNY ↔ USD à 7.1.
FAQ
Quel modèle de transcription est le moins cher ?
Sur nos échantillons, la transcription de fichiers avec Qwen-Audio-3.1 est revenue à environ ¥0.075–0.10 l'heure, en dessous de StepAudio 2.5 (¥0.15/h) et de Paraformer v2 (¥0.288/h). Les modèles sur l'appareil de l'application de bureau Bibi Local ne coûtent rien.
Quelle différence entre STT, live et TTS ?
Le STT transforme un enregistrement terminé en texte et se facture à l'heure d'audio. Les modèles live font la même chose pendant que vous parlez, ou vous répondent à la voix, et coûtent plus cher. Le TTS fait l'inverse : du texte en entrée, de la parole en sortie, généralement facturé au caractère.
Pourquoi certains prix sont-ils marqués « Est. » ?
Ces modèles facturent au token, pas à la minute. Nous convertissons avec les densités de tokens indiquées sous le tableau ; votre facture réelle varie selon le débit de parole et la langue.
Puis-je utiliser ces modèles dans BibiGPT ?
Les modèles marqués « Dans BibiGPT » sont couverts par l'abonnement. Ceux marqués « Votre clé » sont sélectionnables dès que vous collez votre propre clé d'API. Les modèles « Sur l'appareil » tournent gratuitement dans l'application de bureau Bibi Local. Les lignes « Pas dans BibiGPT » sont données à titre de référence.
Essayez-les sur vos propres fichiers audio
Collez un lien YouTube, Bilibili ou de podcast dans BibiGPT et choisissez le moteur dans les paramètres de transcription. Pour les enregistrements privés, Bibi Local transcrit directement sur votre ordinateur.