टेक्स्ट-टू-स्पीच मॉडल की कीमतों की तुलना
BibiGPT जिन आवाज़ों में नैरेशन कर सकता है वे सब, प्रति दस लाख अक्षर की कीमत और सुनने के लिए आधिकारिक सैंपल के साथ। टोकन के हिसाब से बिल होने वाले मॉडल को लगभग 15 अक्षर प्रति सेकंड बोलचाल पर बदला गया है।
कीमतें 2026-10-26 को जाँची गईं। ये अपस्ट्रीम की लिस्ट कीमतें हैं, BibiGPT की कीमतें नहीं।
| मॉडल | सुनें | प्रति 10 लाख अक्षर | 1M अक्षर | लिस्ट कीमत | खूबियाँ | BibiGPT में |
|---|---|---|---|---|---|---|
Kokoro-82M (ब्राउज़र में) ओपन सोर्स · डिवाइस पर kokoro-jsमुफ़्त; टेक्स्ट ब्राउज़र में ही रहता है। असमर्थित भाषाओं में सिस्टम की आवाज़ इस्तेमाल होती है। | $0 | $0 | मुफ़्त (आपके ब्राउज़र में चलता है, एक बार ~86MB डाउनलोड) | zh/en/ja कम लेटेंसी | डिवाइस पर ब्राउज़र में पढ़कर सुनाना | |
Qwen-Audio-3.1 TTS Flashसबसे सस्ता Alibaba Qwen qwen-audio-3.1-tts-flash3.1 टोकन बिलिंग पर चला गया; BibiGPT अब भी 3.0 Flash चलाता है। | $2.87अनु. | $2.87 | ¥1.5 इनपुट / ¥12 आउटपुट प्रति 10 लाख टोकन (बीजिंग क्षेत्र) | zh/en + बोली वाली आवाज़ें वॉइस डिज़ाइन | BibiGPT में नहीं | |
xAI TTS xAI (fal पर होस्ट) xai/tts/v1हमारे इस्तेमाल का सबसे सस्ता प्रति-अक्षर विकल्प। | $15 | $15 | $0.015 प्रति 1K अक्षर | बहुभाषी, चीनी अनुरोध पर कम लेटेंसी | BibiGPT में | |
Qwen-Audio-3.0 TTS Flash Alibaba Qwen (OpenRouter) qwen/qwen-audio-3.0-tts-flashसस्ता, स्थिर चीनी नैरेशन। | $15 | $15 | $15 प्रति 10 लाख अक्षर (OpenRouter); चीन साइट ¥1 प्रति 10K अक्षर, एक चीनी अक्षर 2 गिना जाता है | zh/en + बोली वाली आवाज़ें | BibiGPT में | |
Fish Audio S2.1 Pro Fish Audio fish-audio/s2.1-proबाइट के हिसाब से बिल: अंग्रेज़ी के प्रति 10 लाख अक्षर $15, चीनी के लगभग $45। भरोसेमंद वॉइस क्लोनिंग। | $15 | $15 | $15 प्रति 10 लाख UTF-8 बाइट (एक चीनी अक्षर लगभग 3 बाइट) | 80+ भाषाएँ वॉइस क्लोनभावपूर्ण टैग | BibiGPT में | |
HeyGen Voice HeyGen (OpenRouter) heygen/heygen-voice-1चीनी और अंग्रेज़ी पढ़ता है; डिफ़ॉल्ट आवाज़ Nadine है। | $15 | $15 | $15 प्रति 10 लाख अक्षर (OpenRouter; टर्बो टियर $4) | बहुभाषी | BibiGPT में | |
Gemini 3.8 Flash TTS Google gemini-3.8-flash-ttsडिफ़ॉल्ट नैरेशन आवाज़। एक कॉल में मल्टी-स्पीकर; सादी भाषा के प्रॉम्प्ट से लहजा तय करें। | $15.1अनु. | $15.1 | $0.50 टेक्स्ट इनपुट / $9 ऑडियो आउटपुट प्रति 10 लाख टोकन (2027 से दोगुना होकर $1 / $18) | 80+ भाषाएँ मल्टी-स्पीकरभावपूर्ण टैग | BibiGPT में | |
GPT-4o mini TTS OpenAI gpt-4o-mini-ttsलहजा निर्देशों से तय किया जा सकता है; चीनी में हल्का लहजा रहता है। | $16.2अनु. | $16.2 | $0.60 टेक्स्ट इनपुट / $12 ऑडियो आउटपुट प्रति 10 लाख टोकन (लगभग $0.015/मिनट) | बहुभाषी भावपूर्ण टैग | BibiGPT में नहीं | |
DeepSeek POST /v1/tools/ttsसिर्फ़ दो आवाज़ें (Stella, Tide), गति या भावना का नियंत्रण नहीं। हमारे टेस्ट में पहली आवाज़ लगभग 1 सेकंड में, सिंथेसिस रियलटाइम से ~5 गुना तेज़। चीनी दोगुनी गिनी जाती है, यानी लगभग $45 प्रति 10 लाख चीनी अक्षर। | आधिकारिक सैंपल नहीं | $22.5 | $22.5 | $0.45 प्रति 10,000 अक्षर (सीमित समय 50% छूट: $0.225); एक चीनी अक्षर 2 गिना जाता है | मैंडरिन, कैंटोनीज़, अंग्रेज़ी, जापानी, कोरियाई और 5 अन्य कम लेटेंसी | BibiGPT में |
Deepgram Aura-2 Deepgram aura-2वॉइस एजेंट के लिए कम लेटेंसी वाला अंग्रेज़ी TTS। | $30 | $30 | $0.030 प्रति 1K अक्षर | अंग्रेज़ी और कुछ अन्य कम लेटेंसी | BibiGPT में नहीं | |
Eleven Flash v2.5 / v4 Turbo ElevenLabs eleven_flash_v2_5 · eleven_v4_turboपहले ऑडियो तक ~75–100 ms। नैरेशन करते समय ElevenLabs मॉडल मेन्यू से चुनें। | आधिकारिक सैंपल नहीं | $40 | $40 | $0.04 प्रति 1K अक्षर | 32 भाषाएँ (v4 Turbo: 90+) वॉइस क्लोनकम लेटेंसी | BibiGPT में |
Eleven v4 / v3 ElevenLabs eleven_v4 · eleven_v3सबसे भावपूर्ण टियर; चीनी की गुणवत्ता आवाज़ पर निर्भर है। | $80 | $80 | $0.08 प्रति 1K अक्षर | 70+ भाषाएँ वॉइस क्लोनभावपूर्ण टैगमल्टी-स्पीकर | BibiGPT में | |
MiniMax Speech 2.8 HD MiniMax speech-2.8-hdसबसे स्वाभाविक चीनी उच्चारण; टर्बो टियर $60 प्रति 10 लाख अक्षर है। | $100 | $100 | $100 प्रति 10 लाख अक्षर (अंतरराष्ट्रीय); चीन साइट ¥3.5 प्रति 10K अक्षर, एक चीनी अक्षर 2 गिना जाता है | 40 भाषाएँ, चीनी में सर्वश्रेष्ठ वॉइस क्लोनवॉइस डिज़ाइनभावपूर्ण टैग | BibiGPT में | |
Seed Audio 1.0 ByteDance Seed (fal पर होस्ट) bytedance/seed-audio-1.0ऑडियो मिनट के हिसाब से बिल। आवाज़ को एक वाक्य में बताएँ; रेफ़रेंस क्लिप की ज़रूरत नहीं। | $208अनु. | $208 | $0.1875 प्रति मिनट ऑडियो (fal); Volcengine चीन ¥1/मिनट | चीनी, अंग्रेज़ी वॉइस डिज़ाइन | BibiGPT में | |
MiMo V2 TTS Xiaomi mimo-v2-ttsस्वाभाविक बोलचाल की चीनी। | तय नहीं | — | प्रकाशित नहीं (आधिकारिक कीमत पेज पर सिर्फ़ v2.5 TTS सीमित समय के लिए मुफ़्त दिखता है) | चीनी, अंग्रेज़ी भावपूर्ण टैग | BibiGPT में |
- टोकन-बिल वाला Gemini / Qwen TTS: 25 ऑडियो टोकन प्रति सेकंड, यानी बोलचाल के प्रति सेकंड लगभग 15 अक्षर।
- चीनी टेक्स्ट का बिल आमतौर पर प्रति अक्षर बनता है; कुछ वेंडर एक चीनी अक्षर को 2 गिनते हैं। असली बिल वही है जो आपके पास आए।
- CNY ↔ USD दर 7.1।
अक्सर पूछे जाने वाले सवाल
सबसे सस्ता ट्रांसक्रिप्शन मॉडल कौन सा है?
हमारे सैंपल पर Qwen-Audio-3.1 से फ़ाइल ट्रांसक्रिप्शन लगभग ¥0.075–0.10 प्रति घंटा रहा, जो StepAudio 2.5 (¥0.15/घंटा) और Paraformer v2 (¥0.288/घंटा) से कम है। Bibi Local डेस्कटॉप ऐप के ऑन-डिवाइस मॉडल मुफ़्त हैं।
STT, लाइव और TTS में क्या फ़र्क है?
STT तैयार रिकॉर्डिंग को टेक्स्ट में बदलता है और ऑडियो घंटे के हिसाब से बिल होता है। लाइव मॉडल यही काम आपके बोलते समय करते हैं, या आवाज़ में जवाब देते हैं, और महँगे होते हैं। TTS उलटा काम करता है: टेक्स्ट अंदर, आवाज़ बाहर, और आमतौर पर प्रति अक्षर बिल होता है।
कुछ कीमतों पर “अनु.” क्यों लिखा है?
ये मॉडल मिनट के बजाय टोकन के हिसाब से बिल करते हैं। हम टेबल के नीचे दिए टोकन घनत्व से बदलते हैं; आपका असली बिल बोलने की रफ़्तार और भाषा के साथ बदलता है।
क्या मैं इन मॉडल को BibiGPT में इस्तेमाल कर सकता/सकती हूँ?
“BibiGPT में” वाले मॉडल मेंबरशिप में शामिल हैं। “आपकी कुंजी” वाले मॉडल तब चुने जा सकते हैं जब आप अपनी API कुंजी पेस्ट कर दें। “डिवाइस पर” वाले मॉडल Bibi Local डेस्कटॉप ऐप में मुफ़्त चलते हैं। “BibiGPT में नहीं” वाली पंक्तियाँ सिर्फ़ संदर्भ के लिए हैं।
इन आवाज़ों को अपने कंटेंट पर सुनें
BibiGPT में किसी सारांश को नैरेशन वाले इमेज वीडियो में बदलें और वहीं वॉइस इंजन चुनें।