Perbandingan harga model suara realtime
Dua jenis “langsung”: transkripsi streaming untuk teks, dan model speech-to-speech untuk obrolan suara. Keduanya dinormalisasi ke biaya per jam.
Harga dicek 2026-10-26. Ini adalah harga daftar dari penyedia, bukan harga BibiGPT.
Transkripsi langsung
| Model | per jam | 10 jam | Harga daftar | Kelebihan | Di BibiGPT |
|---|---|---|---|---|---|
Apple Speech (di perangkat, macOS) Apple SFSpeechRecognizerGratis dan bisa offline; kurang akurat dibanding model cloud. | $0 | $0 | Gratis (bawaan sistem) | Bahasa sistem Latensi rendah | Di perangkat Aplikasi Mac, dikte mikrofon langsung |
Qwen-Audio-3.1 ASR StreamingTermurah Alibaba Qwen qwen-audio-3.1-asr-flash-streamingVendor mengklaim ~160 ms hingga token pertama (tidak diukur). Satu orde besaran di atas versi file. | $0.07Perk. | $0.7 | ¥6 masukan / ¥4.5 keluaran per 1 juta token (wilayah Beijing) | 30 bahasa + 10 dialek Latensi rendahHotwordDialek | Tidak ada di BibiGPT |
Soniox Real-time Soniox stt-rtTranskripsi realtime termurah yang kami temukan di luar Tiongkok; bisa menerjemahkan sambil berjalan. | $0.12 | $1.2 | $0.12/jam | 60 bahasa Latensi rendahLabel pembicaraStempel waktu per kata | Tidak ada di BibiGPT |
Paraformer Realtime v2 Alibaba Qwen paraformer-realtime-v2ASR realtime paling murah dan paling mudah diprediksi di Tiongkok. | $0.122 | $1.22 | ¥0.00024/detik (10 jam gratis per bulan) | zh/en/ja/ko + aksen Latensi rendahHotwordDialek | Tidak ada di BibiGPT |
ASR streaming Doubao 2.0 ByteDance Volcengine Doubao streaming ASR model 2.0Mandarin realtime yang kuat dengan harga setara Paraformer Realtime. | $0.141 | $1.41 | ¥1/jam (per kanal mono, bertingkat) | zh/en + dialek Latensi rendahHotwordDialek | Tidak ada di BibiGPT |
AssemblyAI Universal-Streaming AssemblyAI universal-streamingLapisan “telinga” yang umum untuk agen suara. Tier Pro Realtime $0.45/jam. | $0.15 | $1.5 | $0.15/jam | Inggris + multibahasa Latensi rendahStempel waktu per kata | Tidak ada di BibiGPT |
Qwen3-ASR Flash Realtime Alibaba Qwen qwen3-asr-flash-realtimeASR realtime dari Tiongkok dengan label emosi. | $0.167 | $1.67 | ¥0.00033/detik (sama dengan fun-asr-realtime) | ~27 bahasa + 4 dialek Latensi rendahEmosiDialek | Tidak ada di BibiGPT |
Grok Voice Transcribe (streaming) xAI grok-voice-transcribe-2.0Teks langsung murah untuk bahasa Inggris; tanpa Mandarin. | $0.2 | $2 | $0.20/jam (WebSocket) | 25 bahasa (tanpa CJK) Latensi rendahStempel waktu per kataLabel pembicara | Tidak ada di BibiGPT |
Deepgram Nova-3 Streaming Deepgram nova-3Pilihan lama untuk panggilan dan rapat berbahasa Inggris. Harga saat ini adalah promo terbatas. | $0.288 | $2.88 | $0.0048/menit (satu bahasa, harga promo; multibahasa $0.0058) | Multibahasa, terkuat di bahasa Inggris Latensi rendahLabel pembicaraHotword | Tidak ada di BibiGPT |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1Ditagih per jam sesi, termasuk saat hening. | $0.36 | $3.6 | $0.36/jam sesi (pratinjau) | Multibahasa Latensi rendah | Tidak ada di BibiGPT |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtimeTeks langsung multibahasa, latensi ~150 ms (angka vendor). | $0.39 | $3.9 | $0.39/jam | 90+ bahasa Latensi rendahStempel waktu per kata | Tidak ada di BibiGPT |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-liveSekitar 80% lebih mahal dari versi file, sebagai ganti teks muncul saat Anda berbicara. | $0.542Perk. | $5.42 | $3.50 masukan audio / $21 keluaran teks per 1 juta token (perkiraan resmi sekitar $0.009/menit) | 85+ bahasa Latensi rendahLabel pembicaraHapus kata pengisi | Di BibiGPT Transkripsi langsung (web / desktop) |
GPT Live Transcribe OpenAI gpt-live-transcribeTergolong mahal untuk teks langsung; gpt-realtime-translate $0.034/menit. | $1.02 | $10.2 | $0.017/menit | Multibahasa Latensi rendah | Tidak ada di BibiGPT |
Percakapan suara realtime
| Model | per jam | 10 jam | Harga daftar | Kelebihan | Di BibiGPT |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus Alibaba Qwen qwen-audio-3.1-realtime-plusSpeech-to-speech yang bisa diakses dari Tiongkok daratan. Harga daftar sama dengan 3.0; konteks ditagih ulang tiap giliran. | $0.602Perk. | $6.02 | ¥40 masukan audio / ¥150 keluaran audio per 1 juta token (wilayah Beijing) | Mandarin dan Inggris diutamakan Speech-to-speechLatensi rendah | Tidak ada di BibiGPT |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-previewAudio native untuk masukan dan keluaran, mendukung berbagi layar. Opsi speech-to-speech termurah di sini. | $0.675Perk. | $6.75 | $3 masukan audio / $12 keluaran audio per 1 juta token (perkiraan resmi $0.005 / $0.018 per menit) | Multibahasa Speech-to-speechLatensi rendah | Di BibiGPT Obrolan suara Live Gemini di Desktop & web |
GPT Realtime Mini OpenAI gpt-realtime-miniGPT Realtime versi hemat, sekitar sepertiga dari model penuh. | $0.9Perk. | $9 | $10 masukan audio / $20 keluaran audio per 1 juta token | Multibahasa Speech-to-speechLatensi rendah | Tidak ada di BibiGPT |
GPT Realtime OpenAI gpt-realtimeAcuan umum untuk agen suara; sesi panjang juga membayar token konteks. | $2.88Perk. | $28.8 | $32 masukan audio / $64 keluaran audio per 1 juta token (audio gpt-realtime-2 sama) | Multibahasa Speech-to-speechLatensi rendah | Tidak ada di BibiGPT |
Grok Voice 3.0 xAI grok-voice-3.0Harga tetap per menit: mudah dianggarkan, tarif tertinggi di sini. | $4.8 | $48 | $0.08/menit (ditambah masukan teks) | Multibahasa Speech-to-speechLatensi rendah | Tidak ada di BibiGPT |
- Masukan audio Gemini: 25 token per detik; keluaran transkrip sekitar 3 token per detik.
- Qwen-Audio-3.1: sekitar 20 token masukan + 4 token keluaran per detik, diukur pada sampel Mandarin kami sendiri.
- Percakapan suara mengasumsikan pengguna berbicara 50% dari satu jam dan model sisanya.
- CNY ↔ USD pada 7.1.
FAQ
Model transkripsi mana yang termurah?
Pada sampel kami, transkripsi file dengan Qwen-Audio-3.1 sekitar ¥0.075–0.10 per jam, di bawah StepAudio 2.5 (¥0.15/jam) dan Paraformer v2 (¥0.288/jam). Model di perangkat pada aplikasi desktop Bibi Local tidak berbiaya.
Apa beda STT, langsung, dan TTS?
STT mengubah rekaman yang sudah selesai menjadi teks dan ditagih per jam audio. Model langsung melakukan hal yang sama saat Anda berbicara, atau menjawab Anda dengan suara, dan biayanya lebih tinggi. TTS kebalikannya: masuk teks, keluar suara, biasanya ditagih per karakter.
Mengapa sebagian harga ditandai “Perk.”?
Model tersebut ditagih per token, bukan per menit. Kami mengonversi dengan kepadatan token yang tercantum di bawah tabel; tagihan asli Anda berubah sesuai kecepatan bicara dan bahasa.
Bisakah saya memakai model-model ini di BibiGPT?
Model bertanda “Di BibiGPT” sudah tercakup keanggotaan. Model “kunci Anda” bisa dipilih setelah Anda menempelkan API key sendiri. Model “Di perangkat” berjalan gratis di aplikasi desktop Bibi Local. Baris “Tidak ada di BibiGPT” hanya dicantumkan sebagai referensi.
Coba pada audio Anda sendiri
Tempel tautan YouTube, Bilibili, atau podcast ke BibiGPT lalu pilih mesinnya di pengaturan transkripsi. Untuk rekaman pribadi, Bibi Local mentranskripsi di komputer Anda sendiri.