Prezzi dei modelli vocali in tempo reale a confronto
Due tipi di «live»: trascrizione in streaming per i sottotitoli e modelli speech-to-speech per la chat vocale. Entrambi normalizzati a costo orario.
Prezzi verificati il 2026-10-26. Sono prezzi di listino upstream, non i prezzi di BibiGPT.
Trascrizione live
| Modello | all'ora | 10 h | Prezzo di listino | Punti di forza | In BibiGPT |
|---|---|---|---|---|---|
Apple Speech (sul dispositivo, macOS) Apple SFSpeechRecognizerGratis e funziona offline; meno preciso dei modelli cloud. | $0 | $0 | Gratis (integrato nel sistema) | Lingue di sistema Bassa latenza | Sul dispositivo App Mac, dettatura live da microfono |
Qwen-Audio-3.1 ASR StreamingPiù economico Alibaba Qwen qwen-audio-3.1-asr-flash-streamingIl fornitore dichiara circa 160 ms al primo token (non misurato). Un ordine di grandezza sopra la versione su file. | $0.07Stima | $0.7 | ¥6 in input / ¥4.5 in output per milione di token (regione di Pechino) | 30 lingue + 10 dialetti Bassa latenzaHotwordDialetti | Non in BibiGPT |
Soniox Real-time Soniox stt-rtLa trascrizione in tempo reale più economica trovata fuori dalla Cina; può tradurre mentre trascrive. | $0.12 | $1.2 | $0.12/h | 60 lingue Bassa latenzaEtichette dei parlantiTimestamp per parola | Non in BibiGPT |
Paraformer Realtime v2 Alibaba Qwen paraformer-realtime-v2L'ASR in tempo reale più economico e prevedibile in Cina. | $0.122 | $1.22 | ¥0.00024/s (10 ore gratuite al mese) | zh/en/ja/ko + accenti Bassa latenzaHotwordDialetti | Non in BibiGPT |
ASR in streaming Doubao 2.0 ByteDance Volcengine Doubao streaming ASR model 2.0Ottimo cinese in tempo reale a circa il prezzo di Paraformer Realtime. | $0.141 | $1.41 | ¥1/h (per canale mono, a scaglioni) | zh/en + dialetti Bassa latenzaHotwordDialetti | Non in BibiGPT |
AssemblyAI Universal-Streaming AssemblyAI universal-streamingUn livello di solo ascolto molto diffuso per gli agenti vocali. Il livello Pro Realtime costa $0.45/h. | $0.15 | $1.5 | $0.15/h | Inglese + multilingue Bassa latenzaTimestamp per parola | Non in BibiGPT |
Qwen3-ASR Flash Realtime Alibaba Qwen qwen3-asr-flash-realtimeASR in tempo reale dalla Cina con etichette di emozione. | $0.167 | $1.67 | ¥0.00033/s (come fun-asr-realtime) | ~27 lingue + 4 dialetti Bassa latenzaEmozioneDialetti | Non in BibiGPT |
Grok Voice Transcribe (streaming) xAI grok-voice-transcribe-2.0Sottotitoli live economici per l'inglese; niente cinese. | $0.2 | $2 | $0.20/h (WebSocket) | 25 lingue (senza CJK) Bassa latenzaTimestamp per parolaEtichette dei parlanti | Non in BibiGPT |
Deepgram Nova-3 Streaming Deepgram nova-3Una scelta consolidata per chiamate e riunioni in inglese. Il prezzo attuale è una promo a tempo limitato. | $0.288 | $2.88 | $0.0048/min (monolingue, prezzo promo; multilingue $0.0058) | Multilingue, più forte in inglese Bassa latenzaEtichette dei parlantiHotword | Non in BibiGPT |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1Fatturato a ora di sessione, silenzi inclusi. | $0.36 | $3.6 | $0.36/ora di sessione (anteprima) | Multilingue Bassa latenza | Non in BibiGPT |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtimeSottotitoli live multilingue, latenza di circa 150 ms (dato del fornitore). | $0.39 | $3.9 | $0.39/h | 90+ lingue Bassa latenzaTimestamp per parola | Non in BibiGPT |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-liveCirca l'80% più caro della versione su file, in cambio del testo mentre parli. | $0.542Stima | $5.42 | $3.50 in input audio / $21 in output di testo per milione di token (stima ufficiale di circa $0.009/min) | 85+ lingue Bassa latenzaEtichette dei parlantiRimozione dei riempitivi | In BibiGPT Trascrizione live (web / desktop) |
GPT Live Transcribe OpenAI gpt-live-transcribeSul versante caro per i sottotitoli live; gpt-realtime-translate costa $0.034/min. | $1.02 | $10.2 | $0.017/min | Multilingue Bassa latenza | Non in BibiGPT |
Conversazione vocale in tempo reale
| Modello | all'ora | 10 h | Prezzo di listino | Punti di forza | In BibiGPT |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus Alibaba Qwen qwen-audio-3.1-realtime-plusSpeech-to-speech raggiungibile dalla Cina continentale. Stesso listino della 3.0; il contesto viene riaddebitato a ogni turno. | $0.602Stima | $6.02 | ¥40 in input audio / ¥150 in output audio per milione di token (regione di Pechino) | Prima cinese e inglese Speech-to-speechBassa latenza | Non in BibiGPT |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-previewAudio nativo in ingresso e in uscita, funziona con la condivisione dello schermo. L'opzione speech-to-speech più economica qui. | $0.675Stima | $6.75 | $3 in input audio / $12 in output audio per milione di token (stima ufficiale $0.005 / $0.018 al minuto) | Multilingue Speech-to-speechBassa latenza | In BibiGPT Gemini Desktop e web: chat vocale live |
GPT Realtime Mini OpenAI gpt-realtime-miniIl GPT Realtime economico, circa un terzo del modello completo. | $0.9Stima | $9 | $10 in input audio / $20 in output audio per milione di token | Multilingue Speech-to-speechBassa latenza | Non in BibiGPT |
GPT Realtime OpenAI gpt-realtimeIl riferimento comune per gli agenti vocali; le sessioni lunghe pagano anche i token di contesto. | $2.88Stima | $28.8 | $32 in input audio / $64 in output audio per milione di token (audio di gpt-realtime-2 identico) | Multilingue Speech-to-speechBassa latenza | Non in BibiGPT |
Grok Voice 3.0 xAI grok-voice-3.0Prezzo fisso al minuto: facile da preventivare, ma la tariffa più alta qui. | $4.8 | $48 | $0.08/min (più in input di testo) | Multilingue Speech-to-speechBassa latenza | Non in BibiGPT |
- Input audio Gemini: 25 token al secondo; output della trascrizione circa 3 token al secondo.
- Qwen-Audio-3.1: circa 20 token in input + 4 in output al secondo, misurati sui nostri campioni in cinese.
- La conversazione vocale ipotizza che l'utente parli per il 50% dell'ora e il modello per il resto.
- CNY ↔ USD a 7.1.
FAQ
Qual è il modello di trascrizione più economico?
Sui nostri campioni la trascrizione di file con Qwen-Audio-3.1 è costata circa ¥0.075–0.10 all'ora, meno di StepAudio 2.5 (¥0.15/h) e Paraformer v2 (¥0.288/h). I modelli sul dispositivo nell'app desktop Bibi Local non costano nulla.
Che differenza c'è tra STT, live e TTS?
L'STT trasforma una registrazione finita in testo ed è fatturato a ora di audio. I modelli live fanno lo stesso mentre parli, oppure rispondono a voce, e costano di più. Il TTS fa il contrario: testo in ingresso, voce in uscita, di solito fatturato a carattere.
Perché alcuni prezzi sono contrassegnati «Stima»?
Quei modelli fatturano a token, non a minuti. Convertiamo con le densità di token indicate sotto la tabella; la fattura reale varia con la velocità del parlato e la lingua.
Posso usare questi modelli in BibiGPT?
I modelli contrassegnati «In BibiGPT» sono inclusi nell'abbonamento. I modelli «Tua chiave» sono selezionabili dopo aver incollato la tua chiave API. I modelli «Sul dispositivo» girano gratis nell'app desktop Bibi Local. Le righe «Non in BibiGPT» sono elencate solo come riferimento.
Provali sul tuo audio
Incolla un link YouTube, Bilibili o di un podcast in BibiGPT e scegli il motore nelle impostazioni di trascrizione. Per le registrazioni private, Bibi Local trascrive direttamente sul tuo computer.