Prezzi dei modelli text-to-speech a confronto
Ogni voce con cui BibiGPT può narrare, con prezzo per milione di caratteri e un campione ufficiale da ascoltare. I modelli fatturati a token sono convertiti a circa 15 caratteri per secondo di parlato.
Prezzi verificati il 2026-10-26. Sono prezzi di listino upstream, non i prezzi di BibiGPT.
| Modello | Ascolta | per 1 mln di car. | 1 mln di car. | Prezzo di listino | Punti di forza | In BibiGPT |
|---|---|---|---|---|---|---|
Kokoro-82M (nel browser) Open source · sul dispositivo kokoro-jsGratis; il testo resta nel browser. Le lingue non supportate ripiegano sulla voce di sistema. | $0 | $0 | Gratis (gira nel browser, download una tantum di circa 86 MB) | zh/en/ja Bassa latenza | Sul dispositivo Lettura ad alta voce nel browser | |
Qwen-Audio-3.1 TTS FlashPiù economico Alibaba Qwen qwen-audio-3.1-tts-flashLa 3.1 è passata alla fatturazione a token; BibiGPT usa ancora la 3.0 Flash. | $2.87Stima | $2.87 | ¥1.5 in input / ¥12 in output per milione di token (regione di Pechino) | zh/en + voci dialettali Progettazione vocale | Non in BibiGPT | |
xAI TTS xAI (ospitato su fal) xai/tts/v1L'opzione a carattere più economica che usiamo. | $15 | $15 | $0.015 ogni 1.000 caratteri | Multilingue, cinese su richiesta Bassa latenza | In BibiGPT | |
Qwen-Audio-3.0 TTS Flash Alibaba Qwen (OpenRouter) qwen/qwen-audio-3.0-tts-flashNarrazione in cinese economica e stabile. | $15 | $15 | $15 per milione di caratteri (OpenRouter); sito cinese ¥1 ogni 10.000 caratteri, un carattere cinese vale 2 | zh/en + voci dialettali | In BibiGPT | |
Fish Audio S2.1 Pro Fish Audio fish-audio/s2.1-proFatturato a byte: $15 per milione di caratteri inglesi, circa $45 per milione di caratteri cinesi. Clonazione vocale solida. | $15 | $15 | $15 per milione di byte UTF-8 (un carattere cinese è circa 3 byte) | 80+ lingue Clonazione vocaleTag espressivi | In BibiGPT | |
HeyGen Voice HeyGen (OpenRouter) heygen/heygen-voice-1Legge cinese e inglese; la voce predefinita è Nadine. | $15 | $15 | $15 per milione di caratteri (OpenRouter; livello turbo $4) | Multilingue | In BibiGPT | |
Gemini 3.8 Flash TTS Google gemini-3.8-flash-ttsVoce di narrazione predefinita. Più parlanti in una sola chiamata; il tono si guida con prompt in linguaggio naturale. | $15.1Stima | $15.1 | $0.50 in input di testo / $9 in output audio per milione di token (raddoppia a $1 / $18 dal 2027) | 80+ lingue Più parlantiTag espressivi | In BibiGPT | |
GPT-4o mini TTS OpenAI gpt-4o-mini-ttsIl tono si può guidare con istruzioni; il cinese ha un leggero accento. | $16.2Stima | $16.2 | $0.60 in input di testo / $12 in output audio per milione di token (circa $0.015/min) | Multilingue Tag espressivi | Non in BibiGPT | |
DeepSeek POST /v1/tools/ttsSolo due voci (Stella, Tide), senza controllo di velocità o emozione. Nel nostro test circa 1 s al primo audio e ~5× il tempo reale. Il cinese conta doppio, quindi circa 45 $ per milione di caratteri cinesi. | Nessun esempio ufficiale | $22.5 | $22.5 | 0,45 $ ogni 10.000 caratteri (sconto del 50% a tempo limitato: 0,225 $); un carattere cinese conta doppio | Mandarino, cantonese, inglese, giapponese, coreano e altre 5 Bassa latenza | In BibiGPT |
Deepgram Aura-2 Deepgram aura-2TTS inglese a bassa latenza pensato per gli agenti vocali. | $30 | $30 | $0.030 ogni 1.000 caratteri | Inglese e alcune altre Bassa latenza | Non in BibiGPT | |
Eleven Flash v2.5 / v4 Turbo ElevenLabs eleven_flash_v2_5 · eleven_v4_turboCirca 75–100 ms al primo audio. Sceglilo dal menu dei modelli ElevenLabs quando narri. | Nessun esempio ufficiale | $40 | $40 | $0.04 ogni 1.000 caratteri | 32 lingue (v4 Turbo: 90+) Clonazione vocaleBassa latenza | In BibiGPT |
Eleven v4 / v3 ElevenLabs eleven_v4 · eleven_v3Il livello più espressivo; la qualità in cinese dipende dalla voce. | $80 | $80 | $0.08 ogni 1.000 caratteri | 70+ lingue Clonazione vocaleTag espressiviPiù parlanti | In BibiGPT | |
MiniMax Speech 2.8 HD MiniMax speech-2.8-hdLa resa del cinese più naturale; il livello Turbo costa $60 per milione di caratteri. | $100 | $100 | $100 per milione di caratteri (internazionale); sito cinese ¥3.5 ogni 10.000 caratteri, un carattere cinese vale 2 | 40 lingue, migliore in cinese Clonazione vocaleProgettazione vocaleTag espressivi | In BibiGPT | |
Seed Audio 1.0 ByteDance Seed (ospitato su fal) bytedance/seed-audio-1.0Fatturato a minuto di audio. Descrivi la voce in una frase; non serve una clip di riferimento. | $208Stima | $208 | $0.1875 per minuto di audio (fal); Volcengine Cina ¥1/min | Cinese, inglese Progettazione vocale | In BibiGPT | |
MiMo V2 TTS Xiaomi mimo-v2-ttsCinese parlato naturale. | Da definire | — | Non pubblicato (la pagina prezzi ufficiale elenca solo v2.5 TTS, gratuito per un periodo limitato) | Cinese, inglese Tag espressivi | In BibiGPT |
- TTS fatturato a token di Gemini / Qwen: 25 token audio al secondo, circa 15 caratteri per secondo di parlato.
- Il testo cinese di solito è fatturato a carattere; alcuni fornitori contano un carattere cinese come 2. Fa fede la tua fattura.
- 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.
Ascolta queste voci sui tuoi contenuti
Trasforma un riassunto in un video di immagini narrato in BibiGPT e scegli lì il motore vocale.