リアルタイム音声モデルの料金比較
「ライブ」には 2 種類あります。字幕向けのストリーミング文字起こしと、音声会話向けの speech-to-speech モデルです。どちらも 1 時間あたりの料金に統一しています。
料金確認日：2026-10-26。表示は上流の定価で、BibiGPT の料金ではありません。
ライブ文字起こし
| モデル | 1 時間あたり | 10 時間 | 定価 | 特長 | BibiGPT での対応 |
|---|---|---|---|---|---|
Apple Speech（端末内、macOS） Apple SFSpeechRecognizer無料でオフラインでも動作しますが、クラウドモデルより精度は劣ります。 | $0 | $0 | 無料（システム内蔵） | システムの対応言語 低遅延 | 端末内で実行 Mac アプリ（マイク入力のライブ口述） |
Qwen-Audio-3.1 ASR Streaming最安 Alibaba Qwen qwen-audio-3.1-asr-flash-streamingベンダー公称で最初のトークンまで約 160 ms（未計測）。ファイル版より 1 桁高い料金です。 | $0.07概算 | $0.7 | 入力 ¥6／出力 ¥4.5（100 万トークンあたり、北京リージョン） | 30 言語＋方言 10 種 低遅延ホットワード方言 | BibiGPT 未対応 |
Soniox Real-time Soniox stt-rt中国国外で見つけたリアルタイム文字起こしの最安値。話しながら翻訳もできます。 | $0.12 | $1.2 | $0.12/時間 | 60 言語 低遅延話者分離単語タイムスタンプ | BibiGPT 未対応 |
Paraformer Realtime v2 Alibaba Qwen paraformer-realtime-v2中国国内で最安かつ料金が最も読みやすいリアルタイム ASR。 | $0.122 | $1.22 | ¥0.00024/秒（月 10 時間無料） | 中/英/日/韓＋アクセント 低遅延ホットワード方言 | BibiGPT 未対応 |
Doubao ストリーミング ASR 2.0 ByteDance 火山引擎（Volcengine） Doubao streaming ASR model 2.0リアルタイムの中国語に強く、料金は Paraformer Realtime とほぼ同水準。 | $0.141 | $1.41 | ¥1/時間（モノラル 1 チャンネルあたり、段階料金） | 中/英＋方言 低遅延ホットワード方言 | BibiGPT 未対応 |
AssemblyAI Universal-Streaming AssemblyAI universal-streaming音声エージェントの「耳」役としてよく使われます。Pro Realtime ティアは $0.45/時間。 | $0.15 | $1.5 | $0.15/時間 | 英語＋多言語 低遅延単語タイムスタンプ | BibiGPT 未対応 |
Qwen3-ASR Flash Realtime Alibaba Qwen qwen3-asr-flash-realtime感情ラベル付きの、中国発のリアルタイム ASR。 | $0.167 | $1.67 | ¥0.00033/秒（fun-asr-realtime と同額） | 約 27 言語＋方言 4 種 低遅延感情方言 | BibiGPT 未対応 |
Grok Voice Transcribe（ストリーミング） xAI grok-voice-transcribe-2.0英語のライブ字幕が安価。中国語は非対応です。 | $0.2 | $2 | $0.20/時間（WebSocket） | 25 言語（CJK を除く） 低遅延単語タイムスタンプ話者分離 | BibiGPT 未対応 |
Deepgram Nova-3 Streaming Deepgram nova-3英語の通話や会議向けの定番。現在の価格は期間限定のプロモ価格です。 | $0.288 | $2.88 | $0.0048/分（単一言語、プロモ価格。多言語は $0.0058） | 多言語（英語が最も得意） 低遅延話者分離ホットワード | BibiGPT 未対応 |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1無音も含めたセッション時間で課金されます。 | $0.36 | $3.6 | $0.36/セッション時間（プレビュー） | 多言語 低遅延 | BibiGPT 未対応 |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtime多言語のライブ字幕で、遅延は約 150 ms（ベンダー公称）。 | $0.39 | $3.9 | $0.39/時間 | 90 以上の言語 低遅延単語タイムスタンプ | BibiGPT 未対応 |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-liveファイル版より約 80% 高く、話している最中にテキストが得られます。 | $0.542概算 | $5.42 | 音声入力 $3.50／テキスト出力 $21（100 万トークンあたり、公式見積もり約 $0.009/分） | 85 以上の言語 低遅延話者分離フィラー除去 | BibiGPT で利用可 ライブ文字起こし（Web／デスクトップ） |
GPT Live Transcribe OpenAI gpt-live-transcribeライブ字幕としては高め。gpt-realtime-translate は $0.034/分です。 | $1.02 | $10.2 | $0.017/分 | 多言語 低遅延 | BibiGPT 未対応 |
リアルタイム音声会話
| モデル | 1 時間あたり | 10 時間 | 定価 | 特長 | BibiGPT での対応 |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus Alibaba Qwen qwen-audio-3.1-realtime-plus中国本土から利用できる speech-to-speech。定価は 3.0 と同じで、コンテキストは毎ターン再課金されます。 | $0.602概算 | $6.02 | 音声入力 ¥40／音声出力 ¥150（100 万トークンあたり、北京リージョン） | 中国語・英語が中心 音声対音声低遅延 | BibiGPT 未対応 |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-preview音声の入出力をネイティブに処理し、画面共有にも対応。ここで最安の speech-to-speech です。 | $0.675概算 | $6.75 | 音声入力 $3／音声出力 $12（100 万トークンあたり、公式見積もり $0.005／$0.018 /分） | 多言語 音声対音声低遅延 | BibiGPT で利用可 Gemini デスクトップ＆Web のライブ音声チャット |
GPT Realtime Mini OpenAI gpt-realtime-mini低価格版の GPT Realtime で、フルモデルの約 3 分の 1 です。 | $0.9概算 | $9 | 音声入力 $10／音声出力 $20（100 万トークンあたり） | 多言語 音声対音声低遅延 | BibiGPT 未対応 |
GPT Realtime OpenAI gpt-realtime音声エージェントの標準的な基準。長いセッションではコンテキストトークンの料金も加わります。 | $2.88概算 | $28.8 | 音声入力 $32／音声出力 $64（100 万トークンあたり。gpt-realtime-2 の音声も同額） | 多言語 音声対音声低遅延 | BibiGPT 未対応 |
Grok Voice 3.0 xAI grok-voice-3.01 分あたりの固定料金で予算を立てやすい一方、ここでは最高額です。 | $4.8 | $48 | $0.08/分（テキスト入力は別途） | 多言語 音声対音声低遅延 | BibiGPT 未対応 |
- Gemini の音声入力は 1 秒あたり 25 トークン、文字起こしの出力は 1 秒あたり約 3 トークンで換算。
- Qwen-Audio-3.1：1 秒あたり入力約 20 ＋ 出力約 4 トークン。当社の中国語サンプルでの実測値です。
- 音声会話は、1 時間のうちユーザーが 50% を話し、残りをモデルが話すものとして計算しています。
- 人民元と米ドルは 7.1 で換算。
よくある質問
いちばん安い文字起こしモデルはどれ？
当社のサンプルでは、Qwen-Audio-3.1 のファイル文字起こしが 1 時間あたり約 ¥0.075〜0.10 で、StepAudio 2.5（¥0.15/時間）や Paraformer v2（¥0.288/時間）より安くなりました。Bibi Local デスクトップアプリの端末内モデルは無料です。
STT、ライブ、TTS の違いは？
STT は録音済みの音声をテキストにするもので、音声の時間数で課金されます。ライブモデルは話している最中に同じ処理を行うか、音声で返答するもので、料金は高めです。TTS は逆にテキストから音声を作り、多くは文字数で課金されます。
なぜ「概算」と表示される価格があるの？
それらのモデルは分単位ではなくトークンで課金されます。表の下に記載したトークン密度で換算しており、実際の請求額は話す速さや言語によって変わります。
これらのモデルは BibiGPT で使える？
「BibiGPT で利用可」のモデルはメンバーシップに含まれます。「自分のキー」のモデルは、ご自身の API キーを登録すると選択できます。「端末内で実行」のモデルは Bibi Local デスクトップアプリで無料で動作します。「BibiGPT 未対応」の行は参考として掲載しています。
自分の音声で試してみる
YouTube、Bilibili、ポッドキャストのリンクを BibiGPT に貼り付け、文字起こし設定でエンジンを選びます。非公開の録音は、Bibi Local ならお使いのパソコン上で文字起こしできます。