Porównanie cen modeli zamiany mowy na tekst
Koszt za godzinę każdego modelu transkrypcji, który BibiGPT potrafi uruchomić, plus kilka referencyjnych API. Modele rozliczane za tokeny przeliczamy według zmierzonych przez nas gęstości.
Ceny sprawdzono 2026-10-26. To ceny katalogowe dostawców, nie cennik BibiGPT.
| Model | za godzinę | 10 godz. | Cena katalogowa | Mocne strony | W BibiGPT |
|---|---|---|---|---|---|
Transkrypcja na urządzeniu Bibi Local Aplikacja desktopowa Bibi Local SenseVoice / Whisper (on device)Audio nigdy nie opuszcza Twojego komputera. Szybkość zależy od komputera. | $0 | $0 | Za darmo (działa na Twoim komputerze) | zh/en/ja/ko/yue i więcej Znaczniki czasu słów | Na urządzeniu Aplikacja desktopowa, tryb lokalny Pobierz Bibi Local |
Qwen-Audio-3.1 ASRNajtańszy Alibaba Qwen qwen-audio-3.1-asr-flash-filetransOkoło ¥0.075–0.10 za godzinę na naszych chińskich próbkach, najtańsza opcja chmurowa, jaką zmierzyliśmy. Lepszy niż Paraformer w nazwach produktów; wtrącenia zostają. | $0.0136Zmierzone | $0.136 | ¥0.8 wejście / ¥2.7 wyjście za 1 mln tokenów (region Pekin) | 30 języków + 10 dialektów chińskich Znaczniki czasu słówEtykiety mówcówSłowa kluczoweDialekty | W BibiGPT |
StepAudio 2.5 ASR StepFun stepaudio-2.5-asrNajtańsze API rozliczane za czas. Mocne w mandaryńskim; bez dialektów i bez etykiet mówców. | $0.0211 | $0.211 | ¥0.15/godz. ($0.022/godz.) | Chiński, angielski Znaczniki czasu słówSłowa kluczowe | W BibiGPT |
Paraformer v2 Alibaba Qwen paraformer-v2Domyślny wybór BibiGPT dla chińskich wideo, z etykietami mówców i usuwaniem wtrąceń. Słaby w nazwach marek. | $0.0406 | $0.406 | ¥0.00008/s | zh/en/ja/ko/de/fr/ru + ~18 akcentów Znaczniki czasu słówEtykiety mówcówSłowa kluczoweUsuwanie wtrąceńDialekty | W BibiGPT |
DeepSeek POST /v1/tools/asrZmierzone na FLEURS: CER 1,9% dla chińskiego (2. miejsce z 6), WER 6,4% dla angielskiego, ok. 1 s na klip. Maks. 120 s na plik i brak znaczników czasu – nadaje się do dyktowania, nie do napisów. | $0.058 | $0.58 | 0,116 USD/godz. (czasowo −50%: 0,058 USD), rozliczane co sekundę | 21 języków, w tym kantoński, wykrywane automatycznie Dialekty | Brak w BibiGPT |
Grok Voice Transcribe 2.0 xAI grok-voice-transcribe-2.0Tani wybór dla angielskiego i innych języków spoza CJK. Nie do chińskiego. | $0.1 | $1 | $0.10/godz. (wsadowo) | 25 języków (bez CJK) Znaczniki czasu słówEtykiety mówców | W BibiGPT |
Whisper large-v3 (Groq) OpenAI open source / Groq whisper-large-v3Najwięcej języków i bardzo szybki. Bez etykiet mówców; może halucynować na ciszy. | $0.111 | $1.11 | $0.111/godz. | 99 języków Znaczniki czasu słów | W BibiGPT |
Qwen3-ASR Flash Alibaba Qwen qwen3-asr-flash-filetransZwraca etykiety emocji, których 3.1 nie ma. Bez etykiet mówców. | $0.112 | $1.12 | ¥0.00022/s | ~27 języków + 4 dialekty Znaczniki czasu słówEmocjeDialekty | W BibiGPT |
Qwen-Audio-3.0 ASR Alibaba Qwen qwen-audio-3.0-asr-flash-filetransSzersza lista dialektów niż 3.1, za cenę mniej więcej 8–10 razy wyższą. | $0.112 | $1.12 | ¥0.00022/s | Najszersza obsługa dialektów chińskich Znaczniki czasu słówDialekty | W BibiGPT |
ElevenLabs Scribe v2 ElevenLabs scribe_v2Niezawodny w wielu językach, z etykietami mówców. Użyj własnego klucza ElevenLabs. | $0.22 | $2.2 | $0.22/godz. (wsadowo) | 90+ języków Znaczniki czasu słówEtykiety mówcówZdarzenia dźwiękoweSłowa kluczowe | W BibiGPT · Twój klucz |
Deepgram Nova-3 Deepgram deepgram/nova-3Sprawdzony wybór do angielskich rozmów i spotkań. Do wyboru z kluczem OpenRouter. | $0.258 | $2.58 | $0.0043/min (OpenRouter) | Wielojęzyczny, najlepszy w angielskim Znaczniki czasu słówEtykiety mówcówSłowa kluczowe | W BibiGPT · Twój klucz |
GPT Transcribe OpenAI openai/gpt-transcribeDo wyboru z kluczem OpenRouter. Tylko tekst, bez znaczników czasu i mówców. | $0.27 | $2.7 | $0.0045/min (OpenRouter) | Wielojęzyczny | W BibiGPT · Twój klucz |
Gemini 3.5 Transcribe Google gemini-3.5-transcribeNatywnie usuwa wtrącenia i samopoprawki. Użyj własnego klucza Gemini. | $0.31Szac. | $3.1 | $2 wejście audio / $12 wyjście tekstowe za 1 mln tokenów (oficjalne szacunki ok. $0.005/min) | 85+ języków Znaczniki czasu słówEtykiety mówcówUsuwanie wtrąceń | W BibiGPT · Twój klucz |
Doubao ASR dla nagrań ByteDance Volcengine volc.bigasr.aucMocny w chińskim i dialektach. Wymaga Volcengine AppID i tokenu. | $0.324 | $3.24 | Standard ¥2.3/godz.; poza szczytem ¥1.2; ASR plików 2.0 ¥0.8 | zh/en + 5 dialekty Znaczniki czasu słówEtykiety mówcówSłowa kluczoweDialekty | W BibiGPT · Twój klucz |
MAI-Transcribe 1.5 Microsoft microsoft/mai-transcribe-1.5Do wyboru w transkrybencie z kluczem OpenRouter. | $0.36 | $3.6 | $0.36/godz. (OpenRouter) | Wielojęzyczny Znaczniki czasu słów | W BibiGPT · Twój klucz |
Fish Audio Transcribe Pro Fish Audio transcribe-1-proTagi mówców i zdarzeń dźwiękowych; BibiGPT usuwa z napisów zdarzenia typu [click]. Średni w chińskich nazwach. | $0.36 | $3.6 | $0.0001/s | 83 języków (deklaracja dostawcy) Znaczniki czasu słówEtykiety mówcówZdarzenia dźwiękowe | W BibiGPT · Twój klucz |
StepAudio 3 ASR StepFun stepaudio-3-asr-maxWspółlider w WER wsadowym Artificial Analysis. Bez słów kluczowych usłyszał „BibiGPT” jako „Bilibili GPT”. | $0.394 | $3.94 | ¥2.8/godz. (serwis międzynarodowy $0.40/godz.) | Chiński, angielski Znaczniki czasu słówSłowa kluczowe | W BibiGPT · Twój klucz |
- Wejście audio Gemini: 25 tokenów na sekundę; wyjście transkrypcji około 3 tokenów na sekundę.
- Qwen-Audio-3.1: około 20 tokenów wejścia + 4 wyjścia na sekundę, zmierzone na naszych chińskich próbkach.
- CNY ↔ USD po 7.1.
FAQ
Który model transkrypcji jest najtańszy?
Na naszych próbkach transkrypcja plików Qwen-Audio-3.1 wyszła około ¥0.075–0.10 za godzinę, mniej niż StepAudio 2.5 (¥0.15/godz.) i Paraformer v2 (¥0.288/godz.). Modele na urządzeniu w aplikacji desktopowej Bibi Local nic nie kosztują.
Czym różnią się STT, live i TTS?
STT zamienia gotowe nagranie na tekst i jest rozliczany za godzinę audio. Modele live robią to samo, gdy mówisz, albo odpowiadają głosem, i kosztują więcej. TTS działa odwrotnie: tekst na wejściu, mowa na wyjściu, zwykle rozliczana za znak.
Dlaczego niektóre ceny są oznaczone „Szac.”?
Te modele rozliczają tokeny, nie minuty. Przeliczamy według gęstości tokenów podanych pod tabelą; prawdziwy rachunek zależy od tempa mowy i języka.
Czy mogę używać tych modeli w BibiGPT?
Modele oznaczone „W BibiGPT” są objęte subskrypcją. Modele „Twój klucz” można wybrać po wklejeniu własnego klucza API. Modele „Na urządzeniu” działają za darmo w aplikacji desktopowej Bibi Local. Wiersze „Brak w BibiGPT” podajemy poglądowo.
Wypróbuj je na własnym audio
Wklej link do YouTube, Bilibili lub podcastu w BibiGPT i wybierz silnik w ustawieniach transkrypcji. Prywatne nagrania Bibi Local transkrybuje na Twoim komputerze.