Porównanie cen modeli mowy w czasie rzeczywistym
Dwa rodzaje „live”: transkrypcja strumieniowa do napisów i modele speech-to-speech do czatu głosowego. Oba przeliczone na koszt za godzinę.
Ceny sprawdzono 2026-10-26. To ceny katalogowe dostawców, nie cennik BibiGPT.
Transkrypcja na żywo
| Model | za godzinę | 10 godz. | Cena katalogowa | Mocne strony | W BibiGPT |
|---|---|---|---|---|---|
Apple Speech (na urządzeniu, macOS) Apple SFSpeechRecognizerDarmowy i działa offline; mniej dokładny niż modele chmurowe. | $0 | $0 | Za darmo (wbudowane w system) | Języki systemowe Niskie opóźnienie | Na urządzeniu Aplikacja Mac, dyktowanie na żywo z mikrofonu |
Qwen-Audio-3.1 ASR StreamingNajtańszy Alibaba Qwen qwen-audio-3.1-asr-flash-streamingDostawca deklaruje ok. 160 ms do pierwszego tokenu (niezmierzone). Rząd wielkości drożej niż wersja plikowa. | $0.07Szac. | $0.7 | ¥6 wejście / ¥4.5 wyjście za 1 mln tokenów (region Pekin) | 30 języków + 10 dialekty Niskie opóźnienieSłowa kluczoweDialekty | Brak w BibiGPT |
Soniox Real-time Soniox stt-rtNajtańsza transkrypcja w czasie rzeczywistym poza Chinami, jaką znaleźliśmy; potrafi tłumaczyć na bieżąco. | $0.12 | $1.2 | $0.12/godz. | 60 języków Niskie opóźnienieEtykiety mówcówZnaczniki czasu słów | Brak w BibiGPT |
Paraformer Realtime v2 Alibaba Qwen paraformer-realtime-v2Najtańsze i najbardziej przewidywalne ASR w czasie rzeczywistym w Chinach. | $0.122 | $1.22 | ¥0.00024/s (10 darmowych godzin miesięcznie) | zh/en/ja/ko + akcentów Niskie opóźnienieSłowa kluczoweDialekty | Brak w BibiGPT |
Doubao strumieniowe ASR 2.0 ByteDance Volcengine Doubao streaming ASR model 2.0Mocny chiński w czasie rzeczywistym w cenie zbliżonej do Paraformer Realtime. | $0.141 | $1.41 | ¥1/godz. (za kanał mono, progowo) | zh/en + dialekty Niskie opóźnienieSłowa kluczoweDialekty | Brak w BibiGPT |
AssemblyAI Universal-Streaming AssemblyAI universal-streamingPopularna warstwa „tylko słuchania” dla agentów głosowych. Poziom Pro Realtime kosztuje $0.45/godz. | $0.15 | $1.5 | $0.15/godz. | Angielski + wielojęzyczny Niskie opóźnienieZnaczniki czasu słów | Brak w BibiGPT |
Qwen3-ASR Flash Realtime Alibaba Qwen qwen3-asr-flash-realtimeASR w czasie rzeczywistym z Chin z etykietami emocji. | $0.167 | $1.67 | ¥0.00033/s (tak samo jak fun-asr-realtime) | ~27 języków + 4 dialekty Niskie opóźnienieEmocjeDialekty | Brak w BibiGPT |
Grok Voice Transcribe (strumieniowo) xAI grok-voice-transcribe-2.0Tanie napisy na żywo dla angielskiego; bez chińskiego. | $0.2 | $2 | $0.20/godz. (WebSocket) | 25 języków (bez CJK) Niskie opóźnienieZnaczniki czasu słówEtykiety mówców | Brak w BibiGPT |
Deepgram Nova-3 Streaming Deepgram nova-3Sprawdzony wybór do angielskich rozmów i spotkań. Obecna cena to promocja czasowa. | $0.288 | $2.88 | $0.0048/min (jednojęzyczny, cena promocyjna; wielojęzyczny $0.0058) | Wielojęzyczny, najlepszy w angielskim Niskie opóźnienieEtykiety mówcówSłowa kluczowe | Brak w BibiGPT |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1Rozliczane za godzinę sesji, wraz z ciszą. | $0.36 | $3.6 | $0.36/godz. sesji (podgląd) | Wielojęzyczny Niskie opóźnienie | Brak w BibiGPT |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtimeWielojęzyczne napisy na żywo, opóźnienie ok. 150 ms (dane dostawcy). | $0.39 | $3.9 | $0.39/godz. | 90+ języków Niskie opóźnienieZnaczniki czasu słów | Brak w BibiGPT |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-liveOkoło 80% drożej niż wersja plikowa, w zamian za tekst w trakcie mówienia. | $0.542Szac. | $5.42 | $3.50 wejście audio / $21 wyjście tekstowe za 1 mln tokenów (oficjalne szacunki ok. $0.009/min) | 85+ języków Niskie opóźnienieEtykiety mówcówUsuwanie wtrąceń | W BibiGPT Transkrypcja na żywo (web / desktop) |
GPT Live Transcribe OpenAI gpt-live-transcribeZ droższych opcji do napisów na żywo; gpt-realtime-translate kosztuje $0.034/min. | $1.02 | $10.2 | $0.017/min | Wielojęzyczny Niskie opóźnienie | Brak w BibiGPT |
Rozmowa głosowa w czasie rzeczywistym
| Model | za godzinę | 10 godz. | Cena katalogowa | Mocne strony | W BibiGPT |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus Alibaba Qwen qwen-audio-3.1-realtime-plusSpeech-to-speech dostępny z Chin kontynentalnych. Ten sam cennik co 3.0; kontekst jest rozliczany ponownie w każdej turze. | $0.602Szac. | $6.02 | ¥40 wejście audio / ¥150 wyjście audio za 1 mln tokenów (region Pekin) | Najpierw chiński i angielski Speech-to-speechNiskie opóźnienie | Brak w BibiGPT |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-previewNatywne audio na wejściu i wyjściu, działa z udostępnianiem ekranu. Najtańsza tu opcja speech-to-speech. | $0.675Szac. | $6.75 | $3 wejście audio / $12 wyjście audio za 1 mln tokenów (oficjalne szacunki $0.005 / $0.018 za minutę) | Wielojęzyczny Speech-to-speechNiskie opóźnienie | W BibiGPT Gemini Desktop i web: czat głosowy na żywo |
GPT Realtime Mini OpenAI gpt-realtime-miniBudżetowy GPT Realtime, około jednej trzeciej ceny pełnego modelu. | $0.9Szac. | $9 | $10 wejście audio / $20 wyjście audio za 1 mln tokenów | Wielojęzyczny Speech-to-speechNiskie opóźnienie | Brak w BibiGPT |
GPT Realtime OpenAI gpt-realtimeTypowy punkt odniesienia dla agentów głosowych; długie sesje płacą też za tokeny kontekstu. | $2.88Szac. | $28.8 | $32 wejście audio / $64 wyjście audio za 1 mln tokenów (audio gpt-realtime-2 tak samo) | Wielojęzyczny Speech-to-speechNiskie opóźnienie | Brak w BibiGPT |
Grok Voice 3.0 xAI grok-voice-3.0Stała cena za minutę: łatwo zaplanować budżet, ale to najwyższa stawka tutaj. | $4.8 | $48 | $0.08/min (plus wejście tekstowe) | Wielojęzyczny Speech-to-speechNiskie opóźnienie | Brak w BibiGPT |
- 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.
- Rozmowa głosowa zakłada, że użytkownik mówi przez 50% godziny, a model przez resztę.
- 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.