Porównanie cen modeli zamiany tekstu na mowę
Każdy głos, którym BibiGPT może czytać narrację, z ceną za milion znaków i oficjalną próbką do odsłuchu. Modele rozliczane za tokeny przeliczamy przy około 15 znakach na sekundę mowy.
Ceny sprawdzono 2026-10-26. To ceny katalogowe dostawców, nie cennik BibiGPT.
| Model | Posłuchaj | za 1 mln znaków | 1 mln znaków | Cena katalogowa | Mocne strony | W BibiGPT |
|---|---|---|---|---|---|---|
Kokoro-82M (w przeglądarce) Open source · na urządzeniu kokoro-jsZa darmo; tekst zostaje w przeglądarce. Nieobsługiwane języki przechodzą na mowę systemową. | $0 | $0 | Za darmo (działa w przeglądarce, jednorazowe pobranie ok. 86 MB) | zh/en/ja Niskie opóźnienie | Na urządzeniu Czytanie na głos w przeglądarce | |
Qwen-Audio-3.1 TTS FlashNajtańszy Alibaba Qwen qwen-audio-3.1-tts-flash3.1 przeszło na rozliczanie tokenów; BibiGPT nadal używa 3.0 Flash. | $2.87Szac. | $2.87 | ¥1.5 wejście / ¥12 wyjście za 1 mln tokenów (region Pekin) | zh/en + głosy dialektalne Projektowanie głosu | Brak w BibiGPT | |
xAI TTS xAI (hostowany na fal) xai/tts/v1Najtańsza opcja za znak, jakiej używamy. | $15 | $15 | $0.015 za 1000 znaków | Wielojęzyczny, chiński na życzenie Niskie opóźnienie | W BibiGPT | |
Qwen-Audio-3.0 TTS Flash Alibaba Qwen (OpenRouter) qwen/qwen-audio-3.0-tts-flashTania, stabilna narracja po chińsku. | $15 | $15 | $15 za 1 mln znaków (OpenRouter); serwis chiński ¥1 za 10 000 znaków, jeden znak chiński liczy się jako 2 | zh/en + głosy dialektalne | W BibiGPT | |
Fish Audio S2.1 Pro Fish Audio fish-audio/s2.1-proRozliczane za bajt: $15 za milion znaków angielskich, około $45 za milion znaków chińskich. Solidne klonowanie głosu. | $15 | $15 | $15 za 1 mln bajtów UTF-8 (znak chiński to około 3 bajty) | 80+ języków Klonowanie głosuTagi ekspresji | W BibiGPT | |
HeyGen Voice HeyGen (OpenRouter) heygen/heygen-voice-1Czyta po chińsku i angielsku; domyślny głos to Nadine. | $15 | $15 | $15 za 1 mln znaków (OpenRouter; poziom turbo $4) | Wielojęzyczny | W BibiGPT | |
Gemini 3.8 Flash TTS Google gemini-3.8-flash-ttsDomyślny głos narracji. Wielu mówców w jednym wywołaniu; ton ustawiasz promptami w zwykłym języku. | $15.1Szac. | $15.1 | $0.50 wejście tekstowe / $9 wyjście audio za 1 mln tokenów (od 2027 podwojenie do $1 / $18) | 80+ języków Wielu mówcówTagi ekspresji | W BibiGPT | |
GPT-4o mini TTS OpenAI gpt-4o-mini-ttsTon można sterować instrukcjami; chiński ma lekki akcent. | $16.2Szac. | $16.2 | $0.60 wejście tekstowe / $12 wyjście audio za 1 mln tokenów (ok. $0.015/min) | Wielojęzyczny Tagi ekspresji | Brak w BibiGPT | |
DeepSeek POST /v1/tools/ttsTylko dwa głosy (Stella, Tide), bez regulacji tempa i emocji. W teście ok. 1 s do pierwszego dźwięku i ok. 5× czasu rzeczywistego. Chiński liczy się podwójnie, więc to ok. 45 USD za milion chińskich znaków. | Brak oficjalnej próbki | $22.5 | $22.5 | 0,45 USD za 10 tys. znaków (czasowo −50%: 0,225 USD); znak chiński liczy się podwójnie | Mandaryński, kantoński, angielski, japoński, koreański i 5 innych Niskie opóźnienie | W BibiGPT |
Deepgram Aura-2 Deepgram aura-2Angielski TTS o niskim opóźnieniu dla agentów głosowych. | $30 | $30 | $0.030 za 1000 znaków | Angielski i kilka innych Niskie opóźnienie | Brak w BibiGPT | |
Eleven Flash v2.5 / v4 Turbo ElevenLabs eleven_flash_v2_5 · eleven_v4_turboOk. 75–100 ms do pierwszego dźwięku. Wybierz go w menu modeli ElevenLabs przy narracji. | Brak oficjalnej próbki | $40 | $40 | $0.04 za 1000 znaków | 32 języków (v4 Turbo: 90+) Klonowanie głosuNiskie opóźnienie | W BibiGPT |
Eleven v4 / v3 ElevenLabs eleven_v4 · eleven_v3Najbardziej ekspresyjny poziom; jakość chińskiego zależy od głosu. | $80 | $80 | $0.08 za 1000 znaków | 70+ języków Klonowanie głosuTagi ekspresjiWielu mówców | W BibiGPT | |
MiniMax Speech 2.8 HD MiniMax speech-2.8-hdNajbardziej naturalna chińska wymowa; poziom Turbo kosztuje $60 za milion znaków. | $100 | $100 | $100 za 1 mln znaków (międzynarodowy); serwis chiński ¥3.5 za 10 000 znaków, jeden znak chiński liczy się jako 2 | 40 języków, najlepszy w chińskim Klonowanie głosuProjektowanie głosuTagi ekspresji | W BibiGPT | |
Seed Audio 1.0 ByteDance Seed (hostowany na fal) bytedance/seed-audio-1.0Rozliczane za minutę audio. Opisz głos jednym zdaniem; nie trzeba klipu referencyjnego. | $208Szac. | $208 | $0.1875 za minutę audio (fal); Volcengine Chiny ¥1/min | Chiński, angielski Projektowanie głosu | W BibiGPT | |
MiMo V2 TTS Xiaomi mimo-v2-ttsNaturalny mówiony chiński. | Do ustalenia | — | Nie podano (oficjalny cennik wymienia tylko v2.5 TTS jako bezpłatny przez ograniczony czas) | Chiński, angielski Tagi ekspresji | W BibiGPT |
- TTS rozliczany za tokeny w Gemini / Qwen: 25 tokenów audio na sekundę, około 15 znaków na sekundę mowy.
- Tekst chiński rozlicza się zwykle za znak; niektórzy dostawcy liczą jeden znak chiński jako 2. Liczy się Twój rachunek.
- 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.
Posłuchaj tych głosów na własnych treściach
Zamień podsumowanie w wideo z obrazów z narracją w BibiGPT i wybierz tam silnik głosu.