Preços de modelos de fala para texto comparados
Custo por hora de cada modelo de transcrição que o BibiGPT pode usar, mais algumas APIs de referência. Modelos cobrados por token são convertidos com as densidades que medimos.
Preços conferidos em 2026-10-26. São preços de tabela do provedor, não os preços do BibiGPT.
| Modelo | por hora | 10 h | Preço de tabela | Pontos fortes | No BibiGPT |
|---|---|---|---|---|---|
Transcrição no dispositivo com o Bibi Local App desktop Bibi Local SenseVoice / Whisper (on device)O áudio nunca sai da sua máquina. A velocidade depende do seu computador. | $0 | $0 | Grátis (roda no seu computador) | zh/en/ja/ko/yue e mais Tempo por palavra | No dispositivo App desktop, modo local Baixar o Bibi Local |
Qwen-Audio-3.1 ASRMais barato Alibaba Qwen qwen-audio-3.1-asr-flash-filetransCerca de ¥0.075–0.10 por hora em nossas amostras em chinês, a opção em nuvem mais barata que medimos. Melhor que o Paraformer com nomes de produtos; mantém os vícios de fala. | $0.0136Medido | $0.136 | ¥0.8 de entrada / ¥2.7 de saída por 1M de tokens (região de Pequim) | 30 idiomas + 10 dialetos do chinês Tempo por palavraIdentificação de falantesPalavras-chaveDialetos | No BibiGPT |
StepAudio 2.5 ASR StepFun stepaudio-2.5-asrA API mais barata cobrada por duração. Forte em mandarim; sem dialetos e sem identificação de falantes. | $0.0211 | $0.211 | ¥0.15/hora ($0.022/hora) | Chinês, inglês Tempo por palavraPalavras-chave | No BibiGPT |
Paraformer v2 Alibaba Qwen paraformer-v2O padrão do BibiGPT para vídeos em chinês, com identificação de falantes e remoção de vícios de fala ativadas. Fraco com nomes de marcas. | $0.0406 | $0.406 | ¥0.00008/segundo | zh/en/ja/ko/de/fr/ru + ~18 sotaques Tempo por palavraIdentificação de falantesPalavras-chaveSem vícios de falaDialetos | No BibiGPT |
DeepSeek POST /v1/tools/asrMedido no FLEURS: CER de 1,9% em chinês (2º de 6) e WER de 6,4% em inglês, cerca de 1 s por clipe. Máximo de 120 s por arquivo e sem timestamps: serve para ditado, não para legendas. | $0.058 | $0.58 | US$ 0,116/hora (50% de desconto por tempo limitado: US$ 0,058), por segundo | 21 idiomas, incluindo cantonês, detecção automática Dialetos | Não está no BibiGPT |
Grok Voice Transcribe 2.0 xAI grok-voice-transcribe-2.0Uma opção barata para inglês e outros áudios sem CJK. Não serve para chinês. | $0.1 | $1 | $0.10/hora (em lote) | 25 idiomas (sem CJK) Tempo por palavraIdentificação de falantes | No BibiGPT |
Whisper large-v3 (Groq) Código aberto da OpenAI / Groq whisper-large-v3Cobre a maioria dos idiomas e é muito rápido. Sem identificação de falantes; pode alucinar em silêncios. | $0.111 | $1.11 | $0.111/hora | 99 idiomas Tempo por palavra | No BibiGPT |
Qwen3-ASR Flash Alibaba Qwen qwen3-asr-flash-filetransRetorna rótulos de emoção, o que o 3.1 não faz. Sem identificação de falantes. | $0.112 | $1.12 | ¥0.00022/segundo | ~27 idiomas + 4 dialetos Tempo por palavraEmoçãoDialetos | No BibiGPT |
Qwen-Audio-3.0 ASR Alibaba Qwen qwen-audio-3.0-asr-flash-filetransLista de dialetos mais ampla que a do 3.1, por um preço cerca de 8–10× maior. | $0.112 | $1.12 | ¥0.00022/segundo | A maior cobertura de dialetos do chinês Tempo por palavraDialetos | No BibiGPT |
ElevenLabs Scribe v2 ElevenLabs scribe_v2Confiável em vários idiomas, com identificação de falantes. Use sua própria chave da ElevenLabs. | $0.22 | $2.2 | $0.22/hora (em lote) | Mais de 90 idiomas Tempo por palavraIdentificação de falantesEventos sonorosPalavras-chave | No BibiGPT · sua chave |
Deepgram Nova-3 Deepgram deepgram/nova-3Escolha consagrada para ligações e reuniões em inglês. Selecionável com uma chave do OpenRouter. | $0.258 | $2.58 | $0.0043/minuto (OpenRouter) | Multilíngue, mais forte em inglês Tempo por palavraIdentificação de falantesPalavras-chave | No BibiGPT · sua chave |
GPT Transcribe OpenAI openai/gpt-transcribeSelecionável com uma chave do OpenRouter. Só texto, sem marcações de tempo nem falantes. | $0.27 | $2.7 | $0.0045/minuto (OpenRouter) | Multilíngue | No BibiGPT · sua chave |
Gemini 3.5 Transcribe Google gemini-3.5-transcribeRemove vícios de fala e autocorreções nativamente. Use sua própria chave do Gemini. | $0.31Est. | $3.1 | $2 de áudio de entrada / $12 de texto de saída por 1M de tokens (estimativa oficial de cerca de $0.005/minuto) | Mais de 85 idiomas Tempo por palavraIdentificação de falantesSem vícios de fala | No BibiGPT · sua chave |
Doubao ASR de áudio gravado ByteDance Volcengine volc.bigasr.aucForte em chinês e dialetos. Exige um AppID e um token da Volcengine. | $0.324 | $3.24 | Padrão ¥2.3/hora; fora do pico ¥1.2; ASR de arquivos 2.0 ¥0.8 | zh/en + 5 dialetos Tempo por palavraIdentificação de falantesPalavras-chaveDialetos | No BibiGPT · sua chave |
MAI-Transcribe 1.5 Microsoft microsoft/mai-transcribe-1.5Selecionável no transcritor com uma chave do OpenRouter. | $0.36 | $3.6 | $0.36/hora (OpenRouter) | Multilíngue Tempo por palavra | No BibiGPT · sua chave |
Fish Audio Transcribe Pro Fish Audio transcribe-1-proTags de falantes e de eventos sonoros; o BibiGPT remove das legendas eventos como [click]. Desempenho mediano com nomes chineses. | $0.36 | $3.6 | $0.0001/segundo | 83 idiomas (segundo o fornecedor) Tempo por palavraIdentificação de falantesEventos sonoros | No BibiGPT · sua chave |
StepAudio 3 ASR StepFun stepaudio-3-asr-maxEmpatado em primeiro no WER em lote da Artificial Analysis. Sem palavras-chave, entendeu “BibiGPT” como “Bilibili GPT”. | $0.394 | $3.94 | ¥2.8/hora (site internacional $0.40/hora) | Chinês, inglês Tempo por palavraPalavras-chave | No BibiGPT · sua chave |
- Entrada de áudio do Gemini: 25 tokens por segundo; a transcrição de saída fica em cerca de 3 tokens por segundo.
- Qwen-Audio-3.1: cerca de 20 tokens de entrada + 4 de saída por segundo, medidos em nossas próprias amostras em chinês.
- CNY ↔ USD a 7.1.
Perguntas frequentes
Qual modelo de transcrição é o mais barato?
Em nossas amostras, a transcrição de arquivos com o Qwen-Audio-3.1 saiu por cerca de ¥0.075–0.10 por hora, abaixo do StepAudio 2.5 (¥0.15/h) e do Paraformer v2 (¥0.288/h). Os modelos no dispositivo do app desktop Bibi Local não custam nada.
Qual a diferença entre STT, ao vivo e TTS?
O STT transforma uma gravação pronta em texto e é cobrado por hora de áudio. Os modelos ao vivo fazem o mesmo enquanto você fala, ou respondem por voz, e custam mais. O TTS faz o caminho inverso: entra texto, sai fala, geralmente cobrado por caractere.
Por que alguns preços estão marcados como “Est.”?
Esses modelos cobram por tokens, não por minutos. Convertemos com as densidades de tokens listadas abaixo da tabela; a sua fatura real varia conforme a velocidade da fala e o idioma.
Posso usar esses modelos no BibiGPT?
Os modelos marcados como “No BibiGPT” estão cobertos pela assinatura. Os de “sua chave” ficam selecionáveis depois que você cola a sua própria chave de API. Os modelos “No dispositivo” rodam de graça no app desktop Bibi Local. As linhas “Não está no BibiGPT” aparecem só como referência.
Teste com o seu próprio áudio
Cole um link do YouTube, Bilibili ou de podcast no BibiGPT e escolha o motor nas configurações de transcrição. Para gravações privadas, o Bibi Local transcreve no seu próprio computador.