Preços de modelos de fala em tempo real comparados
Dois tipos de “ao vivo”: transcrição em streaming para legendas e modelos de fala para fala para chat de voz. Ambos normalizados para custo por hora.
Preços conferidos em 2026-10-26. São preços de tabela do provedor, não os preços do BibiGPT.
Transcrição ao vivo
| Modelo | por hora | 10 h | Preço de tabela | Pontos fortes | No BibiGPT |
|---|---|---|---|---|---|
Apple Speech (no dispositivo, macOS) Apple SFSpeechRecognizerGrátis e funciona offline; menos preciso que os modelos em nuvem. | $0 | $0 | Grátis (integrado ao sistema) | Idiomas do sistema Baixa latência | No dispositivo App para Mac, ditado ao vivo pelo microfone |
Qwen-Audio-3.1 ASR StreamingMais barato Alibaba Qwen qwen-audio-3.1-asr-flash-streamingO fornecedor afirma ~160 ms até o primeiro token (não medido). Uma ordem de grandeza acima da versão de arquivos. | $0.07Est. | $0.7 | ¥6 de entrada / ¥4.5 de saída por 1M de tokens (região de Pequim) | 30 idiomas + 10 dialetos Baixa latênciaPalavras-chaveDialetos | Não está no BibiGPT |
Soniox Real-time Soniox stt-rtA transcrição em tempo real mais barata que encontramos fora da China; pode traduzir durante a fala. | $0.12 | $1.2 | $0.12/hora | 60 idiomas Baixa latênciaIdentificação de falantesTempo por palavra | Não está no BibiGPT |
Paraformer Realtime v2 Alibaba Qwen paraformer-realtime-v2O ASR em tempo real mais barato e previsível da China. | $0.122 | $1.22 | ¥0.00024/segundo (10 horas grátis por mês) | zh/en/ja/ko + sotaques Baixa latênciaPalavras-chaveDialetos | Não está no BibiGPT |
Doubao ASR em streaming 2.0 ByteDance Volcengine Doubao streaming ASR model 2.0Chinês em tempo real de alto nível, por um preço próximo ao do Paraformer Realtime. | $0.141 | $1.41 | ¥1/hora (por canal mono, escalonado) | zh/en + dialetos Baixa latênciaPalavras-chaveDialetos | Não está no BibiGPT |
AssemblyAI Universal-Streaming AssemblyAI universal-streamingCamada só de escuta muito usada em agentes de voz. O nível Pro Realtime custa $0.45/h. | $0.15 | $1.5 | $0.15/hora | Inglês + multilíngue Baixa latênciaTempo por palavra | Não está no BibiGPT |
Qwen3-ASR Flash Realtime Alibaba Qwen qwen3-asr-flash-realtimeASR em tempo real da China com rótulos de emoção. | $0.167 | $1.67 | ¥0.00033/segundo (igual ao fun-asr-realtime) | ~27 idiomas + 4 dialetos Baixa latênciaEmoçãoDialetos | Não está no BibiGPT |
Grok Voice Transcribe (streaming) xAI grok-voice-transcribe-2.0Legendas ao vivo baratas para inglês; sem chinês. | $0.2 | $2 | $0.20/hora (WebSocket) | 25 idiomas (sem CJK) Baixa latênciaTempo por palavraIdentificação de falantes | Não está no BibiGPT |
Deepgram Nova-3 Streaming Deepgram nova-3Escolha consagrada para ligações e reuniões em inglês. O preço atual é uma promoção por tempo limitado. | $0.288 | $2.88 | $0.0048/minuto (monolíngue, preço promocional; multilíngue $0.0058) | Multilíngue, mais forte em inglês Baixa latênciaIdentificação de falantesPalavras-chave | Não está no BibiGPT |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1Cobrado por hora de sessão, silêncio incluído. | $0.36 | $3.6 | $0.36/hora de sessão (prévia) | Multilíngue Baixa latência | Não está no BibiGPT |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtimeLegendas ao vivo multilíngues, ~150 ms de latência (dado do fornecedor). | $0.39 | $3.9 | $0.39/hora | Mais de 90 idiomas Baixa latênciaTempo por palavra | Não está no BibiGPT |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-liveCerca de 80% mais caro que a versão de arquivos, em troca do texto enquanto você fala. | $0.542Est. | $5.42 | $3.50 de áudio de entrada / $21 de texto de saída por 1M de tokens (estimativa oficial de cerca de $0.009/minuto) | Mais de 85 idiomas Baixa latênciaIdentificação de falantesSem vícios de fala | No BibiGPT Transcrição ao vivo (web / desktop) |
GPT Live Transcribe OpenAI gpt-live-transcribeEstá no topo da faixa de preço para legendas ao vivo; o gpt-realtime-translate custa $0.034/min. | $1.02 | $10.2 | $0.017/minuto | Multilíngue Baixa latência | Não está no BibiGPT |
Conversa de voz em tempo real
| Modelo | por hora | 10 h | Preço de tabela | Pontos fortes | No BibiGPT |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus Alibaba Qwen qwen-audio-3.1-realtime-plusFala para fala acessível a partir da China continental. Mesmo preço de tabela do 3.0; o contexto é cobrado de novo a cada turno. | $0.602Est. | $6.02 | ¥40 de áudio de entrada / ¥150 de áudio de saída por 1M de tokens (região de Pequim) | Primeiro chinês e inglês Fala para falaBaixa latência | Não está no BibiGPT |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-previewÁudio nativo de entrada e saída, funciona com compartilhamento de tela. A opção de fala para fala mais barata daqui. | $0.675Est. | $6.75 | $3 de áudio de entrada / $12 de áudio de saída por 1M de tokens (estimativa oficial $0.005 / $0.018 por minuto) | Multilíngue Fala para falaBaixa latência | No BibiGPT Chat de voz Live do Gemini no desktop e na web |
GPT Realtime Mini OpenAI gpt-realtime-miniO GPT Realtime econômico, cerca de um terço do modelo completo. | $0.9Est. | $9 | $10 de áudio de entrada / $20 de áudio de saída por 1M de tokens | Multilíngue Fala para falaBaixa latência | Não está no BibiGPT |
GPT Realtime OpenAI gpt-realtimeA referência comum para agentes de voz; em sessões longas você também paga os tokens de contexto. | $2.88Est. | $28.8 | $32 de áudio de entrada / $64 de áudio de saída por 1M de tokens (o áudio do gpt-realtime-2 é igual) | Multilíngue Fala para falaBaixa latência | Não está no BibiGPT |
Grok Voice 3.0 xAI grok-voice-3.0Preço fixo por minuto: fácil de orçar, a tarifa mais alta daqui. | $4.8 | $48 | $0.08/minuto (mais texto de entrada) | Multilíngue Fala para falaBaixa latência | Não está no BibiGPT |
- 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.
- A conversa de voz presume que o usuário fala 50% da hora e o modelo, o resto.
- 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.