Preços de modelos de texto para fala comparados
Todas as vozes com que o BibiGPT pode narrar, com preço por milhão de caracteres e uma amostra oficial para ouvir. Modelos cobrados por token são convertidos a cerca de 15 caracteres por segundo de fala.
Preços conferidos em 2026-10-26. São preços de tabela do provedor, não os preços do BibiGPT.
| Modelo | Ouvir | por 1M de caracteres | 1M de caracteres | Preço de tabela | Pontos fortes | No BibiGPT |
|---|---|---|---|---|---|---|
Kokoro-82M (no navegador) Código aberto · no dispositivo kokoro-jsGrátis; o texto fica no navegador. Idiomas sem suporte usam a voz do sistema. | $0 | $0 | Grátis (roda no seu navegador, download único de ~86MB) | zh/en/ja Baixa latência | No dispositivo Leitura em voz alta no navegador | |
Qwen-Audio-3.1 TTS FlashMais barato Alibaba Qwen qwen-audio-3.1-tts-flashO 3.1 passou a cobrar por tokens; o BibiGPT ainda usa o 3.0 Flash. | $2.87Est. | $2.87 | ¥1.5 de entrada / ¥12 de saída por 1M de tokens (região de Pequim) | zh/en + vozes com dialeto Design de voz | Não está no BibiGPT | |
xAI TTS xAI (hospedado na fal) xai/tts/v1A opção por caractere mais barata que usamos. | $15 | $15 | $0.015 por 1K caracteres | Multilíngue, chinês sob demanda Baixa latência | No BibiGPT | |
Qwen-Audio-3.0 TTS Flash Alibaba Qwen (OpenRouter) qwen/qwen-audio-3.0-tts-flashNarração em chinês barata e estável. | $15 | $15 | $15 por 1M de caracteres (OpenRouter); site da China ¥1 por 10K caracteres, um caractere chinês conta como 2 | zh/en + vozes com dialeto | No BibiGPT | |
Fish Audio S2.1 Pro Fish Audio fish-audio/s2.1-proCobrado por byte: $15 por milhão de caracteres em inglês, cerca de $45 por milhão de caracteres em chinês. Boa clonagem de voz. | $15 | $15 | $15 por 1M de bytes UTF-8 (um caractere chinês tem cerca de 3 bytes) | Mais de 80 idiomas Clonagem de vozTags expressivas | No BibiGPT | |
Voz da HeyGen HeyGen (OpenRouter) heygen/heygen-voice-1Lê chinês e inglês; a voz padrão é Nadine. | $15 | $15 | $15 por 1M de caracteres (OpenRouter; nível turbo $4) | Multilíngue | No BibiGPT | |
Gemini 3.8 Flash TTS Google gemini-3.8-flash-ttsVoz de narração padrão. Vários falantes em uma única chamada; o tom é guiado por instruções em linguagem natural. | $15.1Est. | $15.1 | $0.50 de texto de entrada / $9 de áudio de saída por 1M de tokens (dobra para $1 / $18 a partir de 2027) | Mais de 80 idiomas Vários falantesTags expressivas | No BibiGPT | |
GPT-4o mini TTS OpenAI gpt-4o-mini-ttsO tom pode ser guiado por instruções; o chinês tem um leve sotaque. | $16.2Est. | $16.2 | $0.60 de texto de entrada / $12 de áudio de saída por 1M de tokens (cerca de $0.015/minuto) | Multilíngue Tags expressivas | Não está no BibiGPT | |
DeepSeek POST /v1/tools/ttsApenas duas vozes (Stella, Tide), sem controle de velocidade ou emoção. No nosso teste, cerca de 1 s até o primeiro áudio e ~5× tempo real. Chinês conta em dobro, então fica em torno de US$ 45 por milhão de caracteres chineses. | Sem amostra oficial | $22.5 | $22.5 | US$ 0,45 por 10 mil caracteres (50% de desconto por tempo limitado: US$ 0,225); um caractere chinês conta como 2 | Mandarim, cantonês, inglês, japonês, coreano e mais 5 Baixa latência | No BibiGPT |
Deepgram Aura-2 Deepgram aura-2TTS em inglês de baixa latência voltado a agentes de voz. | $30 | $30 | $0.030 por 1K caracteres | Inglês e mais alguns Baixa latência | Não está no BibiGPT | |
Eleven Flash v2.5 / v4 Turbo ElevenLabs eleven_flash_v2_5 · eleven_v4_turbo~75–100 ms até o primeiro áudio. Escolha no menu de modelos da ElevenLabs ao narrar. | Sem amostra oficial | $40 | $40 | $0.04 por 1K caracteres | 32 idiomas (v4 Turbo: mais de 90) Clonagem de vozBaixa latência | No BibiGPT |
Eleven v4 / v3 ElevenLabs eleven_v4 · eleven_v3O nível mais expressivo; a qualidade em chinês depende da voz. | $80 | $80 | $0.08 por 1K caracteres | Mais de 70 idiomas Clonagem de vozTags expressivasVários falantes | No BibiGPT | |
MiniMax Speech 2.8 HD MiniMax speech-2.8-hdA entonação mais natural em chinês; o nível Turbo custa $60 por milhão de caracteres. | $100 | $100 | $100 por 1M de caracteres (internacional); site da China ¥3.5 por 10K caracteres, um caractere chinês conta como 2 | 40 idiomas, melhor em chinês Clonagem de vozDesign de vozTags expressivas | No BibiGPT | |
Seed Audio 1.0 ByteDance Seed (hospedado na fal) bytedance/seed-audio-1.0Cobrado por minuto de áudio. Descreva a voz em uma frase; não precisa de clipe de referência. | $208Est. | $208 | $0.1875 por minuto de áudio (fal); Volcengine China ¥1/minuto | Chinês, inglês Design de voz | No BibiGPT | |
MiMo V2 TTS Xiaomi mimo-v2-ttsChinês falado natural. | A definir | — | Não divulgado (a página oficial de preços só lista o v2.5 TTS como grátis por tempo limitado) | Chinês, inglês Tags expressivas | No BibiGPT |
- TTS do Gemini / Qwen cobrado por token: 25 tokens de áudio por segundo, cerca de 15 caracteres por segundo de fala.
- Texto em chinês geralmente é cobrado por caractere; alguns fornecedores contam um caractere chinês como 2. O que vale é a sua fatura.
- 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.
Ouça essas vozes no seu próprio conteúdo
Transforme um resumo em um vídeo de imagens narrado no BibiGPT e escolha o motor de voz por lá.