Сравнение цен на модели речи в реальном времени
Два вида «live»: потоковая транскрипция для субтитров и модели speech-to-speech для голосового чата. Обе приведены к стоимости за час.
Цены проверены 2026-10-26. Это прайсы поставщиков, а не тарифы BibiGPT.
Транскрипция в реальном времени
| Модель | за час | 10 ч | Прайс | Сильные стороны | В BibiGPT |
|---|---|---|---|---|---|
Apple Speech (на устройстве, macOS) Apple SFSpeechRecognizerБесплатно и работает офлайн; менее точен, чем облачные модели. | $0 | $0 | Бесплатно (встроено в систему) | Языки системы Низкая задержка | На устройстве Приложение для Mac, диктовка с микрофона |
Qwen-Audio-3.1 ASR StreamingДешевле всех Alibaba Qwen qwen-audio-3.1-asr-flash-streamingПоставщик заявляет ~160 мс до первого токена (не измерено). На порядок дороже файловой версии. | $0.07Оценка | $0.7 | ¥6 вход / ¥4.5 выход за 1 млн токенов (регион Пекин) | 30 языков + 10 диалекта Низкая задержкаКлючевые словаДиалекты | Нет в BibiGPT |
Soniox Real-time Soniox stt-rtСамая дешёвая транскрипция в реальном времени вне Китая из найденных; умеет переводить на лету. | $0.12 | $1.2 | $0.12/ч | 60 языков Низкая задержкаМетки спикеровТаймкоды слов | Нет в BibiGPT |
Paraformer Realtime v2 Alibaba Qwen paraformer-realtime-v2Самый дешёвый и предсказуемый ASR в реальном времени в Китае. | $0.122 | $1.22 | ¥0.00024/с (10 бесплатных часов в месяц) | zh/en/ja/ko + акцентов Низкая задержкаКлючевые словаДиалекты | Нет в BibiGPT |
Потоковый ASR Doubao 2.0 ByteDance Volcengine Doubao streaming ASR model 2.0Сильный китайский в реальном времени примерно по цене Paraformer Realtime. | $0.141 | $1.41 | ¥1/ч (за моно-канал, ступенчато) | zh/en + диалекта Низкая задержкаКлючевые словаДиалекты | Нет в BibiGPT |
AssemblyAI Universal-Streaming AssemblyAI universal-streamingРаспространённый слой «только слух» для голосовых агентов. Тариф Pro Realtime — $0.45/ч. | $0.15 | $1.5 | $0.15/ч | Английский + многоязычный Низкая задержкаТаймкоды слов | Нет в BibiGPT |
Qwen3-ASR Flash Realtime Alibaba Qwen qwen3-asr-flash-realtimeASR в реальном времени из Китая с метками эмоций. | $0.167 | $1.67 | ¥0.00033/с (как у fun-asr-realtime) | ~27 языков + 4 диалекта Низкая задержкаЭмоцииДиалекты | Нет в BibiGPT |
Grok Voice Transcribe (потоково) xAI grok-voice-transcribe-2.0Дешёвые живые субтитры для английского; китайского нет. | $0.2 | $2 | $0.20/ч (WebSocket) | 25 языков (без CJK) Низкая задержкаТаймкоды словМетки спикеров | Нет в BibiGPT |
Deepgram Nova-3 Streaming Deepgram nova-3Давно проверенный выбор для английских звонков и встреч. Текущая цена — временная акция. | $0.288 | $2.88 | $0.0048/мин (одноязычный, промо-цена; многоязычный $0.0058) | Многоязычный, сильнее всего в английском Низкая задержкаМетки спикеровКлючевые слова | Нет в BibiGPT |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1Оплата за час сессии, включая тишину. | $0.36 | $3.6 | $0.36/час сессии (превью) | Многоязычный Низкая задержка | Нет в BibiGPT |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtimeМногоязычные живые субтитры, задержка ~150 мс (данные поставщика). | $0.39 | $3.9 | $0.39/ч | 90+ языков Низкая задержкаТаймкоды слов | Нет в BibiGPT |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-liveПримерно на 80% дороже файловой версии — взамен текст появляется, пока вы говорите. | $0.542Оценка | $5.42 | $3.50 аудиовход / $21 текстовый выход за 1 млн токенов (официальная оценка ~$0.009/мин) | 85+ языков Низкая задержкаМетки спикеровУдаление слов-паразитов | В BibiGPT Транскрипция в реальном времени (веб / десктоп) |
GPT Live Transcribe OpenAI gpt-live-transcribeДороговат для живых субтитров; gpt-realtime-translate стоит $0.034/мин. | $1.02 | $10.2 | $0.017/мин | Многоязычный Низкая задержка | Нет в BibiGPT |
Голосовой диалог в реальном времени
| Модель | за час | 10 ч | Прайс | Сильные стороны | В BibiGPT |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus Alibaba Qwen qwen-audio-3.1-realtime-plusSpeech-to-speech, доступный из материкового Китая. Прайс как у 3.0; контекст тарифицируется заново на каждом ходу. | $0.602Оценка | $6.02 | ¥40 аудиовход / ¥150 аудиовыход за 1 млн токенов (регион Пекин) | Сначала китайский и английский Speech-to-speechНизкая задержка | Нет в BibiGPT |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-previewНативное аудио на входе и выходе, работает с демонстрацией экрана. Самый дешёвый вариант speech-to-speech здесь. | $0.675Оценка | $6.75 | $3 аудиовход / $12 аудиовыход за 1 млн токенов (официальная оценка $0.005 / $0.018 за минуту) | Многоязычный Speech-to-speechНизкая задержка | В BibiGPT Gemini Desktop и веб: голосовой чат в реальном времени |
GPT Realtime Mini OpenAI gpt-realtime-miniБюджетный GPT Realtime, около трети цены полной модели. | $0.9Оценка | $9 | $10 аудиовход / $20 аудиовыход за 1 млн токенов | Многоязычный Speech-to-speechНизкая задержка | Нет в BibiGPT |
GPT Realtime OpenAI gpt-realtimeОбычная точка отсчёта для голосовых агентов; в длинных сессиях доплата за токены контекста. | $2.88Оценка | $28.8 | $32 аудиовход / $64 аудиовыход за 1 млн токенов (аудио gpt-realtime-2 — так же) | Многоязычный Speech-to-speechНизкая задержка | Нет в BibiGPT |
Grok Voice 3.0 xAI grok-voice-3.0Фиксированная цена за минуту: легко планировать бюджет, но здесь самая высокая ставка. | $4.8 | $48 | $0.08/мин (плюс текстовый вход) | Многоязычный Speech-to-speechНизкая задержка | Нет в BibiGPT |
- Аудиовход Gemini: 25 токенов в секунду; вывод транскрипта около 3 токенов в секунду.
- Qwen-Audio-3.1: около 20 входных + 4 выходных токенов в секунду, измерено на наших китайских образцах.
- В голосовом диалоге предполагается, что пользователь говорит 50% часа, а модель — остальное время.
- CNY ↔ USD по курсу 7.1.
Вопросы и ответы
Какая модель транскрипции самая дешёвая?
На наших образцах транскрипция файлов Qwen-Audio-3.1 обошлась примерно в ¥0.075–0.10 за час — дешевле StepAudio 2.5 (¥0.15/ч) и Paraformer v2 (¥0.288/ч). Модели на устройстве в настольном приложении Bibi Local бесплатны.
Чем отличаются STT, live и TTS?
STT превращает готовую запись в текст и тарифицируется за час аудио. Live-модели делают то же самое, пока вы говорите, или отвечают голосом, и стоят дороже. TTS работает наоборот: на входе текст, на выходе речь, обычно оплата за символ.
Почему некоторые цены помечены «Оценка»?
Эти модели тарифицируются по токенам, а не по минутам. Мы пересчитываем по плотности токенов, указанной под таблицей; реальный счёт зависит от темпа речи и языка.
Можно ли использовать эти модели в BibiGPT?
Модели с пометкой «В BibiGPT» входят в подписку. Модели «Ваш ключ» становятся доступны после вставки собственного API-ключа. Модели «На устройстве» работают бесплатно в настольном приложении Bibi Local. Строки «Нет в BibiGPT» приведены для справки.
Попробуйте их на своём аудио
Вставьте ссылку на YouTube, Bilibili или подкаст в BibiGPT и выберите движок в настройках транскрипции. Для личных записей Bibi Local транскрибирует прямо на вашем компьютере.