语音转文字模型价格对比
BibiGPT 能用的转录模型和几家参照 API，统一折成每小时音频多少钱。按 token 计费的模型按我们实测的 token 密度换算。
价格核对于 2026-10-26。这里是上游牌价，不是 BibiGPT 的售价。
| 模型 | 每小时 | 10 小时 | 官方牌价 | 能力 | 在 BibiGPT 里 |
|---|---|---|---|---|---|
Bibi Local 本地转写 BibiGPT 桌面端 SenseVoice / Whisper（本机）音频不出本机，适合隐私内容；速度取决于电脑。 | ¥0 | ¥0 | 免费（用自己电脑算） | 中英日韩粤等 词级时间戳 | 本机免费 桌面端「本地处理」 下载 Bibi Local |
Qwen-Audio-3.1 ASR最便宜 阿里通义 qwen-audio-3.1-asr-flash-filetrans实测三条中文样本约 ¥0.075–0.10/小时，是目前最便宜的云端转写；专名比 Paraformer 准，但语气词不会自动去掉。 | ¥0.0965实测 | ¥0.965 | 输入 ¥0.8 / 输出 ¥2.7 每百万 token（华北 2） | 30 种语言 + 10 种方言 词级时间戳说话人分离热词方言 | BibiGPT 可直接用 |
StepAudio 2.5 ASR 阶跃星辰 stepaudio-2.5-asr按时长计费里最便宜的一档，普通话效果第一梯队；不认方言，没有说话人分离。 | ¥0.15 | ¥1.5 | ¥0.15/小时（$0.022/小时） | 中文、英文 词级时间戳热词 | BibiGPT 可直接用 |
Paraformer v2 阿里通义 paraformer-v2BibiGPT 中文视频的默认路径：说话人分离和去语气词都已开着。专名容易听错。 | ¥0.288 | ¥2.88 | ¥0.00008/秒 | 中英日韩德法俄 + 约 18 种口音 词级时间戳说话人分离热词去语气词方言 | BibiGPT 可直接用 |
DeepSeek POST /v1/tools/asr实测 FLEURS 中文字错率 1.9%（六家第二），英文 6.4%；约 1 秒返回。单条最长 120 秒、不给时间戳，适合语音输入，不能直接出字幕。 | ¥0.412 | ¥4.12 | $0.116/小时（限时半价 $0.058），按秒计 | 21 种语言含粤语，自动识别 方言 | 未接入 |
Grok Voice Transcribe 2.0 xAI grok-voice-transcribe-2.0英文等非中文内容的便宜选择；中文别选。 | ¥0.71 | ¥7.1 | $0.10/小时（batch） | 25 种语言（不含中日韩） 词级时间戳说话人分离 | BibiGPT 可直接用 |
Whisper large-v3（Groq） OpenAI 开源 / Groq whisper-large-v3语种最多，速度快；没有说话人分离，中文偶有幻觉。 | ¥0.788 | ¥7.88 | $0.111/小时 | 99 种语言 词级时间戳 | BibiGPT 可直接用 |
Qwen3-ASR Flash 阿里通义 qwen3-asr-flash-filetrans带情感标签，3.1 没有这项；没有说话人分离。 | ¥0.792 | ¥7.92 | ¥0.00022/秒 | 约 27 种语言 + 粤川闽吴 词级时间戳情感标签方言 | BibiGPT 可直接用 |
Qwen-Audio-3.0 ASR 阿里通义 qwen-audio-3.0-asr-flash-filetrans方言覆盖比 3.1 宽；价格是 3.1 的约 8–10 倍。 | ¥0.792 | ¥7.92 | ¥0.00022/秒 | 粤吴闽客赣湘晋等方言最全 词级时间戳方言 | BibiGPT 可直接用 |
ElevenLabs Scribe v2 ElevenLabs scribe_v2多语种和说话人分离都稳，海外内容常用；需要自己的 ElevenLabs Key。 | ¥1.56 | ¥15.6 | $0.22/小时（batch） | 90+ 种语言 词级时间戳说话人分离声音事件热词 | BibiGPT 可选 · 自带 Key |
Deepgram Nova-3 Deepgram deepgram/nova-3英文会议、客服录音的老牌选择；通过 OpenRouter Key 可选。 | ¥1.83 | ¥18.3 | $0.0043/分钟（OpenRouter） | 多语种（英文最强） 词级时间戳说话人分离热词 | BibiGPT 可选 · 自带 Key |
GPT Transcribe OpenAI openai/gpt-transcribe通过 OpenRouter Key 可选；只回文字，没有时间戳和说话人。 | ¥1.92 | ¥19.2 | $0.0045/分钟（OpenRouter） | 多语种 | BibiGPT 可选 · 自带 Key |
Gemini 3.5 Transcribe Google gemini-3.5-transcribe自带去语气词和自我纠错；需要自己的 Gemini Key。 | ¥2.2估算 | ¥22 | 音频输入 $2 / 文字输出 $12 每百万 token（官方估约 $0.005/分钟） | 85+ 种语言 词级时间戳说话人分离去语气词 | BibiGPT 可选 · 自带 Key |
豆包录音文件识别大模型 字节火山引擎 volc.bigasr.auc中文效果和方言都强，需要火山 AppID + Token。 | ¥2.3 | ¥23 | 大模型标准版 ¥2.3/小时；闲时版 ¥1.2；录音文件 2.0 ¥0.8 | 中英 + 沪闽川陕粤 词级时间戳说话人分离热词方言 | BibiGPT 可选 · 自带 Key |
MAI-Transcribe 1.5 Microsoft microsoft/mai-transcribe-1.5通过 OpenRouter Key 在转录选择器里可选。 | ¥2.56 | ¥25.6 | $0.36/小时（OpenRouter） | 多语种 词级时间戳 | BibiGPT 可选 · 自带 Key |
Fish Audio Transcribe Pro Fish Audio transcribe-1-pro说话人和声事件标签都有；BibiGPT 会把 [click] 这类声事件从字幕里剔掉。中文专名一般。 | ¥2.56 | ¥25.6 | $0.0001/秒 | 官方称 83 种 词级时间戳说话人分离声音事件 | BibiGPT 可选 · 自带 Key |
StepAudio 3 ASR 阶跃星辰 stepaudio-3-asr-maxArtificial Analysis 非流式 WER 并列第一；不带热词时把 BibiGPT 听成 Bilibili GPT。 | ¥2.8 | ¥28 | ¥2.8/小时（国际站 $0.40/小时） | 中文、英文 词级时间戳热词 | BibiGPT 可选 · 自带 Key |
- Gemini 音频输入每秒 25 个 token；转写文字输出约每秒 3 个 token。
- Qwen-Audio-3.1：约每秒 20 输入 + 4 输出 token，来自我们自己的中文样本实测。
- 人民币和美元按 7.1 换算。
常见问题
哪个语音转文字模型最便宜？
在我们的样本上，Qwen-Audio-3.1 录音文件转写约 ¥0.075–0.10/小时，低于 StepAudio 2.5（¥0.15/小时）和 Paraformer v2（¥0.288/小时）。Bibi Local 桌面端的本地模型不花钱。
STT、实时、TTS 有什么区别？
STT 把录好的音频转成文字，按音频时长计费。实时模型边说边转，或直接用语音回你，通常更贵。TTS 反过来，文字进、语音出，多按字符计费。
为什么有的价格标「估算」？
这些模型按 token 计费，不按时长。我们用表格下方写明的 token 密度换算，实际账单会随语速和语种浮动。
这些模型能在 BibiGPT 里用吗？
标「BibiGPT 可直接用」的由会员额度覆盖；标「自带 Key」的填上自己的 API Key 就能选；标「本机免费」的在 Bibi Local 桌面端里本地跑；「未接入」只作参照。
拿你自己的音视频试一试
把 B 站、YouTube 或播客链接贴进 BibiGPT，在转录设置里选引擎。私密录音可以用 Bibi Local 在自己电脑上转写。