实时语音模型价格对比
「实时」分两种：给字幕用的流式转写，和能直接对话的语音进语音出模型。都折成每小时多少钱。
价格核对于 2026-10-26。这里是上游牌价，不是 BibiGPT 的售价。
实时转写（流式 ASR）
| 模型 | 每小时 | 10 小时 | 官方牌价 | 能力 | 在 BibiGPT 里 |
|---|---|---|---|---|---|
Apple Speech（macOS 本机） Apple SFSpeechRecognizer零成本、不联网也能用；准确率不如云端大模型。 | ¥0 | ¥0 | 免费（系统自带） | 系统支持的语种 低延迟 | 本机免费 Mac 桌面端麦克风实时听写 |
Qwen-Audio-3.1 ASR Streaming最便宜 阿里通义 qwen-audio-3.1-asr-flash-streaming厂商称首字约 160 毫秒（未实测）。比录音文件版贵一个数量级。 | ¥0.497估算 | ¥4.97 | 输入 ¥6 / 输出 ¥4.5 每百万 token（华北 2） | 30 种语言 + 10 种方言 低延迟热词方言 | 未接入 |
Soniox Real-time Soniox stt-rt海外实时转写里最便宜的一档，可边转边翻。 | ¥0.852 | ¥8.52 | $0.12/小时 | 60 种语言 低延迟说话人分离词级时间戳 | 未接入 |
Paraformer Realtime v2 阿里通义 paraformer-realtime-v2国产实时转写里最便宜、价格最好估的一档。 | ¥0.864 | ¥8.64 | ¥0.00024/秒（每月送 10 小时） | 中英日韩等 + 方言口音 低延迟热词方言 | 未接入 |
豆包流式语音识别 2.0 字节火山引擎 豆包流式语音识别模型 2.0中文实时效果强，价格和 Paraformer 实时版同一档。 | ¥1 | ¥10 | ¥1/小时（按单声道时长，阶梯计费） | 中英 + 方言 低延迟热词方言 | 未接入 |
AssemblyAI Universal-Streaming AssemblyAI universal-streaming语音 Agent 常用的听写端；Pro Realtime 档 $0.45/小时。 | ¥1.06 | ¥10.6 | $0.15/小时 | 英语 + 多语种 低延迟词级时间戳 | 未接入 |
Qwen3-ASR Flash Realtime 阿里通义 qwen3-asr-flash-realtime带情感标签的国产实时转写。 | ¥1.19 | ¥11.9 | ¥0.00033/秒（fun-asr-realtime 同价） | 约 27 种语言 + 粤川闽吴 低延迟情感标签方言 | 未接入 |
Grok Voice Transcribe（流式） xAI grok-voice-transcribe-2.0英文实时字幕便宜；中文不可用。 | ¥1.42 | ¥14.2 | $0.20/小时（WebSocket） | 25 种语言（不含中日韩） 低延迟词级时间戳说话人分离 | 未接入 |
Deepgram Nova-3 Streaming Deepgram nova-3英文电话、会议实时转写的老牌选择；当前是限时促销价。 | ¥2.04 | ¥20.4 | $0.0048/分钟（单语，限时价；多语 $0.0058） | 多语种（英文最强） 低延迟说话人分离热词 | 未接入 |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1按会话时长计费，静音也算钱。 | ¥2.56 | ¥25.6 | $0.36/会话小时（Preview） | 多语种 低延迟 | 未接入 |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtime多语种实时字幕，延迟约 150 毫秒（厂商口径）。 | ¥2.77 | ¥27.7 | $0.39/小时 | 90+ 种语言 低延迟词级时间戳 | 未接入 |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-live比录音文件版贵约八成，换来边说边出字。 | ¥3.85估算 | ¥38.5 | 音频输入 $3.50 / 文字输出 $21 每百万 token（官方估约 $0.009/分钟） | 85+ 种语言 低延迟说话人分离去语气词 | BibiGPT 可直接用 实时转写（网页 / 桌面） |
GPT Live Transcribe OpenAI gpt-live-transcribe实时转写里偏贵的一档；边转边译的 gpt-realtime-translate 是 $0.034/分钟。 | ¥7.24 | ¥72.4 | $0.017/分钟 | 多语种 低延迟 | 未接入 |
实时语音对话（语音进、语音出）
| 模型 | 每小时 | 10 小时 | 官方牌价 | 能力 | 在 BibiGPT 里 |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus 阿里通义 qwen-audio-3.1-realtime-plus国内可直连的端到端对话。价格页上和 3.0 同价；每轮会重计上下文，长对话实际更贵。 | ¥4.28估算 | ¥42.8 | 音频输入 ¥40 / 音频输出 ¥150 每百万 token（华北 2） | 中英为主，多语种 语音进语音出低延迟 | 未接入 |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-preview原生音频进、音频出，可边共享屏幕边聊；端到端对话里最便宜。 | ¥4.79估算 | ¥47.9 | 音频输入 $3 / 音频输出 $12 每百万 token（官方估 $0.005 / $0.018 每分钟） | 多语种 语音进语音出低延迟 | BibiGPT 可直接用 Gemini 桌面端 / 网页 Live 语音对话 |
GPT Realtime Mini OpenAI gpt-realtime-miniGPT Realtime 的便宜档，约为标准版的三分之一。 | ¥6.39估算 | ¥63.9 | 音频输入 $10 / 音频输出 $20 每百万 token | 多语种 语音进语音出低延迟 | 未接入 |
GPT Realtime OpenAI gpt-realtime语音 Agent 的常用基线；长对话还要叠加上下文 token。 | ¥20.4估算 | ¥204 | 音频输入 $32 / 音频输出 $64 每百万 token（gpt-realtime-2 音频同价） | 多语种 语音进语音出低延迟 | 未接入 |
Grok Voice 3.0 xAI grok-voice-3.0按分钟一口价，好估算但单价最高。 | ¥34.1 | ¥341 | $0.08/分钟（另加文字输入费） | 多语种 语音进语音出低延迟 | 未接入 |
- 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。
- 实时对话按一小时里用户说 50%、模型说其余时间估算。
- 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。