เปรียบเทียบราคาโมเดลแปลงเสียงเป็นข้อความ
ต้นทุนต่อชั่วโมงของโมเดลถอดเสียงทุกตัวที่ BibiGPT ใช้ได้ รวมถึง API อ้างอิงอีกบางตัว โมเดลที่คิดเงินตามโทเคนแปลงด้วยความหนาแน่นที่เราวัดเอง
ตรวจสอบราคาเมื่อ 2026-10-26 นี่คือราคาป้ายจากต้นทาง ไม่ใช่ราคาของ BibiGPT
| โมเดล | ต่อชั่วโมง | 10 ชม. | ราคาป้าย | จุดเด่น | ใน BibiGPT |
|---|---|---|---|---|---|
ถอดเสียงบนอุปกรณ์ด้วย Bibi Local แอปเดสก์ท็อป Bibi Local SenseVoice / Whisper (บนอุปกรณ์)เสียงไม่ออกจากเครื่องของคุณ ความเร็วขึ้นกับคอมพิวเตอร์ของคุณ | $0 | $0 | ฟรี (ทำงานบนคอมพิวเตอร์ของคุณ) | zh/en/ja/ko/yue และอื่น ๆ ไทม์สแตมป์รายคำ | บนอุปกรณ์ แอปเดสก์ท็อป โหมดภายในเครื่อง ดาวน์โหลด Bibi Local |
Qwen-Audio-3.1 ASRถูกที่สุด Alibaba Qwen qwen-audio-3.1-asr-flash-filetransประมาณ ¥0.075–0.10 ต่อชั่วโมงจากตัวอย่างภาษาจีนของเรา เป็นตัวเลือกคลาวด์ที่ถูกที่สุดที่เราวัดได้ จับชื่อผลิตภัณฑ์ได้ดีกว่า Paraformer แต่คำฟุ่มเฟือยยังอยู่ | $0.0136วัดจริง | $0.136 | อินพุต ¥0.8 / เอาต์พุต ¥2.7 ต่อ 1 ล้านโทเคน (ภูมิภาคปักกิ่ง) | 30 ภาษา + สำเนียงจีน 10 แบบ ไทม์สแตมป์รายคำแยกผู้พูดคำสำคัญ (Hotwords)สำเนียงท้องถิ่น | ใน BibiGPT |
StepAudio 2.5 ASR StepFun stepaudio-2.5-asrAPI ที่คิดตามระยะเวลาถูกที่สุด เก่งภาษาจีนกลาง แต่ไม่รองรับสำเนียงท้องถิ่นและไม่แยกผู้พูด | $0.0211 | $0.211 | ¥0.15/ชั่วโมง ($0.022/ชั่วโมง) | จีน, อังกฤษ ไทม์สแตมป์รายคำคำสำคัญ (Hotwords) | ใน BibiGPT |
Paraformer v2 Alibaba Qwen paraformer-v2ค่าเริ่มต้นของ BibiGPT สำหรับวิดีโอภาษาจีน เปิดการแยกผู้พูดและตัดคำฟุ่มเฟือยไว้ ไม่ค่อยแม่นกับชื่อแบรนด์ | $0.0406 | $0.406 | ¥0.00008/วินาที | zh/en/ja/ko/de/fr/ru + สำเนียงราว 18 แบบ ไทม์สแตมป์รายคำแยกผู้พูดคำสำคัญ (Hotwords)ตัดคำฟุ่มเฟือยสำเนียงท้องถิ่น | ใน BibiGPT |
DeepSeek POST /v1/tools/asrวัดบน FLEURS: CER ภาษาจีน 1.9% (อันดับ 2 จาก 6) และ WER ภาษาอังกฤษ 6.4% ใช้เวลาราว 1 วินาทีต่อคลิป ไฟล์ละไม่เกิน 120 วินาทีและไม่มี timestamp จึงเหมาะกับการพิมพ์ด้วยเสียงมากกว่าทำซับไตเติล | $0.058 | $0.58 | $0.116/ชั่วโมง (ลด 50% ช่วงจำกัด: $0.058) คิดรายวินาที | 21 ภาษา รวมกวางตุ้ง ตรวจจับอัตโนมัติ สำเนียงท้องถิ่น | ไม่มีใน BibiGPT |
Grok Voice Transcribe 2.0 xAI grok-voice-transcribe-2.0ตัวเลือกราคาถูกสำหรับเสียงภาษาอังกฤษและภาษาอื่นที่ไม่ใช่ CJK ไม่เหมาะกับภาษาจีน | $0.1 | $1 | $0.10/ชั่วโมง (batch) | 25 ภาษา (ไม่รวม CJK) ไทม์สแตมป์รายคำแยกผู้พูด | ใน BibiGPT |
Whisper large-v3 (Groq) โอเพนซอร์สของ OpenAI / Groq whisper-large-v3รองรับหลายภาษาที่สุดและเร็วมาก ไม่แยกผู้พูด และอาจแต่งข้อความขึ้นมาเองในช่วงเงียบ | $0.111 | $1.11 | $0.111/ชั่วโมง | 99 ภาษา ไทม์สแตมป์รายคำ | ใน BibiGPT |
Qwen3-ASR Flash Alibaba Qwen qwen3-asr-flash-filetransส่งป้ายอารมณ์กลับมาให้ ซึ่ง 3.1 ไม่มี ไม่แยกผู้พูด | $0.112 | $1.12 | ¥0.00022/วินาที | ราว 27 ภาษา + สำเนียงจีน 4 แบบ ไทม์สแตมป์รายคำอารมณ์สำเนียงท้องถิ่น | ใน BibiGPT |
Qwen-Audio-3.0 ASR Alibaba Qwen qwen-audio-3.0-asr-flash-filetransรองรับสำเนียงท้องถิ่นได้กว้างกว่า 3.1 ในราคาประมาณ 8–10 เท่า | $0.112 | $1.12 | ¥0.00022/วินาที | ครอบคลุมสำเนียงจีนกว้างที่สุด ไทม์สแตมป์รายคำสำเนียงท้องถิ่น | ใน BibiGPT |
ElevenLabs Scribe v2 ElevenLabs scribe_v2เสถียรในหลายภาษาและแยกผู้พูดได้ ต้องใช้คีย์ ElevenLabs ของคุณเอง | $0.22 | $2.2 | $0.22/ชั่วโมง (batch) | 90+ ภาษา ไทม์สแตมป์รายคำแยกผู้พูดเหตุการณ์เสียงคำสำคัญ (Hotwords) | ใน BibiGPT · ใช้คีย์ของคุณ |
Deepgram Nova-3 Deepgram deepgram/nova-3ตัวเลือกคู่ใจสำหรับสายสนทนาและประชุมภาษาอังกฤษ เลือกใช้ได้เมื่อมีคีย์ OpenRouter | $0.258 | $2.58 | $0.0043/นาที (OpenRouter) | หลายภาษา เก่งที่สุดในภาษาอังกฤษ ไทม์สแตมป์รายคำแยกผู้พูดคำสำคัญ (Hotwords) | ใน BibiGPT · ใช้คีย์ของคุณ |
GPT Transcribe OpenAI openai/gpt-transcribeเลือกใช้ได้เมื่อมีคีย์ OpenRouter ได้เฉพาะข้อความ ไม่มีไทม์สแตมป์หรือผู้พูด | $0.27 | $2.7 | $0.0045/นาที (OpenRouter) | หลายภาษา | ใน BibiGPT · ใช้คีย์ของคุณ |
Gemini 3.5 Transcribe Google gemini-3.5-transcribeตัดคำฟุ่มเฟือยและการพูดแก้ตัวได้ในตัว ต้องใช้คีย์ Gemini ของคุณเอง | $0.31ประมาณ | $3.1 | อินพุตเสียง $2 / เอาต์พุตข้อความ $12 ต่อ 1 ล้านโทเคน (ประมาณการทางการราว $0.005/นาที) | 85+ ภาษา ไทม์สแตมป์รายคำแยกผู้พูดตัดคำฟุ่มเฟือย | ใน BibiGPT · ใช้คีย์ของคุณ |
Doubao ASR สำหรับไฟล์เสียงที่บันทึกไว้ ByteDance Volcengine volc.bigasr.aucเก่งภาษาจีนและสำเนียงท้องถิ่น ต้องมี AppID และโทเคนของ Volcengine | $0.324 | $3.24 | มาตรฐาน ¥2.3/ชั่วโมง; ช่วงว่าง ¥1.2; file ASR 2.0 ¥0.8 | zh/en + สำเนียงท้องถิ่น 5 แบบ ไทม์สแตมป์รายคำแยกผู้พูดคำสำคัญ (Hotwords)สำเนียงท้องถิ่น | ใน BibiGPT · ใช้คีย์ของคุณ |
MAI-Transcribe 1.5 Microsoft microsoft/mai-transcribe-1.5เลือกใช้ในตัวถอดเสียงได้เมื่อมีคีย์ OpenRouter | $0.36 | $3.6 | $0.36/ชั่วโมง (OpenRouter) | หลายภาษา ไทม์สแตมป์รายคำ | ใน BibiGPT · ใช้คีย์ของคุณ |
Fish Audio Transcribe Pro Fish Audio transcribe-1-proมีแท็กผู้พูดและเหตุการณ์เสียง BibiGPT จะตัดเหตุการณ์อย่าง [click] ออกจากคำบรรยาย ชื่อภาษาจีนอยู่ในระดับปานกลาง | $0.36 | $3.6 | $0.0001/วินาที | 83 ภาษา (ตามที่ผู้ให้บริการอ้าง) ไทม์สแตมป์รายคำแยกผู้พูดเหตุการณ์เสียง | ใน BibiGPT · ใช้คีย์ของคุณ |
StepAudio 3 ASR StepFun stepaudio-3-asr-maxเสมอกันอันดับหนึ่งในค่า WER แบบ batch ของ Artificial Analysis ถ้าไม่ใช้ hotwords จะได้ยิน “BibiGPT” เป็น “Bilibili GPT” | $0.394 | $3.94 | ¥2.8/ชั่วโมง (ไซต์นานาชาติ $0.40/ชั่วโมง) | จีน, อังกฤษ ไทม์สแตมป์รายคำคำสำคัญ (Hotwords) | ใน BibiGPT · ใช้คีย์ของคุณ |
- เสียงอินพุตของ Gemini: 25 โทเคนต่อวินาที ข้อความถอดเสียงเอาต์พุตประมาณ 3 โทเคนต่อวินาที
- Qwen-Audio-3.1: อินพุตประมาณ 20 + เอาต์พุตประมาณ 4 โทเคนต่อวินาที วัดจากตัวอย่างภาษาจีนของเราเอง
- หยวน ↔ ดอลลาร์สหรัฐ ที่อัตรา 7.1
คำถามที่พบบ่อย
โมเดลถอดเสียงตัวไหนถูกที่สุด?
จากตัวอย่างของเรา การถอดไฟล์เสียงด้วย Qwen-Audio-3.1 อยู่ที่ประมาณ ¥0.075–0.10 ต่อชั่วโมง ต่ำกว่า StepAudio 2.5 (¥0.15/ชม.) และ Paraformer v2 (¥0.288/ชม.) ส่วนโมเดลบนอุปกรณ์ในแอปเดสก์ท็อป Bibi Local ไม่เสียค่าใช้จ่าย
STT, สด และ TTS ต่างกันอย่างไร?
STT แปลงไฟล์บันทึกเสียงที่เสร็จแล้วเป็นข้อความ คิดเงินตามชั่วโมงของเสียง โมเดลสดทำแบบเดียวกันขณะที่คุณพูด หรือตอบกลับเป็นเสียง และมีราคาสูงกว่า ส่วน TTS ทำตรงข้ามคือป้อนข้อความแล้วได้เสียงพูด ส่วนใหญ่คิดเงินต่อตัวอักษร
ทำไมบางราคาจึงระบุว่า “ประมาณ”?
โมเดลเหล่านั้นคิดเงินตามโทเคน ไม่ใช่ตามนาที เราแปลงด้วยความหนาแน่นของโทเคนที่ระบุไว้ใต้ตาราง บิลจริงของคุณจะเปลี่ยนไปตามความเร็วในการพูดและภาษา
ใช้โมเดลเหล่านี้ใน BibiGPT ได้ไหม?
โมเดลที่ระบุว่า “ใน BibiGPT” รวมอยู่ในสมาชิกแล้ว โมเดลแบบ “ใช้คีย์ของคุณ” เลือกใช้ได้เมื่อวางคีย์ API ของคุณเอง โมเดล “บนอุปกรณ์” ทำงานฟรีในแอปเดสก์ท็อป Bibi Local ส่วนแถวที่ระบุว่า “ไม่มีใน BibiGPT” แสดงไว้เพื่อการอ้างอิง
ลองกับเสียงของคุณเอง
วางลิงก์ YouTube, Bilibili หรือพอดแคสต์ใน BibiGPT แล้วเลือกเอนจินในการตั้งค่าการถอดเสียง สำหรับการบันทึกเสียงส่วนตัว Bibi Local ถอดเสียงบนคอมพิวเตอร์ของคุณเอง