เปรียบเทียบราคาโมเดลเสียงเรียลไทม์
“สด” มีสองแบบ: การถอดเสียงแบบสตรีมสำหรับคำบรรยาย และโมเดลเสียงเป็นเสียงสำหรับสนทนา ทั้งสองแบบปรับเป็นต้นทุนต่อชั่วโมง
ตรวจสอบราคาเมื่อ 2026-10-26 นี่คือราคาป้ายจากต้นทาง ไม่ใช่ราคาของ BibiGPT
ถอดเสียงสด
| โมเดล | ต่อชั่วโมง | 10 ชม. | ราคาป้าย | จุดเด่น | ใน BibiGPT |
|---|---|---|---|---|---|
Apple Speech (บนอุปกรณ์, macOS) Apple SFSpeechRecognizerฟรีและใช้ออฟไลน์ได้ แต่แม่นยำน้อยกว่าโมเดลบนคลาวด์ | $0 | $0 | ฟรี (มาพร้อมระบบ) | ภาษาของระบบ หน่วงต่ำ | บนอุปกรณ์ แอป Mac การพิมพ์ด้วยเสียงจากไมค์แบบสด |
Qwen-Audio-3.1 ASR Streamingถูกที่สุด Alibaba Qwen qwen-audio-3.1-asr-flash-streamingผู้ให้บริการอ้างว่าโทเคนแรกออกใน ~160 ms (เรายังไม่ได้วัด) แพงกว่าเวอร์ชันไฟล์เป็นสิบเท่า | $0.07ประมาณ | $0.7 | อินพุต ¥6 / เอาต์พุต ¥4.5 ต่อ 1 ล้านโทเคน (ภูมิภาคปักกิ่ง) | 30 ภาษา + สำเนียงท้องถิ่น 10 แบบ หน่วงต่ำคำสำคัญ (Hotwords)สำเนียงท้องถิ่น | ไม่มีใน BibiGPT |
Soniox Real-time Soniox stt-rtถอดเสียงเรียลไทม์ที่ถูกที่สุดที่เราพบนอกประเทศจีน แปลไปพร้อมกันได้ | $0.12 | $1.2 | $0.12/ชั่วโมง | 60 ภาษา หน่วงต่ำแยกผู้พูดไทม์สแตมป์รายคำ | ไม่มีใน BibiGPT |
Paraformer Realtime v2 Alibaba Qwen paraformer-realtime-v2ASR เรียลไทม์ในจีนที่ถูกที่สุดและคาดการณ์ราคาง่ายที่สุด | $0.122 | $1.22 | ¥0.00024/วินาที (ฟรี 10 ชั่วโมงต่อเดือน) | zh/en/ja/ko + สำเนียง หน่วงต่ำคำสำคัญ (Hotwords)สำเนียงท้องถิ่น | ไม่มีใน BibiGPT |
Doubao streaming ASR 2.0 ByteDance Volcengine Doubao streaming ASR model 2.0ภาษาจีนเรียลไทม์ที่เก่ง ในราคาใกล้เคียง Paraformer Realtime | $0.141 | $1.41 | ¥1/ชั่วโมง (ต่อช่องโมโน แบบขั้นบันได) | zh/en + สำเนียงท้องถิ่น หน่วงต่ำคำสำคัญ (Hotwords)สำเนียงท้องถิ่น | ไม่มีใน BibiGPT |
AssemblyAI Universal-Streaming AssemblyAI universal-streamingชั้น “หู” ที่เอเจนต์เสียงใช้กันทั่วไป ระดับ Pro Realtime ราคา $0.45/ชม. | $0.15 | $1.5 | $0.15/ชั่วโมง | อังกฤษ + หลายภาษา หน่วงต่ำไทม์สแตมป์รายคำ | ไม่มีใน BibiGPT |
Qwen3-ASR Flash Realtime Alibaba Qwen qwen3-asr-flash-realtimeASR เรียลไทม์จากจีนที่มีป้ายอารมณ์ | $0.167 | $1.67 | ¥0.00033/วินาที (เท่ากับ fun-asr-realtime) | ราว 27 ภาษา + สำเนียงจีน 4 แบบ หน่วงต่ำอารมณ์สำเนียงท้องถิ่น | ไม่มีใน BibiGPT |
Grok Voice Transcribe (สตรีม) xAI grok-voice-transcribe-2.0คำบรรยายสดภาษาอังกฤษราคาถูก ไม่รองรับภาษาจีน | $0.2 | $2 | $0.20/ชั่วโมง (WebSocket) | 25 ภาษา (ไม่รวม CJK) หน่วงต่ำไทม์สแตมป์รายคำแยกผู้พูด | ไม่มีใน BibiGPT |
Deepgram Nova-3 Streaming Deepgram nova-3ตัวเลือกคู่ใจสำหรับสายสนทนาและประชุมภาษาอังกฤษ ราคาปัจจุบันเป็นโปรโมชันชั่วคราว | $0.288 | $2.88 | $0.0048/นาที (ภาษาเดียว ราคาโปรโมชัน; หลายภาษา $0.0058) | หลายภาษา เก่งที่สุดในภาษาอังกฤษ หน่วงต่ำแยกผู้พูดคำสำคัญ (Hotwords) | ไม่มีใน BibiGPT |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1คิดเงินตามชั่วโมงของเซสชัน รวมช่วงเงียบด้วย | $0.36 | $3.6 | $0.36/ชั่วโมงเซสชัน (พรีวิว) | หลายภาษา หน่วงต่ำ | ไม่มีใน BibiGPT |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtimeคำบรรยายสดหลายภาษา หน่วงราว 150 ms (ตัวเลขจากผู้ให้บริการ) | $0.39 | $3.9 | $0.39/ชั่วโมง | 90+ ภาษา หน่วงต่ำไทม์สแตมป์รายคำ | ไม่มีใน BibiGPT |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-liveแพงกว่าเวอร์ชันไฟล์ราว 80% แลกกับข้อความที่ออกขณะที่คุณพูด | $0.542ประมาณ | $5.42 | อินพุตเสียง $3.50 / เอาต์พุตข้อความ $21 ต่อ 1 ล้านโทเคน (ประมาณการทางการราว $0.009/นาที) | 85+ ภาษา หน่วงต่ำแยกผู้พูดตัดคำฟุ่มเฟือย | ใน BibiGPT ถอดเสียงสด (เว็บ / เดสก์ท็อป) |
GPT Live Transcribe OpenAI gpt-live-transcribeค่อนข้างแพงสำหรับคำบรรยายสด ส่วน gpt-realtime-translate ราคา $0.034/นาที | $1.02 | $10.2 | $0.017/นาที | หลายภาษา หน่วงต่ำ | ไม่มีใน BibiGPT |
สนทนาด้วยเสียงแบบเรียลไทม์
| โมเดล | ต่อชั่วโมง | 10 ชม. | ราคาป้าย | จุดเด่น | ใน BibiGPT |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus Alibaba Qwen qwen-audio-3.1-realtime-plusเสียงเป็นเสียงที่เข้าถึงได้จากจีนแผ่นดินใหญ่ ราคาป้ายเท่ากับ 3.0 บริบทถูกคิดเงินใหม่ทุกเทิร์น | $0.602ประมาณ | $6.02 | อินพุตเสียง ¥40 / เอาต์พุตเสียง ¥150 ต่อ 1 ล้านโทเคน (ภูมิภาคปักกิ่ง) | เน้นภาษาจีนและอังกฤษ เสียงเป็นเสียงหน่วงต่ำ | ไม่มีใน BibiGPT |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-previewรับและส่งเสียงแบบเนทีฟ ใช้ร่วมกับการแชร์หน้าจอได้ เป็นตัวเลือกเสียงเป็นเสียงที่ถูกที่สุดในรายการนี้ | $0.675ประมาณ | $6.75 | อินพุตเสียง $3 / เอาต์พุตเสียง $12 ต่อ 1 ล้านโทเคน (ประมาณการทางการ $0.005 / $0.018 ต่อนาที) | หลายภาษา เสียงเป็นเสียงหน่วงต่ำ | ใน BibiGPT แชตเสียง Live บน Gemini เดสก์ท็อปและเว็บ |
GPT Realtime Mini OpenAI gpt-realtime-miniGPT Realtime รุ่นประหยัด ราคาประมาณหนึ่งในสามของรุ่นเต็ม | $0.9ประมาณ | $9 | อินพุตเสียง $10 / เอาต์พุตเสียง $20 ต่อ 1 ล้านโทเคน | หลายภาษา เสียงเป็นเสียงหน่วงต่ำ | ไม่มีใน BibiGPT |
GPT Realtime OpenAI gpt-realtimeตัวเทียบมาตรฐานของเอเจนต์เสียง เซสชันยาวยังต้องจ่ายค่าโทเคนบริบทด้วย | $2.88ประมาณ | $28.8 | อินพุตเสียง $32 / เอาต์พุตเสียง $64 ต่อ 1 ล้านโทเคน (เสียงของ gpt-realtime-2 ราคาเท่ากัน) | หลายภาษา เสียงเป็นเสียงหน่วงต่ำ | ไม่มีใน BibiGPT |
Grok Voice 3.0 xAI grok-voice-3.0ราคาเหมาต่อนาที วางงบง่าย แต่เป็นอัตราสูงสุดในรายการนี้ | $4.8 | $48 | $0.08/นาที (บวกค่าอินพุตข้อความ) | หลายภาษา เสียงเป็นเสียงหน่วงต่ำ | ไม่มีใน BibiGPT |
- เสียงอินพุตของ Gemini: 25 โทเคนต่อวินาที ข้อความถอดเสียงเอาต์พุตประมาณ 3 โทเคนต่อวินาที
- Qwen-Audio-3.1: อินพุตประมาณ 20 + เอาต์พุตประมาณ 4 โทเคนต่อวินาที วัดจากตัวอย่างภาษาจีนของเราเอง
- การสนทนาด้วยเสียงสมมติว่าผู้ใช้พูด 50% ของหนึ่งชั่วโมง และโมเดลพูดส่วนที่เหลือ
- 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