เปรียบเทียบราคาโมเดลแปลงข้อความเป็นเสียง
ทุกเสียงที่ BibiGPT ใช้บรรยายได้ ราคาต่อหนึ่งล้านตัวอักษร พร้อมตัวอย่างทางการให้ฟัง โมเดลที่คิดเงินตามโทเคนแปลงที่ประมาณ 15 ตัวอักษรต่อวินาทีของเสียงพูด
ตรวจสอบราคาเมื่อ 2026-10-26 นี่คือราคาป้ายจากต้นทาง ไม่ใช่ราคาของ BibiGPT
| โมเดล | ฟัง | ต่อ 1 ล้านตัวอักษร | 1 ล้านตัวอักษร | ราคาป้าย | จุดเด่น | ใน BibiGPT |
|---|---|---|---|---|---|---|
Kokoro-82M (ในเบราว์เซอร์) โอเพนซอร์ส · บนอุปกรณ์ kokoro-jsฟรี ข้อความอยู่ในเบราว์เซอร์ ภาษาที่ไม่รองรับจะใช้เสียงของระบบแทน | $0 | $0 | ฟรี (ทำงานในเบราว์เซอร์ ดาวน์โหลดครั้งเดียวราว 86MB) | zh/en/ja หน่วงต่ำ | บนอุปกรณ์ การอ่านออกเสียงในเบราว์เซอร์ | |
Qwen-Audio-3.1 TTS Flashถูกที่สุด Alibaba Qwen qwen-audio-3.1-tts-flashรุ่น 3.1 เปลี่ยนมาคิดเงินตามโทเคน ส่วน BibiGPT ยังใช้ 3.0 Flash | $2.87ประมาณ | $2.87 | อินพุต ¥1.5 / เอาต์พุต ¥12 ต่อ 1 ล้านโทเคน (ภูมิภาคปักกิ่ง) | zh/en + เสียงสำเนียงท้องถิ่น ออกแบบเสียง | ไม่มีใน BibiGPT | |
xAI TTS xAI (โฮสต์บน fal) xai/tts/v1ตัวเลือกคิดต่อตัวอักษรที่ถูกที่สุดที่เราใช้ | $15 | $15 | $0.015 ต่อ 1K ตัวอักษร | หลายภาษา ภาษาจีนต้องระบุ หน่วงต่ำ | ใน BibiGPT | |
Qwen-Audio-3.0 TTS Flash Alibaba Qwen (OpenRouter) qwen/qwen-audio-3.0-tts-flashเสียงบรรยายภาษาจีนราคาถูกและนิ่ง | $15 | $15 | $15 ต่อ 1 ล้านตัวอักษร (OpenRouter); ไซต์จีน ¥1 ต่อ 1 หมื่นตัวอักษร โดยอักษรจีนหนึ่งตัวนับเป็น 2 | zh/en + เสียงสำเนียงท้องถิ่น | ใน BibiGPT | |
Fish Audio S2.1 Pro Fish Audio fish-audio/s2.1-proคิดเงินต่อไบต์: ภาษาอังกฤษ $15 ต่อล้านตัวอักษร ภาษาจีนราว $45 ต่อล้านตัวอักษร โคลนเสียงได้ดี | $15 | $15 | $15 ต่อ 1 ล้านไบต์ UTF-8 (อักษรจีนหนึ่งตัวราว 3 ไบต์) | 80+ ภาษา โคลนเสียงแท็กการแสดงอารมณ์ | ใน BibiGPT | |
HeyGen Voice HeyGen (OpenRouter) heygen/heygen-voice-1อ่านภาษาจีนและอังกฤษได้ เสียงเริ่มต้นคือ Nadine | $15 | $15 | $15 ต่อ 1 ล้านตัวอักษร (OpenRouter; ระดับ turbo $4) | หลายภาษา | ใน BibiGPT | |
Gemini 3.8 Flash TTS Google gemini-3.8-flash-ttsเสียงบรรยายเริ่มต้น รองรับหลายผู้พูดในการเรียกครั้งเดียว และปรับน้ำเสียงด้วยคำสั่งภาษาธรรมดา | $15.1ประมาณ | $15.1 | อินพุตข้อความ $0.50 / เอาต์พุตเสียง $9 ต่อ 1 ล้านโทเคน (เพิ่มเป็นสองเท่าเป็น $1 / $18 ตั้งแต่ปี 2027) | 80+ ภาษา หลายผู้พูดแท็กการแสดงอารมณ์ | ใน BibiGPT | |
GPT-4o mini TTS OpenAI gpt-4o-mini-ttsปรับน้ำเสียงได้ด้วยคำสั่ง ภาษาจีนมีสำเนียงต่างชาติเล็กน้อย | $16.2ประมาณ | $16.2 | อินพุตข้อความ $0.60 / เอาต์พุตเสียง $12 ต่อ 1 ล้านโทเคน (ประมาณ $0.015/นาที) | หลายภาษา แท็กการแสดงอารมณ์ | ไม่มีใน BibiGPT | |
DeepSeek POST /v1/tools/ttsมีแค่สองเสียง (Stella, Tide) ปรับความเร็วหรืออารมณ์ไม่ได้ ในการทดสอบได้เสียงแรกราว 1 วินาที สังเคราะห์เร็วราว 5 เท่าของเวลาจริง ภาษาจีนนับสองเท่า จึงตกราว $45 ต่อล้านตัวอักษรจีน | ไม่มีตัวอย่างทางการ | $22.5 | $22.5 | $0.45 ต่อ 10,000 ตัวอักษร (ลด 50% ช่วงจำกัด: $0.225) อักษรจีนนับเป็น 2 | จีนกลาง กวางตุ้ง อังกฤษ ญี่ปุ่น เกาหลี และอีก 5 ภาษา หน่วงต่ำ | ใน BibiGPT |
Deepgram Aura-2 Deepgram aura-2TTS ภาษาอังกฤษหน่วงต่ำ สำหรับเอเจนต์เสียง | $30 | $30 | $0.030 ต่อ 1K ตัวอักษร | อังกฤษและอีกไม่กี่ภาษา หน่วงต่ำ | ไม่มีใน BibiGPT | |
Eleven Flash v2.5 / v4 Turbo ElevenLabs eleven_flash_v2_5 · eleven_v4_turbo~75–100 ms ถึงเสียงแรก เลือกได้จากเมนูโมเดล ElevenLabs ตอนบรรยาย | ไม่มีตัวอย่างทางการ | $40 | $40 | $0.04 ต่อ 1K ตัวอักษร | 32 ภาษา (v4 Turbo: 90+) โคลนเสียงหน่วงต่ำ | ใน BibiGPT |
Eleven v4 / v3 ElevenLabs eleven_v4 · eleven_v3ระดับที่แสดงอารมณ์ได้มากที่สุด คุณภาพภาษาจีนขึ้นกับเสียงที่เลือก | $80 | $80 | $0.08 ต่อ 1K ตัวอักษร | 70+ ภาษา โคลนเสียงแท็กการแสดงอารมณ์หลายผู้พูด | ใน BibiGPT | |
MiniMax Speech 2.8 HD MiniMax speech-2.8-hdน้ำเสียงภาษาจีนเป็นธรรมชาติที่สุด ระดับ Turbo ราคา $60 ต่อล้านตัวอักษร | $100 | $100 | $100 ต่อ 1 ล้านตัวอักษร (นานาชาติ); ไซต์จีน ¥3.5 ต่อ 1 หมื่นตัวอักษร โดยอักษรจีนหนึ่งตัวนับเป็น 2 | 40 ภาษา เด่นที่สุดในภาษาจีน โคลนเสียงออกแบบเสียงแท็กการแสดงอารมณ์ | ใน BibiGPT | |
Seed Audio 1.0 ByteDance Seed (โฮสต์บน fal) bytedance/seed-audio-1.0คิดเงินต่อนาทีของเสียง บรรยายลักษณะเสียงเป็นประโยคเดียวได้เลย ไม่ต้องมีคลิปอ้างอิง | $208ประมาณ | $208 | $0.1875 ต่อนาทีของเสียง (fal); Volcengine จีน ¥1/นาที | จีน, อังกฤษ ออกแบบเสียง | ใน BibiGPT | |
MiMo V2 TTS Xiaomi mimo-v2-ttsภาษาจีนพูดฟังเป็นธรรมชาติ | รอยืนยัน | — | ไม่เปิดเผย (หน้าราคาทางการระบุเพียงว่า v2.5 TTS ฟรีในช่วงเวลาจำกัด) | จีน, อังกฤษ แท็กการแสดงอารมณ์ | ใน BibiGPT |
- TTS ของ Gemini / Qwen ที่คิดเงินตามโทเคน: 25 โทเคนเสียงต่อวินาที หรือประมาณ 15 ตัวอักษรต่อวินาทีของเสียงพูด
- ข้อความภาษาจีนมักคิดเงินต่อตัวอักษร บางผู้ให้บริการนับอักษรจีนหนึ่งตัวเป็น 2 ตัว ให้ยึดตามบิลจริงของคุณ
- 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
ฟังเสียงเหล่านี้กับเนื้อหาของคุณเอง
เปลี่ยนสรุปเป็นวิดีโอภาพพร้อมเสียงบรรยายใน BibiGPT แล้วเลือกเอนจินเสียงที่นั่น