So sánh giá các mô hình chuyển giọng nói thành văn bản
Chi phí mỗi giờ của mọi mô hình phiên âm mà BibiGPT có thể chạy, cùng một vài API tham chiếu. Các mô hình tính theo token được quy đổi bằng mật độ do chúng tôi đo.
Giá được kiểm tra ngày 2026-10-26. Đây là giá niêm yết của bên cung cấp gốc, không phải giá của BibiGPT.
| Mô hình | mỗi giờ | 10 giờ | Giá niêm yết | Điểm mạnh | Trong BibiGPT |
|---|---|---|---|---|---|
Phiên âm trên thiết bị với Bibi Local Ứng dụng máy tính Bibi Local SenseVoice / Whisper (trên thiết bị)Âm thanh không rời khỏi máy của bạn. Tốc độ phụ thuộc vào máy tính. | $0 | $0 | Miễn phí (chạy trên máy tính của bạn) | zh/en/ja/ko/yue và nhiều hơn Mốc thời gian từng từ | Trên thiết bị Ứng dụng máy tính, chế độ cục bộ Tải Bibi Local |
Qwen-Audio-3.1 ASRRẻ nhất Alibaba Qwen qwen-audio-3.1-asr-flash-filetransKhoảng ¥0,075–0,10 mỗi giờ trên các mẫu tiếng Trung của chúng tôi, là lựa chọn đám mây rẻ nhất mà chúng tôi đã đo. Nhận diện tên sản phẩm tốt hơn Paraformer; từ đệm vẫn được giữ lại. | $0.0136Đã đo | $0.136 | ¥0,8 đầu vào / ¥2,7 đầu ra mỗi 1 triệu token (khu vực Bắc Kinh) | 30 ngôn ngữ + 10 phương ngữ Trung Quốc Mốc thời gian từng từTách người nóiTừ khóa ưu tiênPhương ngữ | Trong BibiGPT |
StepAudio 2.5 ASR StepFun stepaudio-2.5-asrAPI tính theo thời lượng rẻ nhất. Mạnh với tiếng Quan Thoại; không có phương ngữ và không tách người nói. | $0.0211 | $0.211 | ¥0,15/giờ ($0,022/giờ) | Tiếng Trung, tiếng Anh Mốc thời gian từng từTừ khóa ưu tiên | Trong BibiGPT |
Paraformer v2 Alibaba Qwen paraformer-v2Mặc định của BibiGPT cho video tiếng Trung, đã bật tách người nói và lọc từ đệm. Yếu với tên thương hiệu. | $0.0406 | $0.406 | ¥0,00008/giây | zh/en/ja/ko/de/fr/ru + ~18 giọng vùng miền Mốc thời gian từng từTách người nóiTừ khóa ưu tiênLọc từ thừaPhương ngữ | Trong BibiGPT |
DeepSeek POST /v1/tools/asrĐo trên FLEURS: CER tiếng Trung 1,9% (hạng 2/6), WER tiếng Anh 6,4%, khoảng 1 giây mỗi đoạn. Tối đa 120 giây mỗi tệp và không có dấu thời gian, nên hợp với nhập liệu bằng giọng nói hơn là làm phụ đề. | $0.058 | $0.58 | $0,116/giờ (giảm 50% có thời hạn: $0,058), tính theo giây | 21 ngôn ngữ gồm tiếng Quảng Đông, tự nhận diện Phương ngữ | Không có trong BibiGPT |
Grok Voice Transcribe 2.0 xAI grok-voice-transcribe-2.0Lựa chọn rẻ cho tiếng Anh và các âm thanh không phải CJK khác. Không dùng cho tiếng Trung. | $0.1 | $1 | $0,10/giờ (batch) | 25 ngôn ngữ (không có CJK) Mốc thời gian từng từTách người nói | Trong BibiGPT |
Whisper large-v3 (Groq) Mã nguồn mở của OpenAI / Groq whisper-large-v3Hỗ trợ nhiều ngôn ngữ nhất và rất nhanh. Không tách người nói; có thể “ảo giác” ở đoạn im lặng. | $0.111 | $1.11 | $0,111/giờ | 99 ngôn ngữ Mốc thời gian từng từ | Trong BibiGPT |
Qwen3-ASR Flash Alibaba Qwen qwen3-asr-flash-filetransTrả về nhãn cảm xúc mà bản 3.1 không có. Không tách người nói. | $0.112 | $1.12 | ¥0,00022/giây | ~27 ngôn ngữ + 4 phương ngữ Mốc thời gian từng từCảm xúcPhương ngữ | Trong BibiGPT |
Qwen-Audio-3.0 ASR Alibaba Qwen qwen-audio-3.0-asr-flash-filetransDanh sách phương ngữ rộng hơn 3.1, với giá cao gấp khoảng 8–10 lần. | $0.112 | $1.12 | ¥0,00022/giây | Phủ phương ngữ Trung Quốc rộng nhất Mốc thời gian từng từPhương ngữ | Trong BibiGPT |
ElevenLabs Scribe v2 ElevenLabs scribe_v2Ổn định trên nhiều ngôn ngữ và có tách người nói. Cần khóa ElevenLabs của riêng bạn. | $0.22 | $2.2 | $0,22/giờ (batch) | 90+ ngôn ngữ Mốc thời gian từng từTách người nóiSự kiện âm thanhTừ khóa ưu tiên | Trong BibiGPT · khóa của bạn |
Deepgram Nova-3 Deepgram deepgram/nova-3Lựa chọn lâu năm cho cuộc gọi và họp bằng tiếng Anh. Chọn được khi có khóa OpenRouter. | $0.258 | $2.58 | $0,0043/phút (OpenRouter) | Đa ngôn ngữ, mạnh nhất với tiếng Anh Mốc thời gian từng từTách người nóiTừ khóa ưu tiên | Trong BibiGPT · khóa của bạn |
GPT Transcribe OpenAI openai/gpt-transcribeChọn được khi có khóa OpenRouter. Chỉ trả văn bản, không có mốc thời gian hay người nói. | $0.27 | $2.7 | $0,0045/phút (OpenRouter) | Đa ngôn ngữ | Trong BibiGPT · khóa của bạn |
Gemini 3.5 Transcribe Google gemini-3.5-transcribeTự động loại bỏ từ đệm và lời tự sửa. Cần khóa Gemini của riêng bạn. | $0.31Ước tính | $3.1 | $2 âm thanh đầu vào / $12 văn bản đầu ra mỗi 1 triệu token (ước tính chính thức khoảng $0,005/phút) | 85+ ngôn ngữ Mốc thời gian từng từTách người nóiLọc từ thừa | Trong BibiGPT · khóa của bạn |
Doubao ASR cho âm thanh đã ghi ByteDance Volcengine volc.bigasr.aucMạnh với tiếng Trung và phương ngữ. Cần AppID và token của Volcengine. | $0.324 | $3.24 | Tiêu chuẩn ¥2,3/giờ; giờ thấp điểm ¥1,2; file ASR 2.0 ¥0,8 | zh/en + 5 phương ngữ Mốc thời gian từng từTách người nóiTừ khóa ưu tiênPhương ngữ | Trong BibiGPT · khóa của bạn |
MAI-Transcribe 1.5 Microsoft microsoft/mai-transcribe-1.5Chọn được trong bộ phiên âm khi có khóa OpenRouter. | $0.36 | $3.6 | $0,36/giờ (OpenRouter) | Đa ngôn ngữ Mốc thời gian từng từ | Trong BibiGPT · khóa của bạn |
Fish Audio Transcribe Pro Fish Audio transcribe-1-proCó thẻ người nói và sự kiện âm thanh; BibiGPT loại các sự kiện như [click] khỏi phụ đề. Tên riêng tiếng Trung ở mức trung bình. | $0.36 | $3.6 | $0,0001/giây | 83 ngôn ngữ (theo nhà cung cấp) Mốc thời gian từng từTách người nóiSự kiện âm thanh | Trong BibiGPT · khóa của bạn |
StepAudio 3 ASR StepFun stepaudio-3-asr-maxĐồng hạng nhất về WER batch trên Artificial Analysis. Khi không có hotwords, mô hình nghe “BibiGPT” thành “Bilibili GPT”. | $0.394 | $3.94 | ¥2,8/giờ (trang quốc tế $0,40/giờ) | Tiếng Trung, tiếng Anh Mốc thời gian từng từTừ khóa ưu tiên | Trong BibiGPT · khóa của bạn |
- Âm thanh đầu vào của Gemini: 25 token mỗi giây; văn bản phiên âm đầu ra khoảng 3 token mỗi giây.
- Qwen-Audio-3.1: khoảng 20 token đầu vào + 4 token đầu ra mỗi giây, đo trên các mẫu tiếng Trung của chúng tôi.
- CNY ↔ USD theo tỷ giá 7.1.
Câu hỏi thường gặp
Mô hình phiên âm nào rẻ nhất?
Trên các mẫu của chúng tôi, phiên âm tệp bằng Qwen-Audio-3.1 vào khoảng ¥0,075–0,10 mỗi giờ, thấp hơn StepAudio 2.5 (¥0,15/giờ) và Paraformer v2 (¥0,288/giờ). Các mô hình chạy trên thiết bị trong ứng dụng máy tính Bibi Local hoàn toàn miễn phí.
STT, trực tiếp và TTS khác nhau thế nào?
STT chuyển bản ghi âm đã hoàn tất thành văn bản và tính theo số giờ âm thanh. Mô hình trực tiếp làm điều tương tự ngay khi bạn đang nói, hoặc trả lời bạn bằng giọng nói, và có giá cao hơn. TTS thì ngược lại: đưa văn bản vào, nhận giọng nói ra, thường tính theo ký tự.
Vì sao một số giá được đánh dấu “Ước tính”?
Các mô hình đó tính tiền theo token chứ không theo phút. Chúng tôi quy đổi bằng mật độ token ghi dưới bảng; hóa đơn thực tế sẽ thay đổi theo tốc độ nói và ngôn ngữ.
Tôi có dùng được các mô hình này trong BibiGPT không?
Các mô hình đánh dấu “Trong BibiGPT” nằm trong gói thành viên. Mô hình “khóa của bạn” chọn được sau khi bạn dán khóa API của riêng mình. Mô hình “Trên thiết bị” chạy miễn phí trong ứng dụng máy tính Bibi Local. Các dòng “Không có trong BibiGPT” chỉ để tham khảo.
Thử trên âm thanh của bạn
Dán liên kết YouTube, Bilibili hoặc podcast vào BibiGPT rồi chọn công cụ trong phần cài đặt phiên âm. Với bản ghi riêng tư, Bibi Local phiên âm ngay trên máy tính của bạn.