So sánh giá các mô hình giọng nói thời gian thực
“Trực tiếp” có hai loại: phiên âm streaming cho phụ đề, và mô hình giọng nói sang giọng nói cho trò chuyện bằng giọng. Cả hai đều quy về chi phí mỗi giờ.
Giá được kiểm tra ngày 2026-10-26. Đây là giá niêm yết của bên cung cấp gốc, không phải giá của BibiGPT.
Phiên âm trực tiếp
| Mô hình | mỗi giờ | 10 giờ | Giá niêm yết | Điểm mạnh | Trong BibiGPT |
|---|---|---|---|---|---|
Apple Speech (trên thiết bị, macOS) Apple SFSpeechRecognizerMiễn phí và dùng được khi ngoại tuyến; kém chính xác hơn các mô hình đám mây. | $0 | $0 | Miễn phí (tích hợp sẵn trong hệ thống) | Ngôn ngữ của hệ thống Độ trễ thấp | Trên thiết bị Ứng dụng Mac, đọc chính tả trực tiếp từ micro |
Qwen-Audio-3.1 ASR StreamingRẻ nhất Alibaba Qwen qwen-audio-3.1-asr-flash-streamingNhà cung cấp công bố ~160 ms đến token đầu tiên (chưa đo). Đắt hơn bản tệp cả một bậc độ lớn. | $0.07Ước tính | $0.7 | ¥6 đầu vào / ¥4,5 đầu ra mỗi 1 triệu token (khu vực Bắc Kinh) | 30 ngôn ngữ + 10 phương ngữ Độ trễ thấpTừ khóa ưu tiênPhương ngữ | Không có trong BibiGPT |
Soniox Real-time Soniox stt-rtPhiên âm thời gian thực rẻ nhất chúng tôi tìm được ngoài Trung Quốc; có thể dịch ngay khi đang nói. | $0.12 | $1.2 | $0,12/giờ | 60 ngôn ngữ Độ trễ thấpTách người nóiMốc thời gian từng từ | Không có trong BibiGPT |
Paraformer Realtime v2 Alibaba Qwen paraformer-realtime-v2ASR thời gian thực rẻ nhất và dễ dự đoán chi phí nhất ở Trung Quốc. | $0.122 | $1.22 | ¥0,00024/giây (miễn phí 10 giờ mỗi tháng) | zh/en/ja/ko + giọng vùng miền Độ trễ thấpTừ khóa ưu tiênPhương ngữ | Không có trong BibiGPT |
Doubao streaming ASR 2.0 ByteDance Volcengine Doubao streaming ASR model 2.0Tiếng Trung thời gian thực mạnh, giá xấp xỉ Paraformer Realtime. | $0.141 | $1.41 | ¥1/giờ (mỗi kênh mono, tính theo bậc) | zh/en + phương ngữ Độ trễ thấpTừ khóa ưu tiênPhương ngữ | Không có trong BibiGPT |
AssemblyAI Universal-Streaming AssemblyAI universal-streamingLớp “tai nghe” thường dùng cho tác tử giọng nói. Gói Pro Realtime giá $0,45/giờ. | $0.15 | $1.5 | $0,15/giờ | Tiếng Anh + đa ngôn ngữ Độ trễ thấpMốc thời gian từng từ | Không có trong BibiGPT |
Qwen3-ASR Flash Realtime Alibaba Qwen qwen3-asr-flash-realtimeASR thời gian thực từ Trung Quốc có nhãn cảm xúc. | $0.167 | $1.67 | ¥0,00033/giây (bằng fun-asr-realtime) | ~27 ngôn ngữ + 4 phương ngữ Độ trễ thấpCảm xúcPhương ngữ | Không có trong BibiGPT |
Grok Voice Transcribe (streaming) xAI grok-voice-transcribe-2.0Phụ đề trực tiếp tiếng Anh giá rẻ; không hỗ trợ tiếng Trung. | $0.2 | $2 | $0,20/giờ (WebSocket) | 25 ngôn ngữ (không có CJK) Độ trễ thấpMốc thời gian từng từTách người nói | Không có trong BibiGPT |
Deepgram Nova-3 Streaming Deepgram nova-3Lựa chọn lâu năm cho cuộc gọi và họp bằng tiếng Anh. Giá hiện tại là khuyến mãi có thời hạn. | $0.288 | $2.88 | $0,0048/phút (đơn ngữ, giá khuyến mãi; đa ngữ $0,0058) | Đa ngôn ngữ, mạnh nhất với tiếng Anh Độ trễ thấpTách người nóiTừ khóa ưu tiên | Không có trong BibiGPT |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1Tính theo giờ phiên, kể cả đoạn im lặng. | $0.36 | $3.6 | $0,36/giờ phiên (bản xem trước) | Đa ngôn ngữ Độ trễ thấp | Không có trong BibiGPT |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtimePhụ đề trực tiếp đa ngôn ngữ, độ trễ ~150 ms (số liệu của nhà cung cấp). | $0.39 | $3.9 | $0,39/giờ | 90+ ngôn ngữ Độ trễ thấpMốc thời gian từng từ | Không có trong BibiGPT |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-liveĐắt hơn bản tệp khoảng 80%, đổi lại có văn bản ngay khi bạn đang nói. | $0.542Ước tính | $5.42 | $3,50 âm thanh đầu vào / $21 văn bản đầu ra mỗi 1 triệu token (ước tính chính thức khoảng $0,009/phút) | 85+ ngôn ngữ Độ trễ thấpTách người nóiLọc từ thừa | Trong BibiGPT Phiên âm trực tiếp (web / máy tính) |
GPT Live Transcribe OpenAI gpt-live-transcribeThuộc nhóm đắt cho phụ đề trực tiếp; gpt-realtime-translate giá $0,034/phút. | $1.02 | $10.2 | $0,017/phút | Đa ngôn ngữ Độ trễ thấp | Không có trong BibiGPT |
Trò chuyện giọng nói thời gian thực
| Mô hình | mỗi giờ | 10 giờ | Giá niêm yết | Điểm mạnh | Trong BibiGPT |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus Alibaba Qwen qwen-audio-3.1-realtime-plusGiọng nói sang giọng nói truy cập được từ Trung Quốc đại lục. Giá niêm yết bằng bản 3.0; ngữ cảnh bị tính lại ở mỗi lượt. | $0.602Ước tính | $6.02 | ¥40 âm thanh đầu vào / ¥150 âm thanh đầu ra mỗi 1 triệu token (khu vực Bắc Kinh) | Ưu tiên tiếng Trung và tiếng Anh Giọng nói sang giọng nóiĐộ trễ thấp | Không có trong BibiGPT |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-previewÂm thanh vào và ra nguyên bản, dùng được cùng chia sẻ màn hình. Là lựa chọn giọng nói sang giọng nói rẻ nhất ở đây. | $0.675Ước tính | $6.75 | $3 âm thanh đầu vào / $12 âm thanh đầu ra mỗi 1 triệu token (ước tính chính thức $0,005 / $0,018 mỗi phút) | Đa ngôn ngữ Giọng nói sang giọng nóiĐộ trễ thấp | Trong BibiGPT Trò chuyện giọng nói Live trên Gemini Desktop và web |
GPT Realtime Mini OpenAI gpt-realtime-miniBản GPT Realtime tiết kiệm, giá khoảng một phần ba bản đầy đủ. | $0.9Ước tính | $9 | $10 âm thanh đầu vào / $20 âm thanh đầu ra mỗi 1 triệu token | Đa ngôn ngữ Giọng nói sang giọng nóiĐộ trễ thấp | Không có trong BibiGPT |
GPT Realtime OpenAI gpt-realtimeMốc tham chiếu phổ biến cho tác tử giọng nói; phiên dài còn phải trả thêm token ngữ cảnh. | $2.88Ước tính | $28.8 | $32 âm thanh đầu vào / $64 âm thanh đầu ra mỗi 1 triệu token (âm thanh của gpt-realtime-2 giá tương tự) | Đa ngôn ngữ Giọng nói sang giọng nóiĐộ trễ thấp | Không có trong BibiGPT |
Grok Voice 3.0 xAI grok-voice-3.0Giá cố định theo phút: dễ lập ngân sách nhưng là mức cao nhất ở đây. | $4.8 | $48 | $0,08/phút (cộng thêm phí văn bản đầu vào) | Đa ngôn ngữ Giọng nói sang giọng nóiĐộ trễ thấp | Không có trong BibiGPT |
- 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.
- Trò chuyện bằng giọng nói giả định người dùng nói 50% của một giờ, phần còn lại là mô hình nói.
- 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.