So sánh giá các mô hình chuyển văn bản thành giọng nói
Mọi giọng đọc mà BibiGPT có thể dùng để thuyết minh, tính theo mỗi triệu ký tự, kèm mẫu chính thức để nghe thử. Mô hình tính theo token được quy đổi ở mức khoảng 15 ký tự cho mỗi giây giọng nói.
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 | Nghe thử | mỗi 1 triệu ký tự | 1 triệu ký tự | Giá niêm yết | Điểm mạnh | Trong BibiGPT |
|---|---|---|---|---|---|---|
Kokoro-82M (trong trình duyệt) Mã nguồn mở · trên thiết bị kokoro-jsMiễn phí; văn bản ở lại trong trình duyệt. Ngôn ngữ không được hỗ trợ sẽ chuyển sang giọng đọc của hệ thống. | $0 | $0 | Miễn phí (chạy trong trình duyệt, tải một lần ~86MB) | zh/en/ja Độ trễ thấp | Trên thiết bị Đọc to ngay trong trình duyệt | |
Qwen-Audio-3.1 TTS FlashRẻ nhất Alibaba Qwen qwen-audio-3.1-tts-flashBản 3.1 chuyển sang tính theo token; BibiGPT vẫn đang chạy 3.0 Flash. | $2.87Ước tính | $2.87 | ¥1,5 đầu vào / ¥12 đầu ra mỗi 1 triệu token (khu vực Bắc Kinh) | zh/en + giọng phương ngữ Thiết kế giọng nói | Không có trong BibiGPT | |
xAI TTS xAI (lưu trữ trên fal) xai/tts/v1Lựa chọn tính theo ký tự rẻ nhất mà chúng tôi dùng. | $15 | $15 | $0,015 mỗi 1K ký tự | Đa ngôn ngữ, tiếng Trung khi chỉ định Độ trễ thấp | Trong BibiGPT | |
Qwen-Audio-3.0 TTS Flash Alibaba Qwen (OpenRouter) qwen/qwen-audio-3.0-tts-flashGiọng đọc tiếng Trung rẻ và ổn định. | $15 | $15 | $15 mỗi 1 triệu ký tự (OpenRouter); trang Trung Quốc ¥1 mỗi 10 nghìn ký tự, một chữ Hán tính là 2 | zh/en + giọng phương ngữ | Trong BibiGPT | |
Fish Audio S2.1 Pro Fish Audio fish-audio/s2.1-proTính theo byte: $15 mỗi triệu ký tự tiếng Anh, khoảng $45 mỗi triệu chữ Hán. Nhân bản giọng nói chắc tay. | $15 | $15 | $15 mỗi 1 triệu byte UTF-8 (một chữ Hán khoảng 3 byte) | 80+ ngôn ngữ Nhân bản giọng nóiThẻ biểu cảm | Trong BibiGPT | |
HeyGen Voice HeyGen (OpenRouter) heygen/heygen-voice-1Đọc được tiếng Trung và tiếng Anh; giọng mặc định là Nadine. | $15 | $15 | $15 mỗi 1 triệu ký tự (OpenRouter; gói turbo $4) | Đa ngôn ngữ | Trong BibiGPT | |
Gemini 3.8 Flash TTS Google gemini-3.8-flash-ttsGiọng thuyết minh mặc định. Nhiều người nói trong một lần gọi; điều chỉnh sắc thái bằng lời nhắc thông thường. | $15.1Ước tính | $15.1 | $0,50 văn bản đầu vào / $9 âm thanh đầu ra mỗi 1 triệu token (tăng gấp đôi lên $1 / $18 từ 2027) | 80+ ngôn ngữ Nhiều người nóiThẻ biểu cảm | Trong BibiGPT | |
GPT-4o mini TTS OpenAI gpt-4o-mini-ttsCó thể điều khiển sắc thái bằng chỉ dẫn; tiếng Trung có chút giọng lạ. | $16.2Ước tính | $16.2 | $0,60 văn bản đầu vào / $12 âm thanh đầu ra mỗi 1 triệu token (khoảng $0,015/phút) | Đa ngôn ngữ Thẻ biểu cảm | Không có trong BibiGPT | |
DeepSeek POST /v1/tools/ttsChỉ có hai giọng (Stella, Tide), không chỉnh tốc độ hay cảm xúc. Trong thử nghiệm, khoảng 1 giây ra tiếng đầu tiên và nhanh ~5 lần thời gian thực. Tiếng Trung tính gấp đôi nên khoảng $45 cho một triệu chữ Hán. | Chưa có mẫu chính thức | $22.5 | $22.5 | $0,45 cho 10.000 ký tự (giảm 50% có thời hạn: $0,225); một chữ Hán tính là 2 | Quan thoại, Quảng Đông, Anh, Nhật, Hàn và 5 ngôn ngữ khác Độ trễ thấp | Trong BibiGPT |
Deepgram Aura-2 Deepgram aura-2TTS tiếng Anh độ trễ thấp dành cho tác tử giọng nói. | $30 | $30 | $0,030 mỗi 1K ký tự | Tiếng Anh và một vài ngôn ngữ khác Độ trễ thấp | Không có trong BibiGPT | |
Eleven Flash v2.5 / v4 Turbo ElevenLabs eleven_flash_v2_5 · eleven_v4_turbo~75–100 ms đến âm thanh đầu tiên. Chọn từ menu mô hình ElevenLabs khi thuyết minh. | Chưa có mẫu chính thức | $40 | $40 | $0,04 mỗi 1K ký tự | 32 ngôn ngữ (v4 Turbo: 90+) Nhân bản giọng nóiĐộ trễ thấp | Trong BibiGPT |
Eleven v4 / v3 ElevenLabs eleven_v4 · eleven_v3Bậc giàu biểu cảm nhất; chất lượng tiếng Trung tùy vào giọng. | $80 | $80 | $0,08 mỗi 1K ký tự | 70+ ngôn ngữ Nhân bản giọng nóiThẻ biểu cảmNhiều người nói | Trong BibiGPT | |
MiniMax Speech 2.8 HD MiniMax speech-2.8-hdGiọng đọc tiếng Trung tự nhiên nhất; gói Turbo giá $60 mỗi triệu ký tự. | $100 | $100 | $100 mỗi 1 triệu ký tự (quốc tế); trang Trung Quốc ¥3,5 mỗi 10 nghìn ký tự, một chữ Hán tính là 2 | 40 ngôn ngữ, tốt nhất ở tiếng Trung Nhân bản giọng nóiThiết kế giọng nóiThẻ biểu cảm | Trong BibiGPT | |
Seed Audio 1.0 ByteDance Seed (lưu trữ trên fal) bytedance/seed-audio-1.0Tính theo phút âm thanh. Chỉ cần mô tả giọng bằng một câu, không cần clip tham chiếu. | $208Ước tính | $208 | $0,1875 mỗi phút âm thanh (fal); Volcengine Trung Quốc ¥1/phút | Tiếng Trung, tiếng Anh Thiết kế giọng nói | Trong BibiGPT | |
MiMo V2 TTS Xiaomi mimo-v2-ttsTiếng Trung khẩu ngữ tự nhiên. | Chờ xác nhận | — | Chưa công bố (trang giá chính thức chỉ ghi v2.5 TTS miễn phí trong thời gian có hạn) | Tiếng Trung, tiếng Anh Thẻ biểu cảm | Trong BibiGPT |
- TTS của Gemini / Qwen tính theo token: 25 token âm thanh mỗi giây, khoảng 15 ký tự cho mỗi giây giọng nói.
- Văn bản tiếng Trung thường tính theo ký tự; một số nhà cung cấp tính một chữ Hán là 2 ký tự. Hóa đơn thực tế của bạn mới là con số cuối cùng.
- 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.
Nghe các giọng này trên nội dung của chính bạn
Biến bản tóm tắt thành video ảnh có thuyết minh trong BibiGPT rồi chọn công cụ giọng nói tại đó.