即時語音模型價格比較
「即時」分兩種：用於字幕的串流轉寫，以及可直接對話的語音輸入語音輸出模型。都換算成每小時多少錢。
價格核對於 2026-10-26。這裡是上游牌價，不是 BibiGPT 的售價。
即時轉寫（串流 ASR）
| 模型 | 每小時 | 10 小時 | 官方牌價 | 能力 | 在 BibiGPT 中 |
|---|---|---|---|---|---|
Apple Speech（macOS 本機） Apple SFSpeechRecognizer零成本、離線也能用；準確率不如雲端大模型。 | ¥0 | ¥0 | 免費（系統內建） | 系統支援的語言 低延遲 | 本機免費 Mac 桌面版麥克風即時聽寫 |
Qwen-Audio-3.1 ASR Streaming最便宜 阿里通義 qwen-audio-3.1-asr-flash-streaming廠商宣稱首字約 160 毫秒（未實測）。比錄音檔版貴一個數量級。 | ¥0.497估算 | ¥4.97 | 輸入 ¥6 / 輸出 ¥4.5 每百萬 token（華北 2） | 30 種語言 + 10 種方言 低延遲熱詞方言 | 未接入 |
Soniox Real-time Soniox stt-rt海外即時轉寫中最便宜的一檔，可邊轉邊翻譯。 | ¥0.852 | ¥8.52 | $0.12/小時 | 60 種語言 低延遲說話者分離逐字時間戳記 | 未接入 |
Paraformer Realtime v2 阿里通義 paraformer-realtime-v2中國即時轉寫中最便宜、價格也最好估算的一檔。 | ¥0.864 | ¥8.64 | ¥0.00024/秒（每月贈送 10 小時） | 中英日韓等 + 方言口音 低延遲熱詞方言 | 未接入 |
豆包串流語音辨識 2.0 位元組火山引擎 豆包串流語音辨識模型 2.0中文即時表現強，價格與 Paraformer 即時版同一檔。 | ¥1 | ¥10 | ¥1/小時（依單聲道時長，階梯計費） | 中英 + 方言 低延遲熱詞方言 | 未接入 |
AssemblyAI Universal-Streaming AssemblyAI universal-streaming語音 Agent 常用的聽寫端；Pro Realtime 檔為 $0.45/小時。 | ¥1.06 | ¥10.6 | $0.15/小時 | 英語 + 多語言 低延遲逐字時間戳記 | 未接入 |
Qwen3-ASR Flash Realtime 阿里通義 qwen3-asr-flash-realtime附情感標籤的中國即時轉寫。 | ¥1.19 | ¥11.9 | ¥0.00033/秒（與 fun-asr-realtime 同價） | 約 27 種語言 + 粵川閩吳 低延遲情感標籤方言 | 未接入 |
Grok Voice Transcribe（串流） xAI grok-voice-transcribe-2.0英文即時字幕很便宜；不支援中文。 | ¥1.42 | ¥14.2 | $0.20/小時（WebSocket） | 25 種語言（不含中日韓） 低延遲逐字時間戳記說話者分離 | 未接入 |
Deepgram Nova-3 Streaming Deepgram nova-3英文電話、會議即時轉寫的老牌選擇；目前為限時促銷價。 | ¥2.04 | ¥20.4 | $0.0048/分鐘（單語，限時價；多語 $0.0058） | 多語言（英文最強） 低延遲說話者分離熱詞 | 未接入 |
Fish Audio Transcribe Stream Fish Audio transcribe-stream-1依連線時長計費，靜音也計費。 | ¥2.56 | ¥25.6 | $0.36/連線小時（Preview） | 多語言 低延遲 | 未接入 |
ElevenLabs Scribe v2 Realtime ElevenLabs scribe_v2_realtime多語言即時字幕，延遲約 150 毫秒（廠商數據）。 | ¥2.77 | ¥27.7 | $0.39/小時 | 90+ 種語言 低延遲逐字時間戳記 | 未接入 |
Gemini 3.5 Transcribe Live Google gemini-3.5-transcribe-live比錄音檔版貴約八成，換來邊說邊出字。 | ¥3.85估算 | ¥38.5 | 音訊輸入 $3.50 / 文字輸出 $21 每百萬 token（官方估計約 $0.009/分鐘） | 85+ 種語言 低延遲說話者分離去除贅詞 | BibiGPT 可直接使用 即時轉寫（網頁 / 桌面） |
GPT Live Transcribe OpenAI gpt-live-transcribe即時轉寫中偏貴的一檔；邊轉邊譯的 gpt-realtime-translate 為 $0.034/分鐘。 | ¥7.24 | ¥72.4 | $0.017/分鐘 | 多語言 低延遲 | 未接入 |
即時語音對話（語音輸入、語音輸出）
| 模型 | 每小時 | 10 小時 | 官方牌價 | 能力 | 在 BibiGPT 中 |
|---|---|---|---|---|---|
Qwen-Audio-3.1 Realtime Plus 阿里通義 qwen-audio-3.1-realtime-plus中國大陸可直連的端到端對話。價格頁上與 3.0 同價；每輪會重新計算上下文，長對話實際更貴。 | ¥4.28估算 | ¥42.8 | 音訊輸入 ¥40 / 音訊輸出 ¥150 每百萬 token（華北 2） | 以中英文為主，多語言 語音輸入語音輸出低延遲 | 未接入 |
Gemini 3.1 Flash Live Google gemini-3.1-flash-live-preview原生音訊輸入與輸出，可一邊分享螢幕一邊聊；是端到端對話中最便宜的選項。 | ¥4.79估算 | ¥47.9 | 音訊輸入 $3 / 音訊輸出 $12 每百萬 token（官方估計 $0.005 / $0.018 每分鐘） | 多語言 語音輸入語音輸出低延遲 | BibiGPT 可直接使用 Gemini 桌面版 / 網頁 Live 語音對話 |
GPT Realtime Mini OpenAI gpt-realtime-miniGPT Realtime 的平價檔，約為標準版的三分之一。 | ¥6.39估算 | ¥63.9 | 音訊輸入 $10 / 音訊輸出 $20 每百萬 token | 多語言 語音輸入語音輸出低延遲 | 未接入 |
GPT Realtime OpenAI gpt-realtime語音 Agent 的常見基準；長對話還要加上上下文 token。 | ¥20.4估算 | ¥204 | 音訊輸入 $32 / 音訊輸出 $64 每百萬 token（gpt-realtime-2 音訊同價） | 多語言 語音輸入語音輸出低延遲 | 未接入 |
Grok Voice 3.0 xAI grok-voice-3.0依分鐘一口價，好估算但單價最高。 | ¥34.1 | ¥341 | $0.08/分鐘（另加文字輸入費） | 多語言 語音輸入語音輸出低延遲 | 未接入 |
- Gemini 音訊輸入每秒 25 個 token；轉寫文字輸出約每秒 3 個 token。
- Qwen-Audio-3.1：約每秒 20 個輸入 + 4 個輸出 token，來自我們自己的中文樣本實測。
- 即時對話假設一小時中使用者說話佔 50%，其餘時間由模型說話。
- 人民幣與美元按 7.1 換算。
常見問題
哪個語音轉文字模型最便宜？
在我們的樣本上，Qwen-Audio-3.1 錄音檔轉寫約 ¥0.075–0.10/小時，低於 StepAudio 2.5（¥0.15/小時）和 Paraformer v2（¥0.288/小時）。Bibi Local 桌面版的本機模型不用花錢。
STT、即時、TTS 有什麼差別？
STT 把錄好的音訊轉成文字，依音訊時數計費。即時模型邊說邊轉，或直接用語音回應你，通常更貴。TTS 則相反，輸入文字、輸出語音，多半依字元計費。
為什麼有些價格標示「估算」？
這些模型依 token 計費，不依時數。我們用表格下方註明的 token 密度換算，實際帳單會隨語速與語言浮動。
這些模型能在 BibiGPT 裡使用嗎？
標示「BibiGPT 可直接使用」的由會員額度涵蓋；標示「自備 Key」的，填入自己的 API Key 即可選用；標示「本機免費」的在 Bibi Local 桌面版中於本機執行；「未接入」僅供參考。
拿你自己的音訊試試看
把 YouTube、Bilibili 或 Podcast 連結貼進 BibiGPT，在轉錄設定中選擇引擎。私密錄音可以用 Bibi Local 在自己的電腦上轉寫。