Ano ang Speech-to-Text API Cost Calculator?
▾
Tinatantya ng Speech-to-Text Cost Calculator ang gastos sa pag-transcribe ng audio sa text gamit ang mga serbisyo ng AI kabilang ang OpenAI Whisper API ($0.006 kada minuto), Google Cloud Speech-to-Text ($0.016 kada minuto para sa mga karaniwang modelo), AWS Transcribe ($0.024 kada minuto), Deepgram ($0.0043 kada minuto) ($0.0043 kada minuto) at Assembly para sa Nova-5 ($0.02). Ang mga serbisyong ito ay nagko-convert ng pasalitang wika sa nakasulat na teksto na may 90 hanggang 98 porsiyentong katumpakan depende sa kalidad ng audio, wika, at pagpili ng modelo. Naghahain ang calculator na ito ng mga kumpanyang gumagawa ng podcast, mga call center analytics team, legal na serbisyo ng transkripsyon, mga kumpanya ng media na naglalagay ng caption sa nilalamang video, at mga tool sa productivity ng meeting na bumubuo ng mga automated na transcript. Ang isang 60 minutong podcast episode ay nagkakahalaga ng $0.36 para mag-transcribe gamit ang Whisper API, $0.96 sa Google Speech, o $0.26 sa Deepgram. Sa laki, ang mga pagkakaibang ito ay makabuluhang pinagsama: ang isang call center na nagsasalin ng 10,000 oras ng mga tawag bawat buwan ay magbabayad ng $3,600 sa Whisper, $9,600 sa Google, o $2,580 sa Deepgram. Higit pa sa pangunahing gastos sa transkripsyon, isinasaalang-alang din ng calculator ang mga feature na nakakaapekto sa pagpepresyo: speaker diarization (pagtukoy kung sino ang nagsabi kung ano), real-time versus batch processing (real-time ay karaniwang nagkakahalaga ng 2 hanggang 3 beses na mas mataas), mga espesyal na modelo ng bokabularyo, at post-processing na mga gastos para sa pag-format, paglalagay ng bantas, at pag-segment ng talata. Ang pag-unawa sa buong stack ng gastos ay nakakatulong sa mga team na pumili ng tamang serbisyo para sa kanilang mga kinakailangan sa katumpakan at mga hadlang sa badyet.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Pormula
▾
Gastos sa Transkripsyon = Tagal ng Audio sa Minuto x Presyo bawat Minuto. Para sa batch processing ng 500 oras ng audio bawat buwan sa Whisper API: Gastos = 500 x 60 x $0.006 = $180.00 bawat buwan. Para sa real-time na transkripsyon sa Google Cloud sa 2x rate: Gastos = 500 x 60 x $0.032 = $960.00.Paliwanag ng variable
▾
| Simbolo | Pangalan | Yunit | Paglalarawan |
|---|---|---|---|
| D | Tagal ng Audio | minutes | Kabuuang nilalamang audio na ita-transcribe, sinusukat sa ilang minuto, na may karaniwang pananalita na naglalaman ng 130 hanggang 160 na salita bawat minuto. |
| P | Presyo kada Minuto | USD per minute | Ang rate ng serbisyo ng transkripsyon bawat minuto ng audio, mula $0.0043 para sa Deepgram hanggang $0.024 para sa AWS Transcribe. |
| R_stream | Streaming Multiplier | ratio (1.5 to 3.0) | Ang cost multiplier para sa real-time streaming transcription kumpara sa pagpoproseso ng batch, na inilalapat kapag kinakailangan ang mga resultang mababa ang latency. |
| T_review | Oras ng Pagsusuri bawat Oras ng Audio | minutes | Kinakailangan ang oras ng pagsusuri at pagwawasto ng tao bawat oras ng na-transcribe na audio, karaniwang 10 hanggang 30 minuto depende sa mga kinakailangan sa katumpakan. |
| H | Oras na Rate ng Tagasuri | USD per hour | Gastos ng mga editor ng tao na nagsusuri at nagwawasto ng mga transkripsyon ng AI, mula $25 hanggang $75 bawat oras depende sa kadalubhasaan sa domain. |
Paano Speech-to-Text API Cost Calculator
▾
- 1Tukuyin ang iyong kabuuang tagal ng audio upang i-transcribe bawat buwan. Sukatin sa ilang minuto o oras at tukuyin ang pagkakaiba sa pagitan ng pre-recorded (batch) at live (real-time) na audio. Karaniwang mas mura ang batch transcription at maaaring tumanggap ng mas mahabang oras ng pagproseso. Ang real-time na transkripsyon ay naghahatid ng mga resulta habang nag-stream ng audio ngunit nagkakahalaga ng 1.5 hanggang 3 beses na mas mataas dahil sa tindi ng pag-compute ng mababang-latency na pagproseso.
- 2Piliin ang iyong serbisyo sa transkripsyon batay sa mga kinakailangan sa katumpakan, suporta sa wika, at badyet. Nag-aalok ang Whisper API ng pinakamahusay na ratio ng presyo-sa-kalidad para sa karamihan ng mga wika sa $0.006 bawat minuto. Ang Deepgram Nova-2 ay ang pinakamurang opsyon sa $0.0043 kada minuto na may katumpakan sa kompetisyon. Nag-aalok ang Google Cloud at AWS ng pinakamalawak na suporta sa wika at pagsasama sa kani-kanilang cloud ecosystem. Nagbibigay ang AssemblyAI ng pinakamahusay na mga feature ng diarization ng speaker at content analysis.
- 3I-configure ang mga feature ng transkripsyon na nakakaapekto sa pagpepresyo. Ang diarization ng speaker (pagkilala sa iba't ibang speaker) ay nagdaragdag ng 10 hanggang 30 porsiyento upang ibase ang mga gastos sa transkripsyon sa karamihan ng mga platform. Ang bantas at capitalization ay kasama bilang default sa mga modernong serbisyo. Ang real-time na streaming ay nagkakahalaga ng 2 hanggang 3 beses na mas mataas kaysa sa batch processing. Maaaring may mga karagdagang gastos ang custom na bokabularyo o mga modelong partikular sa industriya sa ilang platform.
- 4Kalkulahin ang batayang halaga ng transkripsyon sa pamamagitan ng pag-multiply ng kabuuang audio minuto sa bawat minutong rate. Para sa magkahalong real-time at batch na workload, kalkulahin ang bawat isa nang hiwalay: batch audio sa karaniwang rate at real-time na audio sa mataas na rate. Isama ang dalawa para sa kabuuang buwanang gastos sa transkripsyon.
- 5Magdagdag ng mga gastos sa post-processing kung naaangkop. Madalas na nangangailangan ng pag-format ang raw transcription output: mga break ng talata, mga label ng speaker, paglalagay ng timestamp, pag-alis ng filler na salita, at mga pagwawasto na partikular sa domain. Ang awtomatikong post-processing gamit ang isang LLM (GPT-4o-mini) ay nagkakahalaga ng humigit-kumulang $0.001 hanggang $0.005 bawat minuto ng audio na naproseso. Ang manu-manong post-processing ng isang editor ng tao ay nagkakahalaga ng $0.50 hanggang $2.00 bawat minuto ng audio depende sa kinakailangang katumpakan.
- 6Salik sa mga gastos sa storage para sa mga audio file at transcript. Ang mga audio file sa 128 kbps ay kumokonsumo ng humigit-kumulang 1 MB bawat minuto. Ang transcript text ay bale-wala sa laki. Ang cloud storage sa $0.02 bawat GB bawat buwan ay nangangahulugan na ang 10,000 oras ng audio (600 GB) ay nagkakahalaga ng $12 bawat buwan upang mag-imbak. Kung kailangan mong panatilihin ang audio para sa pagsunod, isama ang kasalukuyang gastos sa storage na ito.
- 7Ikumpara ang kabuuang gastos laban sa mga serbisyo ng transkripsyon ng tao. Ang propesyonal na transkripsyon ng tao ay nagkakahalaga ng $1.00 hanggang $3.00 bawat audio minuto para sa karaniwang turnaround at $2.00 hanggang $5.00 para sa mabilisang paghahatid. Ang transkripsyon ng AI sa $0.004 hanggang $0.024 bawat minuto ay 40 hanggang 750 beses na mas mura. Kahit na may pagsusuri sa kalidad ng tao na nagdaragdag ng $0.25 hanggang $0.50 kada minuto, nananatiling 50 hanggang 85 porsiyentong mas mura ang transkripsyon na tinulungan ng AI kaysa sa ganap na manu-manong transkripsyon.
Mga Nalutas na Halimbawa
▾
40 episode sa 60 minuto bawat kabuuang 2,400 audio minuto. Sa $0.006 bawat minuto, ang buwanang gastos ay $14.40. Pinapalitan nito ang isang serbisyo ng transkripsyon ng tao na maniningil ng $2,400 hanggang $7,200 bawat buwan para sa parehong volume. Ang 99 porsiyentong pagbawas sa gastos ay ginagawang matipid ang buong transkripsyon para sa bawat episode.
5,000 oras (300,000 minuto) ng real-time na transkripsyon ng tawag na may speaker diarization sa $0.0059 bawat minuto. Kasama sa pagpepresyo ng deepgram streaming ang diarization. Ito ay nagbibigay-daan sa real-time na tulong sa ahente at post-call analytics para sa pagsunod at kalidad ng kasiguruhan sa isang bahagi ng halaga ng mga nakatuong QA analyst.
30 depositions sa 120 minuto bawat kabuuang 3,600 audio minuto. Ang transkripsyon ng AI ay nagkakahalaga ng $23.40. Ang pagsusuri ng tao sa 15 minuto bawat oras ng audio (kabuuang oras ng pagsusuri sa 900 oras) sa $60/ora ay nagdaragdag ng $450. Ang kabuuan ay $473.40 kumpara sa $7,200 hanggang $14,400 para sa ganap na transkripsyon ng reporter ng korte ng tao.
200 video sa 15 minuto bawat kabuuang 3,000 audio minuto. Ang transkripsyon sa $0.016 bawat minuto ay $48.00, at ang pag-format ng caption sa $0.002 bawat minuto ay nagdaragdag ng $6.00. Ginagawang abot-kaya ng ADA compliance captioning para sa 200 video sa $54 bawat buwan ang accessibility para sa mga tagalikha ng content sa lahat ng laki.
Mga praktikal na gamit
▾
Nag-aalok ang mga platform ng pagho-host ng podcast ng awtomatikong transkripsyon bilang isang premium na tampok. Ang isang platform na nagho-host ng 10,000 podcast na may average na 4 na episode bawat buwan sa 45 minuto bawat isa ay nagsasalin ng 1.8 milyong audio minuto bawat buwan. Gamit ang Whisper API sa $0.006 kada minuto, ang buwanang gastos ay $10,800. Sinisingil ng $5 bawat buwan sa mga tagalikha ng podcast bilang isang premium na feature, na may 3,000 subscriber na nakakakuha ng $15,000 na kita, kumikita ang feature habang nagbibigay ng accessibility at mga benepisyo sa SEO.
Ang mga organisasyon ng pangangalagang pangkalusugan ay nag-transcribe ng mga pakikipagtagpo ng doktor-pasyente para sa dokumentasyon ng medikal na rekord. Ang network ng ospital na may 500 manggagamot na may average na 20 na pagkikita ng pasyente bawat araw sa 15 minuto bawat isa ay bumubuo ng 150,000 audio minuto bawat buwan. Ang paggamit ng serbisyong sumusunod sa HIPAA sa $0.01 kada minuto ay nagkakahalaga ng $1,500 bawat buwan. Sinusuri ng mga medikal na coder ang mga transcript sa loob ng 5 minuto bawat pakikipagtagpo sa $30 kada oras, nagdaragdag ng $25,000 buwan-buwan. Ang kabuuang gastos na $26,500 ay pumapalit sa $75,000 bawat buwan sa manual na medikal na transkripsyon.
Ang mga kumpanya ng media ay nag-caption ng nilalamang video para sa pagsunod sa pagiging naa-access at SEO. Ang isang streaming platform na may 5,000 oras ng bagong content bawat buwan ay gumagamit ng Google Cloud Speech sa $0.016 bawat minuto, na nagkakahalaga ng $4,800 buwan-buwan para sa transkripsyon. Ang awtomatikong pag-format ng caption ay nagdaragdag ng $600. Ang pagsusuri ng Human QA sa 10 minuto bawat oras ng nilalaman ay nagdaragdag ng $8,333. Kabuuang halaga ng captioning na $13,733 bawat buwan kumpara sa $50,000 hanggang $100,000 para sa mga serbisyo ng manu-manong captioning.
Ang mga kumpanya ng pananaliksik sa merkado ay nag-transcribe ng mga focus group at mga panayam sa customer. Ang isang firm na nagsasagawa ng 200 panayam bawat buwan sa 45 minuto bawat isa ay gumagamit ng AssemblyAI na may speaker diarization sa $0.0065 bawat minuto, na nagkakahalaga ng $58.50 bawat buwan para sa transkripsyon. Ang mga mananaliksik ay gumugugol ng 10 minuto bawat pakikipanayam sa pagsusuri at pag-annotate ng mga transcript sa $75 kada oras, pagdaragdag ng $2,500. Ang $2,558.50 na buwanang gastos ay nagbibigay-daan sa mabilis na pagsusuri na dati ay nangangailangan ng dedikadong kawani ng transkripsyon sa $8,000 bawat buwan.
Mga espesyal na kaso
▾
Para sa HIPAA-compliant na medikal na transkripsyon, hindi lahat ng serbisyo ay karapat-dapat.
Nag-aalok ang Google Cloud Speech, AWS Transcribe, at Azure Speech ng mga configuration na sumusunod sa HIPAA sa Mga Business Associate Agreement. Nag-aalok ang OpenAI Whisper API at Deepgram ng mga kasunduan sa enterprise na may mga certification sa pagsunod. Ang self-hosted Whisper sa imprastraktura na sumusunod sa HIPAA ay nagbibigay ng pinakamaraming kontrol ngunit nangangailangan ng dedikadong seguridad at kadalubhasaan sa pagsunod. Nakikinabang din ang medikal na transkripsyon mula sa mga custom na modelo ng bokabularyo na sinanay sa medikal na terminolohiya.
Para sa pag-transcribe ng audio sa maingay na kapaligiran (mga construction site, restaurant,
Para sa pag-transcribe ng audio sa maingay na kapaligiran (mga construction site, restaurant, outdoor event), maaaring bumaba ang katumpakan sa 60 hanggang 75 porsiyento kahit na may pinakamahuhusay na modelo. Ang paunang pagproseso gamit ang mga tool sa pagbabawas ng ingay tulad ng RNNoise o DeepFilterNet ay maaaring mapahusay ang katumpakan ng 10 hanggang 20 porsyentong puntos sa hindi gaanong halaga sa computational. Para sa sobrang maingay na audio, ang isang two-pass na diskarte (pagbabawas ng ingay na sinusundan ng transkripsyon) ay mas tumpak at sa huli ay mas mura kaysa sa pag-asa sa pagwawasto ng tao sa mga mababang kalidad na transcript.
Para sa archival transcription ng mga makasaysayang audio recording (analog recording,
Para sa archival transcription ng mga makasaysayang audio recording (analog recording, lumang sistema ng telepono, degraded tape), ang mga isyu sa kalidad ng audio ay pinagsama sa mga limitasyon ng teknolohiya ng mga lumang modelo. Ang mga recording na ito ay maaaring may mababang sample rate (8kHz na telepono), makabuluhang ingay sa background, at lumang bokabularyo. Ang espesyal na preprocessing upang mag-upsample at mag-denoise ng audio, na sinamahan ng mga fine-tuned na modelo para sa partikular na kalidad ng audio, ay maaaring pahusayin ang katumpakan mula 50 hanggang 60 porsiyento (mga karaniwang modelo) hanggang 80 hanggang 90 porsiyento, sa karagdagang halaga ng preprocessing na $0.002 hanggang $0.01 kada minuto.
Paghahambing ng Presyo ng Serbisyo ng Speech-to-Text (2025)
▾
| Serbisyo | Batch Presyo/Min | Presyo ng Streaming/Min | Diarization | Mga wika | Libreng Tier |
|---|---|---|---|---|---|
| OpenAI Whisper API | $0.006 | N/A | No | 99+ | No |
| Deepgram Nova-2 | $0.0043 | $0.0059 | Oo ($0.0049) | 36+ | 12,000 min |
| AssemblyAI | $0.0065 | $0.0085 | Oo (kasama) | 20+ | 100 oras |
| Google Cloud Speech | $0.016 | $0.032 | Oo ($0.02) | 125+ | 60 min/buwan |
| AWS Transcribe | $0.024 | $0.024 | Oo (kasama) | 100+ | 60 min/buwan (12 buwan) |
| Azure na Pagsasalita | $0.016 | $0.016 | Oo ($0.02) | 100+ | 5 oras/buwan |
Mga madalas itanong
▾
Aling serbisyo sa speech-to-text ang pinakatumpak?
Para sa English, ang OpenAI Whisper at Deepgram Nova-2 ay nakakamit ang pinakamataas na katumpakan sa 95 hanggang 98 porsiyento na rate ng error sa salita sa malinis na audio. Ang Google Cloud Speech at AWS Transcribe ay maihahambing sa 93 hanggang 97 porsyento. Para sa mga espesyal na domain (medikal, legal, pinansyal), ang mga custom na modelo ng bokabularyo sa Google Cloud o AWS ay maaaring pahusayin ang katumpakan ng 3 hanggang 5 porsyentong puntos. Ang katumpakan ay bumaba ng 5 hanggang 15 porsyentong puntos para sa maingay na audio, mabibigat na accent, o multilinggwal na nilalaman.
Paano maihahambing ang Whisper API sa self-host na Whisper?
Ang OpenAI Whisper API sa $0.006 kada minuto ay isang pinamamahalaang serbisyo na walang imprastraktura upang pamahalaan. Ang self-hosted Whisper on a cloud GPU (A10G sa $1.10/hr) ay nagpoproseso ng audio sa humigit-kumulang 10 hanggang 30 beses na real-time na bilis, na nagkakahalaga ng $0.001 hanggang $0.002 bawat minuto sa ganap na paggamit. Ang self-hosting ay 3 hanggang 6 na beses na mas mura ngunit nangangailangan ng GPU management, scaling, at monitoring. Ang break-even ay humigit-kumulang 5,000 hanggang 10,000 audio minuto bawat buwan.
Ano ang pagkakaiba sa pagitan ng batch at real-time na transkripsyon?
Pinoproseso ng batch transcription ang mga na-prerecord na audio file at ibinabalik ang mga resulta sa loob ng ilang minuto hanggang oras. Ang real-time (streaming) na transkripsyon ay nagpoproseso ng audio habang kinukunan ito at nagbabalik ng mga salita sa loob ng 200 hanggang 500ms mula nang binibigkas. Ang batch ay 1.5 hanggang 3 beses na mas mura at angkop para sa naitalang nilalaman. Mahalaga ang real-time para sa live na captioning, transkripsyon ng pulong, at tulong sa ahente ng call center. Karamihan sa mga provider ay nag-aalok ng parehong mga mode.
Gaano katumpak ang transkripsyon ng AI para sa mga pulong na may maraming tagapagsalita?
Nakakamit ng mga modernong serbisyo ang 90 hanggang 95 porsiyentong katumpakan para sa mga pulong na may malinaw na turn-taking sa pagitan ng 2 hanggang 4 na speaker. Bumaba ang katumpakan sa 80 hanggang 90 porsyento na may magkakapatong na pagsasalita, higit sa 6 na speaker, o mahinang kalidad ng mikropono. Ang diarization ng tagapagsalita (pagtukoy kung sino ang nagsabi kung ano) ay 85 hanggang 95 porsiyentong tumpak para sa mga nagsasalita nang maayos ngunit maaaring bumaba sa ibaba 80 porsiyento sa magulong kapaligiran sa pagpupulong. Ang paggamit ng mga de-kalidad na mikropono at mga setup ng pag-record ay makabuluhang nagpapabuti sa mga resulta.
Maaari ba akong mag-transcribe sa mga wika maliban sa Ingles?
Oo, lahat ng pangunahing serbisyo ay sumusuporta sa maraming wika. Sinusuportahan ng Whisper ang 99+ na wika na may iba't ibang katumpakan. Sinusuportahan ng Google Cloud ang 125+ na wika. Ang katumpakan para sa mga wikang hindi Ingles ay karaniwang 3 hanggang 10 porsyentong puntos na mas mababa kaysa sa Ingles. Para sa mga tonal na wika tulad ng Mandarin at Thai, ang mga espesyal na modelo ay nag-aalok ng mas mahusay na katumpakan. Karaniwang pareho ang gastos kada minuto anuman ang wika, kahit na ang ilang mga serbisyo ay naniningil ng premium para sa hindi gaanong karaniwang mga wika.
Mga Karaniwang Mali na Dapat Iwasan
▾
- !Paggamit ng Real-Time na Pagpepresyo para sa Batch Workloads:
- !Hindi Accounting para sa Epekto ng Kalidad ng Audio sa Katumpakan:
- !Pagbabalewala sa Mga Gastos sa Diarization ng Speaker para sa Multi-Speaker Audio:
Pro Tip
Para sa maximum cost efficiency sa malalaking transcription workload, self-host Whisper on a cloud GPU na may awtomatikong pag-scale. Ang A10G GPU sa $1.10 kada oras ay nagsasalin ng audio sa humigit-kumulang 15 beses na real-time na bilis, na nagkakahalaga ng humigit-kumulang $0.001 kada minuto. Mag-set up ng isang auto-scaling queue na nagpapaikot ng mga GPU kapag ang mga audio file ay isinumite at isinasara ang mga ito kapag ang queue ay walang laman. Ang diskarteng ito ay nakakatipid ng 70 hanggang 85 porsyento kumpara sa Whisper API habang mahusay na pinangangasiwaan ang mga variable na workload.
Alam mo ba?
Ang OpenAI Whisper ay sinanay sa 680,000 oras ng multilingguwal na audio, ang katumbas ng walang tigil na pakikinig sa loob ng 77 taon. Sa kabila ng paglabas bilang isang open-source na modelo noong 2022, ang Whisper API ay nananatiling isa sa mga pinakasikat na serbisyo ng transkripsyon dahil ang kaginhawahan ng pag-access sa API ay mas malaki kaysa sa pagtitipid sa gastos ng self-hosting para sa karamihan ng mga organisasyon.
Regional Guides
▾
North America▾
Europe▾
Asia-Pacific▾
Mga Sanggunian
Kumuha ng Lingguhang Mga Tip sa Math
Sumali sa 12,000+ subscriber na nakakakuha ng mga tip sa calculator bawat linggo.