What is Speech-to-Text API Cost Calculator?
▾
Kalkulačka nákladů na řeč na text odhaduje náklady na přepis zvuku do textu pomocí služeb umělé inteligence včetně OpenAI Whisper API (0,006 USD za minutu), Google Cloud Speech-to-Text (0,016 USD za minutu u standardních modelů), AWS Transcribe (0,024 USD za minutu), Deepgram (0,0043 USD za minutu a 050 USD za minutu pro Nova-2). Tyto služby převádějí mluvený jazyk na psaný text s přesností 90 až 98 procent v závislosti na kvalitě zvuku, jazyku a výběru modelu. Tato kalkulačka slouží společnostem produkujícím podcasty, týmům pro analýzu call center, právním přepisovacím službám, mediálním společnostem, které titulkují video obsah, a nástrojům pro produktivitu, které generují automatické přepisy. 60minutová epizoda podcastu stojí 0,36 USD za přepis pomocí Whisper API, 0,96 USD s Google Speech nebo 0,26 USD s Deepgramem. V měřítku se tyto rozdíly výrazně prohlubují: call centrum, které přepíše 10 000 hodin hovorů měsíčně, by zaplatilo 3 600 USD u Whisper, 9 600 USD u Googlu nebo 2 580 USD u Deepgramu. Kromě základních nákladů na přepis počítá kalkulačka také s funkcemi, které ovlivňují ceny: diarizace mluvčího (identifikace, kdo co řekl), zpracování v reálném čase versus dávkové zpracování (v reálném čase obvykle stojí 2 až 3krát více), modely specializované slovní zásoby a náklady na následné zpracování formátování, vkládání interpunkce a segmentace odstavců. Pochopení celé řady nákladů pomáhá týmům vybrat správnou službu pro jejich požadavky na přesnost a rozpočtová omezení.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Vzorec
▾
Cena přepisu = délka zvuku v minutách x cena za minutu. Pro dávkové zpracování 500 hodin zvuku za měsíc na Whisper API: Cena = 500 x 60 x 0,006 $ = 180,00 $ za měsíc. Pro přepis v reálném čase na Google Cloud za dvojnásobnou sazbu: Cena = 500 x 60 x 0,032 $ = 960,00 $.Variable Legend
▾
| Symbol | Jméno | Jednotka | Popis |
|---|---|---|---|
| D | Délka zvuku | minutes | Celkový zvukový obsah k přepisu, měřený v minutách, s typickou řečí obsahující 130 až 160 slov za minutu. |
| P | Cena za minutu | USD per minute | Sazba přepisové služby za minutu zvuku se pohybuje od 0,0043 USD pro Deepgram do 0,024 USD za AWS Transcribe. |
| R_stream | Multiplikátor streamování | ratio (1.5 to 3.0) | Multiplikátor nákladů pro transkripci streamování v reálném čase versus dávkové zpracování, aplikovaný, když jsou požadovány výsledky s nízkou latencí. |
| T_review | Kontrola času za hodinu zvuku | minutes | Doba kontroly a opravy člověkem za hodinu přepisovaného zvuku, obvykle 10 až 30 minut v závislosti na požadavcích na přesnost. |
| H | Hodinová sazba recenzenta | USD per hour | Náklady na lidské editory, kteří kontrolují a opravují přepisy AI, se pohybují od 25 do 75 USD za hodinu v závislosti na odbornosti domény. |
How to Speech-to-Text API Cost Calculator
▾
- 1Určete celkovou dobu trvání přepisu za měsíc. Měřte v minutách nebo hodinách a rozlišujte mezi předem nahraným (dávkovým) a živým (v reálném čase) zvukem. Dávkový přepis je obvykle levnější a může akceptovat delší dobu zpracování. Přepis v reálném čase poskytuje výsledky jako audio streamy, ale stojí 1,5 až 3krát více kvůli výpočetní intenzitě zpracování s nízkou latencí.
- 2Vyberte si přepisovací službu na základě požadavků na přesnost, jazykové podpory a rozpočtu. Whisper API nabízí nejlepší poměr ceny a kvality pro většinu jazyků za 0,006 $ za minutu. Deepgram Nova-2 je nejlevnější varianta za 0,0043 $ za minutu s konkurenční přesností. Google Cloud a AWS nabízejí nejširší jazykovou podporu a integraci s příslušnými cloudovými ekosystémy. AssemblyAI poskytuje nejlepší funkce pro diarizaci řečníků a analýzu obsahu.
- 3Nakonfigurujte funkce přepisu, které ovlivňují ceny. Diarizace reproduktorů (identifikace různých reproduktorů) přidává na většině platforem 10 až 30 procent k základním nákladům na přepis. Interpunkce a velká písmena jsou u moderních služeb standardně zahrnuty. Streamování v reálném čase stojí 2 až 3krát více než dávkové zpracování. Vlastní slovník nebo modely specifické pro odvětví mohou mít na některých platformách dodatečné náklady.
- 4Vypočítejte základní náklady na přepis vynásobením celkových minut zvuku sazbou za minutu. Pro smíšenou pracovní zátěž v reálném čase a dávkové zatížení vypočítejte každou zvlášť: dávkový zvuk se standardní frekvencí a zvuk v reálném čase se zvýšenou frekvencí. Sečtěte tyto dva celkové měsíční náklady na přepis.
- 5V případě potřeby přidejte náklady na následné zpracování. Výstup nezpracovaného přepisu často vyžaduje formátování: konce odstavců, popisky reproduktorů, vkládání časových razítek, odstraňování výplňových slov a opravy specifické pro doménu. Automatizované následné zpracování pomocí LLM (GPT-4o-mini) stojí přibližně 0,001 až 0,005 USD za minutu zpracovaného zvuku. Manuální následné zpracování lidským editorem stojí 0,50 až 2,00 $ za minutu zvuku v závislosti na požadované přesnosti.
- 6Faktor nákladů na ukládání zvukových souborů a přepisů. Zvukové soubory s rychlostí 128 kb/s spotřebují přibližně 1 MB za minutu. Text přepisu má zanedbatelnou velikost. Cloudové úložiště za 0,02 USD za GB za měsíc znamená, že uložení 10 000 hodin zvuku (600 GB) stojí 12 USD za měsíc. Pokud potřebujete uchovat zvuk kvůli souladu, zahrňte tyto náklady na trvalé úložiště.
- 7Porovnejte celkové náklady se službami lidského přepisu. Profesionální lidský přepis stojí $ 1,00 až $ 3,00 za minutu zvuku za standardní obrat a $ 2,00 až $ 5,00 za rychlé doručení. Přepis AI za 0,004 až 0,024 USD za minutu je 40 až 750krát levnější. I když kontrola lidské kvality přidává 0,25 až 0,50 $ za minutu, přepis s pomocí AI zůstává o 50 až 85 procent levnější než plně manuální přepis.
Worked Examples
▾
40 epizod po 60 minutách, každá celkem 2 400 audio minut. Při 0,006 USD za minutu jsou měsíční náklady 14,40 USD. To nahrazuje službu lidského přepisu, která by účtovala 2 400 až 7 200 USD měsíčně za stejný objem. Díky 99procentnímu snížení nákladů je plný přepis ekonomicky životaschopný pro každou epizodu.
5 000 hodin (300 000 minut) přepisu hovorů v reálném čase s dializací reproduktorů za 0,0059 USD za minutu. Ceny streamování Deepgram zahrnují diarizování. To umožňuje asistenci agenta v reálném čase a analýzu po hovoru pro zajištění souladu a kvality za zlomek nákladů na specializované QA analytiky.
30 výpovědí po 120 minutách, každá celkem 3 600 audio minut. Přepis AI stojí 23,40 $. Lidská kontrola při 15 minutách za hodinu zvuku (celková doba kontroly 900 hodin) při 60 USD/hod přidává 450 USD. Celkem je to 473,40 USD oproti 7 200 až 14 400 USD za plně lidský přepis soudního reportéra.
200 videí po 15 minutách, každé celkem 3 000 minut zvuku. Přepis při 0,016 $ za minutu je 48,00 $, plus formátování titulků při 0,002 $ za minutu přidá 6,00 $. Titulky vyhovující ADA pro 200 videí za 54 USD měsíčně činí dostupnost dostupnou pro tvůrce obsahu všech velikostí.
Real-World Applications
▾
Hostingové platformy podcastů nabízejí automatický přepis jako prémiovou funkci. Platforma hostující 10 000 podcastů s průměrně 4 epizodami za měsíc po 45 minutách přepíše 1,8 milionu audio minut měsíčně. Při použití Whisper API za 0,006 $ za minutu jsou měsíční náklady 10 800 $. Tato funkce, která je tvůrcům podcastů účtována jako prémiová funkce za 5 $ měsíčně jako prémiová funkce, s 3 000 předplatiteli generujícími příjmy 15 000 $, je zisková a zároveň poskytuje přístupnost a výhody SEO.
Zdravotnické organizace přepisují setkání mezi lékařem a pacientem pro dokumentaci zdravotní dokumentace. Nemocniční síť s 500 lékaři s průměrem 20 setkání s pacienty denně po 15 minutách generuje 150 000 audio minut za měsíc. Použití služby v souladu s HIPAA za 0,01 $ za minutu stojí 1 500 $ měsíčně. Lékařští kodéři zkontrolují přepisy za 5 minut na setkání za 30 USD za hodinu a přidají 25 000 USD měsíčně. Celkové náklady 26 500 USD nahrazují 75 000 USD měsíčně v manuálním lékařském přepisu.
Mediální společnosti titulky videoobsahu za účelem zajištění souladu s přístupností a SEO. Streamovací platforma s 5 000 hodinami nového obsahu měsíčně využívá Google Cloud Speech za 0,016 USD za minutu, přičemž přepis stojí 4 800 USD měsíčně. Automatické formátování titulků přidává 600 USD. Human QA review v 10 minutách za hodinu obsahu přidává 8 333 $. Celkové náklady na titulkování 13 733 $ měsíčně ve srovnání s 50 000 až 100 000 $ za služby ručního titulkování.
Firmy zabývající se průzkumem trhu přepisují fokusní skupiny a rozhovory se zákazníky. Firma provádějící 200 rozhovorů měsíčně po 45 minutách používá AssemblyAI s diarizací řečníka na 0,0065 $ za minutu, což stojí 58,50 $ měsíčně za přepis. Výzkumníci stráví 10 minut na rozhovor přezkoumáním a anotací přepisů za 75 USD za hodinu a přidají 2 500 USD. Měsíční náklady 2 558,50 USD umožňují rychlou analýzu, která dříve vyžadovala specializovaný přepisový personál za 8 000 USD měsíčně.
Special Cases
▾
U lékařského přepisu v souladu s HIPAA nejsou způsobilé všechny služby.
Google Cloud Speech, AWS Transcribe a Azure Speech nabízejí konfigurace kompatibilní s HIPAA s obchodními dohodami. OpenAI Whisper API a Deepgram nabízejí podnikové smlouvy s certifikací shody. Samoobslužný Whisper na infrastruktuře kompatibilní s HIPAA poskytuje největší kontrolu, ale vyžaduje specializované odborné znalosti v oblasti zabezpečení a dodržování předpisů. Lékařský přepis také těží z vlastních modelů slovní zásoby vyškolených v lékařské terminologii.
Pro přepis zvuku v hlučném prostředí (staveniště, restaurace,
Při přepisu zvuku v hlučném prostředí (staveniště, restaurace, venkovní akce) může přesnost klesnout na 60 až 75 procent i u těch nejlepších modelů. Předběžné zpracování pomocí nástrojů pro redukci šumu, jako je RNNoise nebo DeepFilterNet, může zlepšit přesnost o 10 až 20 procentních bodů při zanedbatelných nákladech na výpočetní techniku. U extrémně zašumělého zvuku je přesnější a v konečném důsledku levnější dvouprůchodový přístup (redukce šumu s následným přepisem), než spoléhat na lidskou korekci nekvalitních přepisů.
Pro archivní přepis historických zvukových záznamů (analogové záznamy,
U archivního přepisu historických zvukových nahrávek (analogové nahrávky, staré telefonní systémy, znehodnocené pásky) se problémy s kvalitou zvuku spojují s technologickými omezeními starších modelů. Tyto nahrávky mohou mít nízkou vzorkovací frekvenci (telefon 8 kHz), značný šum na pozadí a zastaralou slovní zásobu. Specializované předzpracování pro převzorkování a odšumování zvuku v kombinaci s vyladěnými modely pro specifickou kvalitu zvuku může zlepšit přesnost z 50 až 60 procent (standardní modely) na 80 až 90 procent při dodatečných nákladech na předzpracování 0,002 až 0,01 $ za minutu.
Porovnání cen služeb převodu řeči na text (2025)
▾
| Servis | Cena šarže/min | Cena za streamování/min | Diarizace | Jazyky | Volná úroveň |
|---|---|---|---|---|---|
| OpenAI Whisper API | 0,006 USD | N/A | No | 99+ | No |
| Deepgram Nova-2 | 0,0043 USD | 0,0059 USD | Ano (0,0049 $) | 36+ | 12 000 min |
| AssemblyAI | 0,0065 USD | 0,0085 USD | Ano (zahrnuto) | 20+ | 100 hodin |
| Google Cloud Speech | 0,016 USD | 0,032 USD | Ano (0,02 USD) | 125+ | 60 min/měs |
| Přepis AWS | 0,024 USD | 0,024 USD | Ano (zahrnuto) | 100+ | 60 min/měsíc (12 měsíců) |
| Azure Speech | 0,016 USD | 0,016 USD | Ano (0,02 USD) | 100+ | 5 hod/měs |
Frequently Asked Questions
▾
Která služba převodu řeči na text je nejpřesnější?
U angličtiny dosahují OpenAI Whisper a Deepgram Nova-2 nejvyšší přesnosti při 95 až 98 procentech chybovosti slov na čistém zvuku. Google Cloud Speech a AWS Transcribe jsou srovnatelné s 93 až 97 procenty. U specializovaných domén (lékařské, právní, finanční) mohou vlastní modely slovní zásoby na Google Cloud nebo AWS zlepšit přesnost o 3 až 5 procentních bodů. Přesnost klesá o 5 až 15 procentních bodů pro hlučný zvuk, silné akcenty nebo vícejazyčný obsah.
Jak se Whisper API ve srovnání s Whisperem s vlastním hostitelem?
OpenAI Whisper API za 0,006 $ za minutu je spravovaná služba bez infrastruktury ke správě. Samoobslužný Whisper na cloudovém GPU (A10G za 1,10 USD/h) zpracovává zvuk rychlostí přibližně 10 až 30krát v reálném čase, přičemž při plném využití stojí 0,001 až 0,002 USD za minutu. Vlastní hostování je 3 až 6krát levnější, ale vyžaduje správu, škálování a monitorování GPU. Break-even je přibližně 5 000 až 10 000 audio minut za měsíc.
Jaký je rozdíl mezi dávkovým a transkripcí v reálném čase?
Dávkový přepis zpracovává předem nahrané zvukové soubory a vrací výsledky během minut až hodin. Přepis v reálném čase (streaming) zpracovává zvuk při zachycení a vrací slova během 200 až 500 ms od vyslovení. Dávka je 1,5 až 3krát levnější a je vhodná pro nahraný obsah. Reálný čas je nezbytný pro živé titulky, přepis schůzek a asistenci agenta call centra. Většina poskytovatelů nabízí oba režimy.
Jak přesný je přepis AI pro schůzky s více řečníky?
Moderní služby dosahují 90 až 95procentní přesnosti pro jednání s jasným střídáním mezi 2 až 4 řečníky. Přesnost klesá na 80 až 90 procent s překrývající se řečí, více než 6 reproduktory nebo špatnou kvalitou mikrofonu. Diarizace mluvčího (identifikace toho, kdo co řekl) je 85 až 95 procent přesná pro dobře oddělené mluvčí, ale může klesnout pod 80 procent v chaotických schůzkových prostředích. Použití vysoce kvalitních mikrofonů a nastavení nahrávání výrazně zlepšuje výsledky.
Mohu přepisovat do jiných jazyků než do angličtiny?
Ano, všechny hlavní služby podporují více jazyků. Whisper podporuje více než 99 jazyků s různou přesností. Google Cloud podporuje více než 125 jazyků. Přesnost pro neanglické jazyky je obvykle o 3 až 10 procentních bodů nižší než v angličtině. Pro tónové jazyky, jako je mandarínština a thajština, nabízejí specializované modely lepší přesnost. Cena za minutu je obecně stejná bez ohledu na jazyk, i když některé služby účtují příplatek za méně běžné jazyky.
Common Mistakes to Avoid
▾
- !Použití cen v reálném čase pro dávkové úlohy:
- !Nezohledňuje vliv kvality zvuku na přesnost:
- !Ignorování nákladů na diarizaci reproduktorů pro zvuk s více reproduktory:
Pro Tip
Chcete-li dosáhnout maximální nákladové efektivity při velkých přepisových úlohách, hostujte Whisper na cloudovém GPU s automatickým škálováním. GPU A10G s rychlostí 1,10 USD za hodinu přepisuje zvuk přibližně 15krát rychlostí v reálném čase, což stojí asi 0,001 USD za minutu. Nastavte frontu automatického škálování, která roztočí GPU při odesílání zvukových souborů a vypne je, když je fronta prázdná. Tento přístup ušetří 70 až 85 procent oproti Whisper API a zároveň efektivně zvládá variabilní pracovní zátěž.
Did you know?
OpenAI Whisper byl vyškolen na 680 000 hodinách vícejazyčného zvuku, což odpovídá nepřetržitému poslechu po dobu 77 let. Navzdory tomu, že bylo v roce 2022 vydáno jako model s otevřeným zdrojovým kódem, zůstává Whisper API jednou z nejoblíbenějších přepisovacích služeb, protože pohodlí přístupu k rozhraní API u většiny organizací převažuje nad úsporami nákladů na self-hosting.
Regional Guides
▾
North America▾
Europe▾
Asia-Pacific▾
Získejte týdenní matematické tipy
Připojte se k 12 000+ odběratelům, kteří každý týden dostávají tipy na kalkulačku.