What is Speech-to-Text API Cost Calculator?
▾
Kalkulačka nákladov na prevod reči na text odhaduje náklady na prepis zvuku do textu pomocou služieb AI vrátane OpenAI Whisper API (0,006 USD za minútu), Google Cloud Speech-to-Text (0,016 USD za minútu pre štandardné modely), AWS Transcribe (0,024 USD za minútu), Deepgram (0,0043 USD za minútu a montáže (0,50 USD za minútu pre Nova-2). Tieto služby konvertujú hovorený jazyk na písaný text s presnosťou 90 až 98 percent v závislosti od kvality zvuku, jazyka a výberu modelu. Táto kalkulačka slúži spoločnostiam na produkciu podcastov, analytickým tímom call centier, právnym prepisovacím službám, mediálnym spoločnostiam, ktoré popisujú video obsah, a nástrojom na zvýšenie produktivity, ktoré generujú automatické prepisy. 60-minútová epizóda podcastu stojí 0,36 USD za prepis pomocou Whisper API, 0,96 USD s Google Speech alebo 0,26 USD s Deepgramom. V meradle sa tieto rozdiely výrazne znásobujú: call centrum, ktoré prepíše 10 000 hodín hovorov mesačne, by zaplatilo 3 600 dolárov za Whisper, 9 600 dolárov za Google alebo 2 580 dolárov za Deepgram. Okrem základných nákladov na prepis počíta kalkulačka aj s funkciami, ktoré ovplyvňujú tvorbu cien: diarizácia reproduktorov (identifikácia toho, kto čo povedal), spracovanie v reálnom čase verzus dávkové spracovanie (v reálnom čase zvyčajne stojí 2 až 3-krát viac), modely špecializovaných slovníkov a náklady na následné spracovanie formátovania, vkladania interpunkcie a segmentácie odsekov. Pochopenie celého balíka nákladov pomáha tímom vybrať si správnu službu pre ich požiadavky na presnosť a rozpočtové obmedzenia.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Vzorec
▾
Cena prepisu = dĺžka zvuku v minútach x cena za minútu. Pre dávkové spracovanie 500 hodín zvuku za mesiac na Whisper API: Náklady = 500 x 60 x 0,006 USD = 180,00 USD za mesiac. Pre prepis v reálnom čase v službe Google Cloud s dvojnásobnou sadzbou: Cena = 500 x 60 x 0,032 USD = 960,00 USD.Variable Legend
▾
| Symbol | Meno | Jednotka | Popis |
|---|---|---|---|
| D | Trvanie zvuku | minutes | Celkový zvukový obsah na prepis, meraný v minútach, s typickou rečou obsahujúcou 130 až 160 slov za minútu. |
| P | Cena za minútu | USD per minute | Sadzba prepisovej služby za minútu zvuku sa pohybuje od 0,0043 USD pre Deepgram po 0,024 USD pre AWS Transcribe. |
| R_stream | Násobiteľ streamovania | ratio (1.5 to 3.0) | Násobiteľ nákladov pre transkripciu streamovania v reálnom čase oproti dávkovému spracovaniu, aplikovaný, keď sa vyžadujú výsledky s nízkou latenciou. |
| T_review | Kontrola času za hodinu zvuku | minutes | Čas potrebný na kontrolu a opravu človekom za hodinu prepisovaného zvuku, zvyčajne 10 až 30 minút v závislosti od požiadaviek na presnosť. |
| H | Hodinová sadzba recenzenta | USD per hour | Náklady na ľudských redaktorov, ktorí kontrolujú a opravujú prepisy AI, sa pohybujú od 25 do 75 USD za hodinu v závislosti od odbornosti domény. |
How to Speech-to-Text API Cost Calculator
▾
- 1Určite celkové trvanie zvuku na prepis za mesiac. Merajte v minútach alebo hodinách a rozlišujte medzi vopred nahraným (dávkovým) a živým (v reálnom čase) zvukom. Dávkový prepis je zvyčajne lacnejší a môže akceptovať dlhší čas spracovania. Prepis v reálnom čase poskytuje výsledky ako audio streamy, ale stojí 1,5 až 3-krát viac kvôli výpočtovej intenzite spracovania s nízkou latenciou.
- 2Vyberte si službu prepisu na základe požiadaviek na presnosť, jazykovej podpory a rozpočtu. Whisper API ponúka najlepší pomer ceny a kvality pre väčšinu jazykov za 0,006 USD za minútu. Deepgram Nova-2 je najlacnejšia možnosť za 0,0043 USD za minútu s konkurenčnou presnosťou. Google Cloud a AWS ponúkajú najširšiu jazykovú podporu a integráciu s príslušnými cloudovými ekosystémami. AssemblyAI poskytuje najlepšie funkcie pre diarizáciu a analýzu obsahu.
- 3Nakonfigurujte funkcie prepisu, ktoré ovplyvňujú ceny. Diarizácia reproduktorov (identifikácia rôznych reproduktorov) zvyšuje základné náklady na prepis na väčšine platforiem o 10 až 30 percent. Interpunkcia a veľké písmená sú štandardne zahrnuté v moderných službách. Streamovanie v reálnom čase stojí 2 až 3-krát viac ako dávkové spracovanie. Vlastná slovná zásoba alebo modely špecifické pre dané odvetvie môžu mať na niektorých platformách dodatočné náklady.
- 4Vypočítajte základné náklady na prepis vynásobením celkových audio minút rýchlosťou za minútu. Pre zmiešané pracovné zaťaženie v reálnom čase a dávkové zaťaženie vypočítajte každý zvlášť: dávkový zvuk pri štandardnej frekvencii a zvuk v reálnom čase pri zvýšenej frekvencii. Spočítajte tieto dva pre celkové mesačné náklady na prepis.
- 5V prípade potreby pridajte náklady na následné spracovanie. Výstup nespracovaného prepisu si často vyžaduje formátovanie: zlomy odsekov, menovky reproduktorov, vkladanie časovej pečiatky, odstraňovanie výplňových slov a opravy špecifické pre doménu. Automatizované následné spracovanie pomocou LLM (GPT-4o-mini) stojí približne 0,001 až 0,005 USD za minútu spracovania zvuku. Manuálne následné spracovanie ľudským editorom stojí 0,50 až 2,00 USD za minútu zvuku v závislosti od požadovanej presnosti.
- 6Faktor nákladov na ukladanie zvukových súborov a prepisov. Zvukové súbory s rýchlosťou 128 kb/s spotrebujú približne 1 MB za minútu. Text prepisu má zanedbateľnú veľkosť. Cloudové úložisko za 0,02 USD za GB mesačne znamená, že 10 000 hodín zvuku (600 GB) stojí 12 USD mesačne. Ak si potrebujete ponechať zvuk z dôvodu súladu, zahrňte tieto náklady na priebežné úložisko.
- 7Porovnajte celkové náklady so službami ľudského prepisu. Profesionálny ľudský prepis stojí $ 1,00 až $ 3,00 za minútu zvuku pri štandardnom obrate a $ 2,00 až $ 5,00 za rýchle doručenie. Prepis AI na úrovni 0,004 až 0,024 USD za minútu je 40 až 750-krát lacnejší. Aj keď kontrola ľudskej kvality pridáva 0,25 až 0,50 $ za minútu, prepis podporovaný AI zostáva o 50 až 85 percent lacnejší ako plne manuálny prepis.
Worked Examples
▾
40 epizód po 60 minútach, každá spolu 2 400 audio minút. Pri 0,006 USD za minútu sú mesačné náklady 14,40 USD. Toto nahrádza službu ľudského prepisu, ktorá by účtovala 2 400 až 7 200 USD mesačne za rovnaký objem. Vďaka zníženiu nákladov o 99 percent je úplný prepis ekonomicky životaschopný pre každú epizódu.
5 000 hodín (300 000 minút) prepisu hovorov v reálnom čase s dializáciou reproduktorov pri 0,0059 USD za minútu. Ceny streamovania Deepgram zahŕňajú diaizáciu. To umožňuje asistenciu agenta v reálnom čase a analýzu po telefonáte na zabezpečenie súladu a kvality za zlomok ceny špecializovaných analytikov kontroly kvality.
30 výpovedí po 120 minútach, každé spolu 3 600 audio minút. Prepis AI stojí 23,40 USD. Ľudská kontrola pri 15 minútach za zvukovú hodinu (celkový čas kontroly 900 hodín) pri 60 USD/hod pridáva 450 USD. Celková suma je 473,40 USD oproti 7 200 až 14 400 USD za plne ľudský prepis súdneho reportéra.
200 videí po 15 minútach, každé spolu 3 000 audio minút. Prepis pri 0,016 USD za minútu je 48,00 USD a formátovanie titulkov pri 0,002 USD za minútu pridá 6 USD. Vďaka titulkom v súlade s ADA pre 200 videí za 54 USD mesačne je dostupnosť dostupná pre tvorcov obsahu všetkých veľkostí.
Real-World Applications
▾
Hostingové platformy podcastov ponúkajú automatický prepis ako prémiovú funkciu. Platforma, na ktorej sa nachádza 10 000 podcastov s priemerne 4 epizódami mesačne po 45 minútach, prepíše 1,8 milióna zvukových minút mesačne. Pri použití Whisper API pri 0,006 USD za minútu sú mesačné náklady 10 800 USD. Táto funkcia, ktorá je tvorcom podcastov spoplatnená sumou 5 USD mesačne ako prémiová funkcia, pričom 3 000 predplatiteľov generuje príjmy vo výške 15 000 USD, je zisková a zároveň poskytuje výhody dostupnosti a SEO.
Zdravotnícke organizácie prepisujú stretnutia medzi lekárom a pacientom pre dokumentáciu zdravotnej dokumentácie. Nemocničná sieť s 500 lekármi v priemere 20 stretnutí s pacientmi za deň po 15 minútach generuje 150 000 audio minút za mesiac. Používanie služby kompatibilnej s HIPAA za 0,01 USD za minútu stojí 1 500 USD mesačne. Lekárski kódovači skontrolujú prepisy za 5 minút na stretnutie za 30 USD za hodinu, pričom mesačne pridajú 25 000 USD. Celkové náklady 26 500 USD nahrádzajú 75 000 USD mesačne pri manuálnom lekárskom prepise.
Mediálne spoločnosti popisujú video obsah kvôli dodržiavaniu prístupnosti a SEO. Streamovacia platforma s 5 000 hodinami nového obsahu mesačne využíva službu Google Cloud Speech za 0,016 USD za minútu, pričom prepis stojí 4 800 USD mesačne. Automatické formátovanie titulkov pridáva 600 USD. Kontrola kvality ľudského tela pri 10 minútach za hodinu obsahu pridáva 8 333 dolárov. Celkové náklady na titulkovanie 13 733 USD za mesiac v porovnaní s 50 000 až 100 000 USD za služby manuálnych titulkov.
Firmy zaoberajúce sa prieskumom trhu prepisujú cieľové skupiny a rozhovory so zákazníkmi. Firma, ktorá vedie 200 rozhovorov za mesiac po 45 minútach, používa AssemblyAI s dializáciou rečníka na 0,0065 USD za minútu, pričom prepis stojí 58,50 USD mesačne. Výskumníci strávia 10 minút na rozhovor prezeraním a komentovaním prepisov za 75 dolárov za hodinu a pridávajú 2 500 dolárov. Mesačné náklady 2 558,50 USD umožňujú rýchlu analýzu, ktorá si predtým vyžadovala špecializovaných prepisovacích pracovníkov za 8 000 USD mesačne.
Special Cases
▾
Pre lekársky prepis v súlade s HIPAA nie sú oprávnené všetky služby.
Google Cloud Speech, AWS Transcribe a Azure Speech ponúkajú konfigurácie v súlade s HIPAA so zmluvami o obchodných partneroch. OpenAI Whisper API a Deepgram ponúkajú podnikové zmluvy s certifikáciou zhody. Samoobslužný Whisper na infraštruktúre kompatibilnej s HIPAA poskytuje najväčšiu kontrolu, ale vyžaduje špecializované odborné znalosti v oblasti bezpečnosti a dodržiavania predpisov. Lekársky prepis tiež ťaží z vlastných modelov slovnej zásoby vyškolených na lekárskej terminológii.
Na prepis zvuku v hlučnom prostredí (staveniska, reštaurácie,
Pri prepise zvuku v hlučnom prostredí (staveniska, reštaurácie, vonkajšie akcie) môže presnosť klesnúť na 60 až 75 percent aj pri tých najlepších modeloch. Predbežné spracovanie pomocou nástrojov na zníženie šumu, ako sú RNNoise alebo DeepFilterNet, môže zlepšiť presnosť o 10 až 20 percentuálnych bodov pri zanedbateľných výpočtových nákladoch. Pre extrémne zašumený zvuk je dvojpriechodový prístup (redukcia šumu nasledovaná prepisom) presnejší a v konečnom dôsledku lacnejší ako spoliehanie sa na ľudskú korekciu nekvalitných prepisov.
Na archívny prepis historických zvukových záznamov (analógové záznamy,
Pri archívnom prepise historických zvukových nahrávok (analógové nahrávky, staré telefónne systémy, poškodené pásky) sa problémy s kvalitou zvuku spájajú s technologickými obmedzeniami starších modelov. Tieto nahrávky môžu mať nízku vzorkovaciu frekvenciu (8 kHz telefón), výrazný šum v pozadí a zastaraný slovník. Špecializované predspracovanie na prevzorkovanie a odšumovanie zvuku v kombinácii s jemne vyladenými modelmi pre špecifickú kvalitu zvuku môže zlepšiť presnosť z 50 až 60 percent (štandardné modely) na 80 až 90 percent, pri dodatočných nákladoch na predspracovanie od 0,002 do 0,01 $ za minútu.
Porovnanie cien služieb prevodu reči na text (2025)
▾
| servis | Cena šarže/min | Cena za streamovanie/min | Diarizácia | Jazyky | Voľná úroveň |
|---|---|---|---|---|---|
| OpenAI Whisper API | 0,006 USD | N/A | No | 99+ | No |
| Deepgram Nova-2 | 0,0043 USD | 0,0059 USD | Áno (0,0049 USD) | 36+ | 12 000 min |
| AssemblyAI | 0,0065 USD | 0,0085 USD | Áno (v cene) | 20+ | 100 hod |
| Google Cloud Speech | 0,016 USD | 0,032 USD | Áno (0,02 USD) | 125+ | 60 min/mes |
| Prepis AWS | 0,024 USD | 0,024 USD | Áno (v cene) | 100+ | 60 min/mes. (12 mes.) |
| Azúrová reč | 0,016 USD | 0,016 USD | Áno (0,02 USD) | 100+ | 5 hod./mes |
Frequently Asked Questions
▾
Ktorá služba prevodu reči na text je najpresnejšia?
Pre angličtinu dosahujú OpenAI Whisper a Deepgram Nova-2 najvyššiu presnosť pri 95 až 98-percentnej chybovosti slov pri čistom zvuku. Google Cloud Speech a AWS Transcribe sú porovnateľné na úrovni 93 až 97 percent. V prípade špecializovaných domén (lekárske, právne, finančné) môžu vlastné modely slovnej zásoby v službe Google Cloud alebo AWS zlepšiť presnosť o 3 až 5 percentuálnych bodov. Presnosť klesá o 5 až 15 percentuálnych bodov pre hlučný zvuk, silné akcenty alebo viacjazyčný obsah.
Ako sa Whisper API porovnáva s vlastným hosťovaním Whisper?
OpenAI Whisper API za 0,006 $ za minútu je riadená služba bez infraštruktúry na správu. Samoobslužný Whisper na cloudovom GPU (A10G za 1,10 USD/h) spracováva zvuk rýchlosťou približne 10 až 30-krát v reálnom čase, pričom pri plnom využití stojí 0,001 až 0,002 USD za minútu. Vlastné hosťovanie je 3- až 6-krát lacnejšie, ale vyžaduje správu, škálovanie a monitorovanie GPU. Zlomový zisk je približne 5 000 až 10 000 audio minút za mesiac.
Aký je rozdiel medzi dávkovým prepisom a prepisom v reálnom čase?
Dávkový prepis spracováva vopred nahrané zvukové súbory a vracia výsledky v priebehu niekoľkých minút až hodín. Prepis v reálnom čase (streaming) spracováva zvuk pri jeho zachytení a vracia slová do 200 až 500 ms od vyslovenia. Dávka je 1,5 až 3-krát lacnejšia a je vhodná pre nahraný obsah. Reálny čas je nevyhnutný pre živé titulky, prepis stretnutí a pomoc agentovi call centra. Väčšina poskytovateľov ponúka oba režimy.
Aký presný je prepis AI pre stretnutia s viacerými rečníkmi?
Moderné služby dosahujú pri stretnutiach presnosť 90 až 95 percent s jasným striedaním 2 až 4 rečníkov. Presnosť klesá na 80 až 90 percent pri prekrývaní reči, viac ako 6 reproduktoroch alebo nízkej kvalite mikrofónu. Diarizácia hovoriaceho (identifikujúca, kto čo povedal) je presná na 85 až 95 percent pre dobre oddelených rečníkov, ale v chaotických prostrediach stretnutí môže klesnúť pod 80 percent. Použitie vysokokvalitných mikrofónov a nastavení nahrávania výrazne zlepšuje výsledky.
Môžem prepisovať do iných jazykov ako do angličtiny?
Áno, všetky hlavné služby podporujú viacero jazykov. Whisper podporuje viac ako 99 jazykov s rôznou presnosťou. Google Cloud podporuje viac ako 125 jazykov. Presnosť pre neanglické jazyky je zvyčajne o 3 až 10 percentuálnych bodov nižšia ako v angličtine. Pre tonálne jazyky ako mandarínčina a thajčina ponúkajú špecializované modely vyššiu presnosť. Cena za minútu je vo všeobecnosti rovnaká bez ohľadu na jazyk, hoci niektoré služby účtujú príplatok za menej bežné jazyky.
Common Mistakes to Avoid
▾
- !Používanie určovania cien v reálnom čase pre dávkové pracovné zaťaženia:
- !Neberie sa do úvahy vplyv kvality zvuku na presnosť:
- !Ignorovanie nákladov na diarizáciu reproduktorov pre zvuk s viacerými reproduktormi:
Pro Tip
Ak chcete dosiahnuť maximálnu nákladovú efektivitu pri veľkých prepisových úlohách, samohostite Whisper na cloudovom GPU s automatickým škálovaním. GPU A10G s cenou 1,10 USD za hodinu prepisuje zvuk približne 15-násobnou rýchlosťou v reálnom čase, pričom cena je približne 0,001 USD za minútu. Nastavte rad automatického škálovania, ktorý roztočí GPU pri odosielaní zvukových súborov a vypne ich, keď je rad prázdny. Tento prístup šetrí 70 až 85 percent v porovnaní s Whisper API a zároveň efektívne zvláda variabilné pracovné zaťaženie.
Did you know?
OpenAI Whisper bol vyškolený na 680 000 hodinách viacjazyčného zvuku, čo je ekvivalent nepretržitého počúvania počas 77 rokov. Napriek tomu, že rozhranie Whisper API bolo vydané ako model s otvoreným zdrojovým kódom v roku 2022, zostáva jednou z najpopulárnejších prepisovacích služieb, pretože pohodlie prístupu k API prevažuje nad úsporami nákladov na self-hosting pre väčšinu organizácií.
Regional Guides
▾
North America▾
Europe▾
Asia-Pacific▾
Získajte týždenné matematické tipy
Pridajte sa k 12 000+ odberateľom, ktorí každý týždeň dostávajú tipy na kalkulačku.