Nedir Speech-to-Text API Cost Calculator?
▾
Konuşmadan Metne Maliyet Hesaplayıcı, OpenAI Whisper API (dakika başına 0,006 ABD doları), Google Cloud Speech-to-Text (standart modeller için dakika başına 0,016 ABD doları), AWS Transcribe (dakika başına 0,024 ABD doları), Deepgram (Nova-2 için dakika başına 0,0043 ABD doları) ve AssemblyAI (dakika başına 0,0065 ABD doları) dahil olmak üzere AI hizmetlerini kullanarak sesi metne dönüştürmenin maliyetini tahmin eder. Bu hizmetler, ses kalitesine, dile ve model seçimine bağlı olarak konuşulan dili yüzde 90 ila 98 doğrulukla yazılı metne dönüştürür. Bu hesaplayıcı, podcast prodüksiyon şirketlerine, çağrı merkezi analiz ekiplerine, yasal transkripsiyon hizmetlerine, video içeriğine altyazı yazan medya şirketlerine ve otomatik transkriptler oluşturan toplantı üretkenliği araçlarına hizmet eder. 60 dakikalık bir podcast bölümünün yazıya dönüştürülmesi Whisper API ile 0,36 ABD Doları, Google Speech ile 0,96 ABD Doları veya Deepgram ile 0,26 ABD Doları tutarındadır. Büyük ölçekte, bu farklılıklar önemli ölçüde artıyor: Ayda 10.000 saatlik çağrıyı yazıya döken bir çağrı merkezi, Whisper ile 3.600 ABD Doları, Google ile 9.600 ABD Doları veya Deepgram ile 2.580 ABD Doları ödeyecektir. Hesap makinesi, temel transkripsiyon maliyetinin ötesinde, fiyatlandırmayı etkileyen özellikleri de hesaba katar: konuşmacı günlüğü tutma (kimin ne söylediğini belirleme), gerçek zamanlı ve toplu işleme (gerçek zamanlı genellikle 2 ila 3 kat daha fazla maliyetlidir), özel kelime dağarcığı modelleri ve biçimlendirme, noktalama işareti ekleme ve paragraf bölümlendirme için işlem sonrası maliyetler. Maliyet yığınının tamamını anlamak, ekiplerin doğruluk gereksinimleri ve bütçe kısıtlamaları için doğru hizmeti seçmelerine yardımcı olur.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Formül
▾
Transkripsiyon Maliyeti = Dakika Cinsinden Ses Süresi x Dakika Başına Fiyat. Whisper API'de ayda 500 saatlik sesin toplu işlenmesi için: Maliyet = 500 x 60 x 0,006 ABD doları = ayda 180,00 ABD doları. Google Cloud'da 2 kat hızda gerçek zamanlı transkripsiyon için: Maliyet = 500 x 60 x 0,032 ABD doları = 960,00 ABD doları.Değişken açıklaması
▾
| Sembol | Ad | Birim | Açıklama |
|---|---|---|---|
| D | Ses Süresi | minutes | Dakikada 130 ila 160 kelime içeren tipik konuşmayla dakika cinsinden ölçülen, yazıya dönüştürülecek toplam ses içeriği. |
| P | Dakika Başına Fiyat | USD per minute | Ses dakikası başına transkripsiyon hizmet ücreti, Deepgram için 0,0043 USD ile AWS Transcribe için 0,024 USD arasında değişmektedir. |
| R_stream | Akış Çarpanı | ratio (1.5 to 3.0) | Düşük gecikmeli sonuçlar gerektiğinde uygulanan, gerçek zamanlı akışlı transkripsiyona karşı toplu işleme yönelik maliyet çarpanı. |
| T_review | Ses Saati Başına İnceleme Süresi | minutes | Metne dönüştürülen sesin saat başına insan tarafından incelenmesi ve düzeltilmesi gerekir; doğruluk gerekliliklerine bağlı olarak genellikle 10 ila 30 dakika arasındadır. |
| H | İncelemeci Saatlik Ücreti | USD per hour | Yapay zeka transkripsiyonlarını inceleyen ve düzelten insan editörlerin maliyeti, alan uzmanlığına bağlı olarak saat başına 25 ila 75 ABD Doları arasında değişmektedir. |
Nasıl Speech-to-Text API Cost Calculator
▾
- 1Aylık olarak yazıya geçirilecek toplam ses sürenizi belirleyin. Dakikalar veya saatler içinde ölçüm yapın ve önceden kaydedilmiş (toplu) ses ile canlı (gerçek zamanlı) ses arasında ayrım yapın. Toplu transkripsiyon genellikle daha ucuzdur ve daha uzun işlem sürelerini kabul edebilir. Gerçek zamanlı transkripsiyon, ses akışı sırasında sonuçları sunar ancak düşük gecikmeli işlemenin bilgi işlem yoğunluğu nedeniyle maliyeti 1,5 ila 3 kat daha fazladır.
- 2Doğruluk gereksinimlerine, dil desteğine ve bütçeye göre transkripsiyon hizmetinizi seçin. Whisper API, çoğu dil için dakika başına 0,006 ABD doları ile en iyi fiyat-kalite oranını sunar. Deepgram Nova-2, rekabetçi doğrulukla dakika başına 0,0043 ABD Doları ile en ucuz seçenektir. Google Cloud ve AWS, en geniş dil desteğini ve ilgili bulut ekosistemleriyle entegrasyonu sunar. AssemblyAI, en iyi konuşmacı günlüğü tutma ve içerik analizi özelliklerini sağlar.
- 3Fiyatlandırmayı etkileyen transkripsiyon özelliklerini yapılandırın. Konuşmacı günlüğü (farklı konuşmacıların tanımlanması), çoğu platformda temel transkripsiyon maliyetlerine yüzde 10 ila 30 oranında katkı sağlar. Noktalama işaretleri ve büyük harf kullanımı modern hizmetlerde varsayılan olarak bulunur. Gerçek zamanlı akış, toplu işleme göre 2 ila 3 kat daha maliyetlidir. Özel kelime dağarcığı veya sektöre özel modellerin bazı platformlarda ek maliyetleri olabilir.
- 4Toplam ses dakikalarını dakika başına ücretle çarparak temel transkripsiyon maliyetini hesaplayın. Karışık gerçek zamanlı ve toplu iş yükleri için her birini ayrı ayrı hesaplayın: standart hızda toplu ses ve yükseltilmiş hızda gerçek zamanlı ses. Toplam aylık transkripsiyon gideri için ikisini toplayın.
- 5Varsa işlem sonrası maliyetleri ekleyin. Ham transkripsiyon çıktısı genellikle biçimlendirme gerektirir: paragraf sonları, konuşmacı etiketleri, zaman damgası ekleme, dolgu sözcüklerinin kaldırılması ve alana özgü düzeltmeler. Bir LLM (GPT-4o-mini) kullanılarak otomatik son işlemenin maliyeti, işlenen sesin dakikası başına yaklaşık 0,001 ila 0,005 ABD Doları arasındadır. Bir insan editör tarafından yapılan manuel son işlem, gerekli doğruluğa bağlı olarak ses dakikası başına 0,50 ila 2,00 ABD Doları arasındadır.
- 6Ses dosyaları ve transkriptler için depolama maliyetlerini de hesaba katın. 128 kbps'deki ses dosyaları dakikada yaklaşık 1 MB tüketir. Transkript metninin boyutu önemsizdir. Aylık GB başına 0,02 ABD Doları tutarındaki bulut depolama, 10.000 saatlik sesin (600 GB) depolanmasının aylık 12 ABD Doları maliyeti anlamına gelir. Uyumluluk için sesi saklamanız gerekiyorsa bu devam eden depolama maliyetini dahil edin.
- 7Toplam maliyeti insan transkripsiyon hizmetleriyle karşılaştırın. Profesyonel insan transkripsiyonunun maliyeti, standart geri dönüş için ses dakikası başına 1,00 ila 3,00 ABD Doları ve acil teslimat için 2,00 ila 5,00 ABD Doları arasındadır. Dakikada 0,004 ila 0,024 ABD Doları arasındaki AI transkripsiyonu 40 ila 750 kat daha ucuzdur. İnsan kalite incelemesi dakikada 0,25 ila 0,50 dolar eklese bile yapay zeka destekli transkripsiyon, tamamen manuel transkripsiyondan yüzde 50 ila 85 daha ucuz olmaya devam ediyor.
Çözümlü Örnekler
▾
60 dakikalık 40 bölümün her biri toplam 2.400 ses dakikasıdır. Dakika başına 0,006 ABD doları olan aylık maliyet 14,40 ABD dolarıdır. Bu, aynı hacim için ayda 2.400 ila 7.200 ABD Doları arasında ücret alan insan transkripsiyon hizmetinin yerini alıyor. Maliyetin yüzde 99 oranında azalması, her bölüm için tam transkripsiyonun ekonomik açıdan uygun olmasını sağlar.
Dakikası 0,0059 ABD Doları karşılığında konuşmacı günlük kaydıyla 5.000 saat (300.000 dakika) gerçek zamanlı çağrı transkripsiyonu. Deepgram akış fiyatlandırması günlük tutmayı içerir. Bu, özel QA analistlerinin maliyetinin çok altında bir maliyetle uyumluluk ve kalite güvencesi için gerçek zamanlı temsilci yardımına ve çağrı sonrası analizlere olanak tanır.
120 dakikalık 30 ifadenin her biri toplam 3.600 sesli dakikadır. AI transkripsiyonunun maliyeti 23,40 ABD dolarıdır. Ses saati başına 15 dakikalık insan incelemesi (toplam 900 saatlik inceleme süresi), saatte 60 ABD Doları karşılığında 450 ABD Doları eklenir. Tamamen insan mahkeme muhabiri transkripsiyonunun toplamı 473,40 ABD Doları iken, 7.200 ila 14.400 ABD Doları arasındadır.
15 dakikalık 200 videonun her biri toplam 3.000 ses dakikasıdır. Dakika başına 0,016 ABD doları tutarındaki transkripsiyon 48,00 ABD doları, ayrıca dakika başına 0,002 ABD doları tutarındaki altyazı biçimlendirmesi 6,00 ABD doları ekler. Aylık 54 ABD Doları karşılığında 200 video için ADA uyumluluğu altyazısı, erişilebilirliği her boyuttaki içerik oluşturucu için uygun maliyetli hale getirir.
Gerçek dünya uygulamaları
▾
Podcast barındırma platformları, premium bir özellik olarak otomatik transkripsiyon sunar. Her biri 45 dakikalık, ayda ortalama 4 bölümden oluşan 10.000 podcast'i barındıran bir platform, ayda 1,8 milyon ses dakikasını yazıya döküyor. Whisper API'yi dakika başına 0,006 ABD Doları karşılığında kullanmanın aylık maliyeti 10.800 ABD Dolarıdır. 3.000 abonenin 15.000 ABD doları gelir elde ettiği, premium özellik olarak podcast yaratıcılarından ayda 5 ABD doları ücretlendirilen bu özellik, erişilebilirlik ve SEO avantajları sağlarken kârlıdır.
Sağlık kuruluşları, tıbbi kayıt dokümantasyonu için doktor-hasta karşılaşmalarını yazıya dökmektedir. Günde ortalama 20 hastayla 15 dakika süren 500 hekimden oluşan bir hastane ağı, ayda 150.000 dakika ses üretiyor. HIPAA uyumlu bir hizmeti dakika başına 0,01 ABD Doları karşılığında kullanmanın aylık maliyeti 1.500 ABD Dolarıdır. Tıbbi kodlayıcılar, transkriptleri karşılaşma başına 5 dakikada, saat başına 30 ABD Doları karşılığında inceler ve bu da aylık 25.000 ABD Doları ekler. Toplam 26.500 ABD Doları tutarındaki maliyet, manuel tıbbi transkripsiyonda aylık 75.000 ABD Dolarının yerini alır.
Medya şirketleri erişilebilirlik uyumluluğu ve SEO için video içeriğine altyazı ekler. Ayda 5.000 saatlik yeni içeriğe sahip bir yayın platformu, Google Cloud Speech'i dakika başına 0,016 ABD doları karşılığında kullanıyor ve transkripsiyon için aylık 4.800 ABD doları maliyete sahip. Otomatik altyazı biçimlendirmesi 600 ABD doları ekler. İçerik saati başına 10 dakikalık insan QA incelemesi 8.333 ABD doları ekler. Manuel altyazı ekleme hizmetlerinin 50.000 ila 100.000 ABD Doları ile karşılaştırıldığında aylık toplam altyazı maliyeti 13.733 ABD Dolarıdır.
Pazar araştırması firmaları odak gruplarını ve müşteri görüşmelerini yazıya döker. Her biri 45 dakika süren ayda 200 görüşme yapan bir firma, konuşmacı günlüğü tutma özelliğine sahip AssemblyAI'yi dakika başına 0,0065 ABD doları karşılığında kullanıyor ve bu da transkripsiyon için ayda 58,50 ABD dolarına mal oluyor. Araştırmacılar, transkriptleri incelemek ve açıklamalar eklemek için görüşme başına 10 dakika harcayarak saat başına 75 ABD dolarına ek olarak 2.500 ABD doları ekliyorlar. Aylık 2.558,50 ABD doları tutarındaki maliyet, daha önce ayda 8.000 ABD doları tutarında özel transkripsiyon personeli gerektiren hızlı analize olanak sağlar.
Özel durumlar
▾
HIPAA uyumlu tıbbi transkripsiyon için tüm hizmetler uygun değildir.
Google Cloud Speech, AWS Transcribe ve Azure Speech, İş Ortaklığı Sözleşmeleriyle HIPAA uyumlu yapılandırmalar sunar. OpenAI Whisper API ve Deepgram, uyumluluk sertifikalarıyla kurumsal anlaşmalar sunar. HIPAA uyumlu altyapı üzerinde kendi kendine barındırılan Whisper, en fazla kontrolü sağlar ancak özel güvenlik ve uyumluluk uzmanlığı gerektirir. Tıbbi transkripsiyon aynı zamanda tıbbi terminoloji üzerine eğitilmiş özel kelime dağarcığı modellerinden de yararlanır.
Gürültülü ortamlarda (inşaat alanları, restoranlar,
Gürültülü ortamlarda (inşaat alanları, restoranlar, açık hava etkinlikleri) sesin yazıya geçirilmesinde doğruluk, en iyi modellerde bile yüzde 60 ila 75'e düşebilir. RNNoise veya DeepFilterNet gibi gürültü azaltma araçlarıyla yapılan ön işleme, ihmal edilebilir hesaplama maliyetiyle doğruluğu yüzde 10 ila 20 puan artırabilir. Son derece gürültülü ses için, iki geçişli bir yaklaşım (gürültü azaltma ve ardından transkripsiyon), düşük kaliteli transkriptlerin insan tarafından düzeltilmesine dayanmaktan daha doğrudur ve sonuçta daha ucuzdur.
Tarihsel ses kayıtlarının (analog kayıtlar,
Geçmiş ses kayıtlarının (analog kayıtlar, eski telefon sistemleri, bozulmuş bant) arşivsel transkripsiyonunda, ses kalitesi sorunları eski modellerin teknoloji sınırlamalarıyla birleşiyor. Bu kayıtlar düşük örnekleme hızlarına (8kHz telefon), önemli miktarda arka plan gürültüsüne ve güncel olmayan sözcüklere sahip olabilir. Sesi üst örneklemeye ve gürültüyü gidermeye yönelik özel ön işleme, belirli ses kalitesi için ince ayarlı modellerle birleştiğinde, dakikada 0,002 ila 0,01 ABD Doları tutarında ek ön işleme maliyetiyle doğruluğu yüzde 50 ila 60'tan (standart modeller) yüzde 80 ila 90'a artırabilir.
Konuşmadan Metne Hizmet Fiyatlandırma Karşılaştırması (2025)
▾
| Hizmet | Toplu Fiyat/Dakika | Yayın Fiyatı/Dakika | Günlükleştirme | Diller | Ücretsiz Katman |
|---|---|---|---|---|---|
| OpenAI Whisper API'si | 0,006$ | N/A | No | 99+ | No |
| Deepgram Nova-2 | 0,0043$ | 0,0059$ | Evet (0,0049$) | 36+ | 12.000 dakika |
| MontajAI | 0,0065$ | 0,0085$ | Evet (dahil) | 20+ | 100 saat |
| Google Bulut Konuşması | 0,016$ | 0,032$ | Evet (0,02$) | 125+ | 60 dk/ay |
| AWS Metne Dönüştürme | 0,024$ | 0,024$ | Evet (dahil) | 100+ | 60 dk/ay (12 ay) |
| Azure Konuşması | 0,016$ | 0,016$ | Evet (0,02$) | 100+ | 5 saat/ay |
Sık sorulan sorular
▾
Hangi konuşmayı metne dönüştürme hizmeti en doğrudur?
İngilizce için OpenAI Whisper ve Deepgram Nova-2, temiz seste yüzde 95 ila 98 kelime hatası oranıyla en yüksek doğruluğu elde ediyor. Google Cloud Speech ve AWS Transcribe, yüzde 93 ila 97 oranında karşılaştırılabilir. Özel alanlar (tıbbi, hukuki, finansal) için, Google Cloud veya AWS'deki özel kelime dağarcığı modelleri doğruluğu yüzde 3 ila 5 puan artırabilir. Gürültülü ses, ağır vurgular veya çok dilli içerik için doğruluk yüzde 5 ila 15 puan düşer.
Whisper API, kendi kendine barındırılan Whisper ile nasıl karşılaştırılır?
Dakika başına 0,006 ABD doları tutarındaki OpenAI Whisper API, yönetilmesi gereken bir altyapıya sahip olmayan, yönetilen bir hizmettir. Bulut GPU'da kendi kendine barındırılan Whisper (saatte 1,10 ABD doları karşılığında A10G), sesi gerçek zamanlı hızın yaklaşık 10 ila 30 katı hızla işler ve tam kullanımda dakika başına 0,001 ila 0,002 ABD doları tutarında bir maliyete sahiptir. Kendi kendine barındırma 3 ila 6 kat daha ucuzdur ancak GPU yönetimi, ölçeklendirme ve izleme gerektirir. Başabaş noktası ayda yaklaşık 5.000 ila 10.000 ses dakikasıdır.
Toplu ve gerçek zamanlı transkripsiyon arasındaki fark nedir?
Toplu transkripsiyon, önceden kaydedilmiş ses dosyalarını işler ve sonuçları dakikalar veya saatler içinde döndürür. Gerçek zamanlı (akışlı) transkripsiyon, sesi yakalandıkça işler ve sözcükler konuşulduktan sonra 200 ila 500 ms içinde döndürür. Toplu işlem 1,5 ila 3 kat daha ucuzdur ve kayıtlı içerik için uygundur. Canlı altyazı, toplantı transkripsiyonları ve çağrı merkezi temsilcisi yardımı için gerçek zaman önemlidir. Çoğu sağlayıcı her iki modu da sunar.
Birden fazla konuşmacının olduğu toplantılar için yapay zeka transkripsiyonu ne kadar doğrudur?
Modern hizmetler, 2 ila 4 konuşmacının net bir şekilde sıra aldığı toplantılarda yüzde 90 ila 95 doğruluk elde ediyor. Çakışan konuşma, 6'dan fazla hoparlör veya zayıf mikrofon kalitesi durumunda doğruluk yüzde 80 ila 90'a düşer. Konuşmacı günlüğü (kimin ne söylediğini belirleme), iyi ayrılmış konuşmacılar için yüzde 85 ila 95 oranında doğrudur ancak kaotik toplantı ortamlarında yüzde 80'in altına düşebilir. Yüksek kaliteli mikrofonların ve kayıt kurulumlarının kullanılması sonuçları önemli ölçüde artırır.
İngilizce dışında başka dillerde de yazı yazabilir miyim?
Evet, tüm önemli hizmetler birden fazla dili destekler. Whisper, değişen doğruluk oranlarıyla 99'dan fazla dili destekler. Google Cloud 125'ten fazla dili destekler. İngilizce dışındaki dillerin doğruluğu genellikle İngilizce'den yüzde 3 ila 10 puan daha düşüktür. Mandarin ve Tay dili gibi ton dilleri için özel modeller daha iyi doğruluk sunar. Dakika başına maliyet genellikle dilden bağımsız olarak aynıdır, ancak bazı hizmetler daha az yaygın olan diller için prim talep etmektedir.
Kaçınılması Gereken Yaygın Hatalar
▾
- !Toplu İş Yükleri için Gerçek Zamanlı Fiyatlandırmayı Kullanma:
- !Ses Kalitesinin Doğruluk Üzerindeki Etkisinin Hesaplanmaması:
- !Çok Hoparlörlü Ses için Konuşmacı Günlüğü Maliyetlerinin Göz Ardı Edilmesi:
Uzman İpucu
Büyük transkripsiyon iş yüklerinde maksimum maliyet verimliliği için, otomatik ölçeklendirmeye sahip bir bulut GPU'da kendi kendine barındırılan Whisper. Saati 1,10 ABD doları olan bir A10G GPU, sesi gerçek zamanlı hızın yaklaşık 15 katı hızla yazıya döker ve dakika başına yaklaşık 0,001 ABD dolarına mal olur. Ses dosyaları gönderildiğinde GPU'ları çalıştıran ve sıra boşaldığında kapatan bir otomatik ölçeklendirme kuyruğu oluşturun. Bu yaklaşım, değişken iş yüklerini verimli bir şekilde yönetirken Whisper API'ye kıyasla yüzde 70 ila 85 oranında tasarruf sağlar.
Biliyor muydunuz?
OpenAI Whisper, 77 yıl boyunca aralıksız dinlemeye eşdeğer olan 680.000 saatlik çok dilli ses eğitimi aldı. 2022'de açık kaynaklı bir model olarak piyasaya sürülmesine rağmen Whisper API, en popüler transkripsiyon hizmetlerinden biri olmaya devam ediyor çünkü çoğu kuruluş için API erişiminin rahatlığı, kendi kendine barındırmanın maliyet tasarruflarından daha ağır basıyor.
Regional Guides
▾
North America▾
Europe▾
Asia-Pacific▾
Kaynaklar
Haftalık Matematik İpuçları Alın
Her hafta hesap makinesi ipuçları alan 12.000+ aboneye katılın.