स्पीच-टू-टेक्स्ट की कीमत सीधी लगती है: ऑडियो के प्रति मिनट एक कीमत। व्यवहार में प्रोवाइडर प्रति मिनट, प्रति घंटा या प्रति सेकंड कीमत बताते हैं, बैच और स्ट्रीमिंग को अलग रखते हैं, और डायराइज़ेशन व रिडैक्शन को ऐड-ऑन के रूप में बेचते हैं। यह पेज मुख्य API को एक ही पैमाने पर रखता है, उन कीमतों के साथ जो हमने 14 और 15 नवंबर 2026 को हर आधिकारिक पेज से लीं (नीचे हर स्रोत अपनी तारीख़ बताता है)।
जब तक अलग से न बताया जाए, सभी कीमतें लिस्ट कीमतें हैं, उपयोग के अनुसार भुगतान वाली, अमेरिकी डॉलर में, बैच (प्री-रिकॉर्डेड) ऑडियो के लिए। वॉल्यूम छूट और कॉन्ट्रैक्ट शामिल नहीं हैं।
स्पीच-टू-टेक्स्ट API की कीमत प्रति मिनट और प्रति 1,000 घंटे कितनी है?
| प्रोवाइडर और मॉडल | प्रति मिनट | प्रति घंटा | प्रति 1,000 घंटे |
|---|---|---|---|
| Groq, Whisper Large v3 Turbo | लगभग USD 0.00067 | USD 0.04 | USD 40 |
| DeepSeek ASR, सीमित समय की कीमत (लिस्ट से 50% कम) | लगभग USD 0.00097 | USD 0.058 | USD 58 |
| Soniox, async (प्रति टोकन बिल; प्रति घंटा “लगभग”) | लगभग USD 0.00167 | लगभग USD 0.10 | लगभग USD 100 |
| Groq, Whisper Large v3 | लगभग USD 0.00185 | USD 0.111 | USD 111 |
| DeepSeek ASR, लिस्ट कीमत | लगभग USD 0.00193 | USD 0.116 | USD 116 |
| BroadNet Transcribe (14 भाषाएँ) | $0.002 | $0.12 | $120.00 |
| AssemblyAI, Universal-2 | USD 0.0025 | USD 0.15 | USD 150 |
| OpenAI, gpt-4o-mini-transcribe (डेप्रिकेटेड, 2027-02-26 को बंद) | USD 0.003 | USD 0.18 | USD 180 |
| Google, V2 dynamic batch | USD 0.003 | USD 0.18 | USD 180 |
| AssemblyAI, Universal-3.5 Pro | USD 0.0035 | USD 0.21 | USD 210 |
| Speechmatics, Melia 1 multilingual (56 भाषाएँ) | USD 0.004 | USD 0.24 | USD 240 |
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| Deepgram, Nova-3 monolingual | USD 0.0043 | USD 0.258 | USD 258 |
| OpenAI, gpt-transcribe | USD 0.0045 | USD 0.27 | USD 270 |
| Deepgram, Nova-3 multilingual | USD 0.0052 | USD 0.312 | USD 312 |
| OpenAI, whisper-1 / gpt-4o-transcribe (डेप्रिकेटेड, 2027-02-26 को बंद) | USD 0.006 | USD 0.36 | USD 360 |
| AWS Transcribe, बैच (US East) | USD 0.006 | USD 0.36 | USD 360 |
| Speechmatics, Standard | USD 0.0075 | USD 0.45 | USD 450 |
| Speechmatics, Enhanced | USD 0.0125 | USD 0.75 | USD 750 |
| Google, V2 standard (पहले 500,000 मिनट) | USD 0.016 | USD 0.96 | USD 960 |
प्रति घंटा और प्रति 1,000 घंटे के आँकड़े प्रकाशित यूनिट कीमत से हमारा हिसाब हैं (प्रति मिनट x 60, फिर x 1,000)। Groq, DeepSeek, AssemblyAI और Speechmatics प्रति घंटा कीमत प्रकाशित करते हैं; प्रति मिनट कॉलम के लिए हमने 60 से भाग दिया। DeepSeek का प्राइसिंग पेज उसके स्पीच-टू-टेक्स्ट API को USD 0.116 प्रति घंटा पर सीमित समय की 50% छूट के साथ दिखाता है और कोई अंतिम तारीख़ नहीं देता, इसलिए बजट लिस्ट कीमत पर बनाएँ। Speechmatics की दरें उसकी प्री-रिकॉर्डेड लिस्ट कीमतें हैं; उसका प्राइसिंग पेज इन्हें 33% मॉडल-ट्रेनिंग छूट और 25% तक वॉल्यूम छूट लगाकर भी दिखा सकता है, जिससे Melia 1 लगभग USD 0.12 प्रति घंटा पर आ जाता है। 33% छूट ऑप्ट-इन है, और ऑप्ट-इन करके आप Speechmatics को अपने ऑडियो और ट्रांसक्रिप्ट से उसके मॉडल सुधारने की अनुमति देते हैं (उसका प्राइसिंग FAQ, 2026-11-15 को जाँचा गया)।
Soniox, DeepSeek ASR और Groq के Whisper एंडपॉइंट, तीनों प्रति घंटा BroadNet के दोनों मॉडलों से सस्ते हैं। Soniox का प्राइसिंग पेज, 2026-11-14 को जाँचा गया, प्रति टोकन बिल करता है (async के लिए प्रति 1M इनपुट ऑडियो टोकन USD 1.50 और प्रति 1M आउटपुट टेक्स्ट टोकन USD 3.50) और कहता है कि यह फ़ाइल अपलोड के लिए “about” (अनुवाद: “लगभग”) USD 0.10 प्रति घंटा और रियल-टाइम स्ट्रीमिंग के लिए USD 0.12 प्रति घंटा बनता है। इसकी भाषा सूची में 60 से ज़्यादा भाषाओं में अरबी शामिल है। यह OpenAI के /v1/audio/transcriptions ढाँचे की जगह अपना जॉब-आधारित API इस्तेमाल करता है, इसलिए इस पर जाने का मतलब है नया क्लाइंट कोड।
एक बदलाव जिसकी योजना बनानी होगी: OpenAI का डेप्रिकेशन पेज, 2026-11-15 को जाँचा गया, whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe और gpt-4o-transcribe-diarize को डेप्रिकेटेड बताता है (सूचना 26 अगस्त 2026 को दी गई), जो 26 फ़रवरी 2027 को बंद होंगे, और उनकी जगह gpt-transcribe या gpt-live-transcribe सुझाता है। इसका प्राइसिंग पेज इन्हीं चार मॉडलों को डेप्रिकेटेड चिह्नित करता है। अगर आप आज OpenAI पाइपलाइन की कीमत निकाल रहे हैं, तो उसे USD 0.0045 प्रति मिनट वाले gpt-transcribe पर निकालें। यह प्रति घंटा BroadNet के दोनों मॉडलों से महँगा है, लेकिन OpenAI लाइव ट्रांसक्रिप्शन भी बेचता है (gpt-live-transcribe, USD 0.017 प्रति मिनट), जो BroadNet नहीं देता। यह पेज सिर्फ़ कीमतों की तुलना करता है; अगर आप whisper-1 से हट रहे हैं, तो Whisper API विकल्प गाइड बताती है कि अपने ऑडियो पर नए मॉडल को कैसे टेस्ट करें और स्विच में क्या टूटता है। अपने वॉल्यूम को इन दरों पर चलाने के लिए स्पीच-टू-टेक्स्ट कॉस्ट कैलकुलेटर इस्तेमाल करें।
पूरी तस्वीर के लिए, हमारा खुला स्पीच-टू-टेक्स्ट API प्राइस इंडेक्स 20 से ज़्यादा प्रोडक्ट की बैच और स्ट्रीमिंग कीमतें, बिलिंग इन्क्रीमेंट और अरबी सपोर्ट दिखाता है, हर एक प्रोवाइडर के अपने प्राइसिंग पेज से जाँचा गया (CSV और JSON)।
बेस कीमत में क्या शामिल नहीं होता?
प्रति मिनट की संख्या शायद ही कभी पूरा बिल होती है। तुलना से पहले ये जाँचें:
| चीज़ | पेज क्या कहते हैं |
|---|---|
| स्पीकर डायराइज़ेशन | Deepgram: प्री-रिकॉर्डेड के लिए शामिल, स्ट्रीमिंग के लिए USD 0.0020/मिनट अतिरिक्त। AWS: स्टैंडर्ड कीमत में शामिल। AssemblyAI: +USD 0.02/घंटा। OpenAI: अलग gpt-4o-transcribe-diarize मॉडल, USD 0.006/मिनट, डेप्रिकेटेड और 2027-02-26 को बंद। |
| PII रिडैक्शन | Deepgram: USD 0.0020/मिनट। AWS: USD 0.0024/मिनट (टियर 1)। AssemblyAI: टेक्स्ट रिडैक्शन Universal-2 पर +USD 0.08/घंटा और Universal-3.5 Pro पर +USD 0.12/घंटा; ऑडियो रिडैक्शन +USD 0.05/घंटा। |
| स्ट्रीमिंग | AWS: USD 0.01/मिनट, जबकि बैच USD 0.006। Deepgram Nova-3 monolingual: स्ट्रीमिंग USD 0.0048 (2027-02-13 तक मान्य प्रमोशनल कीमत), जबकि प्री-रिकॉर्डेड USD 0.0043। Speechmatics Melia 1: रियल-टाइम USD 0.40/घंटा, जबकि प्री-रिकॉर्डेड USD 0.24/घंटा। |
| बिलिंग की न्यूनतम सीमा | Groq हर अनुरोध पर कम से कम 10 सेकंड बिल करता है। AWS प्रति सेकंड बिल करता है, बिना न्यूनतम सीमा के। Google हर अनुरोध को अगले सेकंड तक राउंड अप करता है। |
| वॉल्यूम टियर | Google V2 standard हर महीने 500,000 मिनट के बाद USD 0.01/मिनट पर आ जाता है, और 10 लाख से ऊपर और कम। AWS का स्टैंडर्ड बैच और स्ट्रीमिंग अब फ़्लैट दर पर हैं; उसके वॉल्यूम टियर रिडैक्शन जैसे ऐड-ऑन पर लागू होते हैं। |
जिस कॉल सेंटर को डायराइज़ेशन और रिडैक्शन चाहिए, उसके लिए रिडैक्शन के साथ Deepgram Nova-3 प्री-रिकॉर्डेड USD 0.0063 प्रति मिनट हो जाता है, और AWS USD 0.0084। महँगे ऐड-ऑन वाली सस्ती बेस कीमत, ऐड-ऑन शामिल वाली ऊँची बेस कीमत से हार सकती है।
हर महीने 10,000 वॉइस नोट ट्रांसक्राइब करने में कितना ख़र्च आता है?
मान लीजिए किसी सपोर्ट इनबॉक्स में हर महीने 30-30 सेकंड के 10,000 WhatsApp वॉइस नोट आते हैं। यानी 5,000 मिनट।
- USD 0.006 प्रति मिनट पर (AWS बैच, या OpenAI का डेप्रिकेटेड whisper-1): USD 30।
- USD 0.0045 पर (OpenAI gpt-transcribe): USD 22.50।
- USD 0.0043 पर (Deepgram Nova-3): USD 21.50।
- BroadNet Transcribe Arabic पर: $21.00।
यहाँ बिलिंग की न्यूनतम सीमा मायने रखती है। Groq की 10 सेकंड की न्यूनतम सीमा इन 30 सेकंड के नोट का बिल नहीं बदलती, लेकिन दो सेकंड के “ok” नोट को वह 10 सेकंड के रूप में बिल करती है। 15 सेकंड की न्यूनतम सीमा होने पर वही दो सेकंड का नोट 15 सेकंड वाले नोट जितना पड़ता है। वॉइस नोट के पूरे वर्कफ़्लो के लिए बिज़नेस के लिए वॉइस नोट से टेक्स्ट देखें।
कीमत के अलावा और क्या मायने रखता है?
जो सस्ता मॉडल हर 5 में से 1 शब्द ग़लत करता है, वह इंसानी सुधार में जितना बचाता है उससे ज़्यादा ख़र्च करवाता है। स्विच करने से पहले हर भाषा की अपनी 30 से 50 रिकॉर्डिंग पर वर्ड एरर रेट मापें। हमारी Whisper विकल्प गाइड दिखाती है कि यह टेस्ट एक दोपहर में कैसे करें, और अरबी स्पीच-टू-टेक्स्ट ख़रीदार गाइड बोली-दर-बोली स्कोरिंग समझाती है।
कीमत के अलावा दूसरे सवाल:
- भाषाएँ। BroadNet Transcribe 14 भाषाएँ कवर करता है (पूरी सूची); OpenAI कहता है कि Whisper (डेप्रिकेटेड
whisper-1) 98 भाषाएँ अलग-अलग सटीकता के साथ सपोर्ट करता है। - फ़ाइल सीमाएँ। OpenAI अपलोड को 25 MB पर और BroadNet 25 MiB पर सीमित करता है, इसलिए लंबी कॉल को टुकड़ों में बाँटें।
- रिटेंशन। ऑडियो अक्सर टेक्स्ट से ज़्यादा संवेदनशील होता है। पूछें कि ऑडियो और ट्रांसक्रिप्ट स्टोर होते हैं या नहीं; देखें LLM API डेटा रिटेंशन की तुलना।
BroadNet Transcribe कहाँ फ़िट बैठता है
BroadNet Transcribe की कीमत $0.002 प्रति मिनट ($0.12 प्रति घंटा) है, 14 भाषाओं में: अंग्रेज़ी, स्पेनिश, फ़्रेंच, जर्मन, इतालवी, पुर्तगाली, ग्रीक, डच, पोलिश, चीनी, जापानी, कोरियाई, वियतनामी और अरबी। BroadNet Transcribe Arabic $0.0042 प्रति मिनट का है और अरबी बोलियों के लिए बनाया गया है; BroadNet के अनुसार यह Open Universal Arabic ASR Leaderboard पर 37 में से #2 (यह सितंबर 2026 का आंकड़ा है; 15 नवंबर 2026 को लाइव लीडरबोर्ड पर यह 39 में से #4 था) है। दोनों OpenAI-compatible /v1/audio/transcriptions एंडपॉइंट इस्तेमाल करते हैं, 25 MiB तक WAV या MP3 लेते हैं, और न ऑडियो रखते हैं न ट्रांसक्रिप्ट (ज़ीरो डेटा रिटेंशन)। $5 का शुरुआती क्रेडिट लगभग 1,190 मिनट का अरबी ऑडियो कवर करता है; अपनी फ़ाइलें टेस्ट करने के लिए key बनाएँ।
यह कहाँ फ़िट नहीं बैठता: BroadNet स्ट्रीमिंग ट्रांसक्रिप्शन, बिल्ट-इन डायराइज़ेशन या रिडैक्शन ऐड-ऑन सूचीबद्ध नहीं करता। अगर आपको API से ही लाइव कैप्शन या स्पीकर लेबल चाहिए, तो Deepgram, AssemblyAI और AWS दोनों देते हैं। OpenAI लाइव ट्रांसक्रिप्शन देता है, लेकिन उसका अकेला स्पीकर-लेबलिंग मॉडल डेप्रिकेटेड है। BroadNet के दोनों मॉडलों की आमने-सामने तुलना तुलना पेज पर करें, या सभी कीमतें प्राइसिंग पर देखें।
