Harga speech-to-text terlihat sederhana: harga per menit audio. Dalam praktiknya, penyedia memasang harga per menit, per jam, atau per detik, memisahkan batch dari streaming, dan menjual diarization serta redaksi sebagai add-on. Halaman ini menaruh API utama dalam satu skala, memakai harga yang kami ambil dari halaman resmi masing-masing pada 14 dan 15 November 2026 (setiap sumber di bawah mencantumkan tanggalnya).
Semua harga adalah harga daftar bayar sesuai pemakaian dalam dolar AS, untuk audio batch (rekaman), kecuali disebutkan lain. Diskon volume dan kontrak tidak termasuk.
Berapa harga API speech-to-text per menit dan per 1.000 jam?
| Penyedia dan model | Per menit | Per jam | Per 1.000 jam |
|---|---|---|---|
| Groq, Whisper Large v3 Turbo | sekitar USD 0,00067 | USD 0,04 | USD 40 |
| DeepSeek ASR, harga terbatas (50% di bawah harga daftar) | sekitar USD 0,00097 | USD 0,058 | USD 58 |
| Soniox, async (ditagih per token; per jam “about”, yaitu sekitar) | sekitar USD 0,00167 | sekitar USD 0,10 | sekitar USD 100 |
| Groq, Whisper Large v3 | sekitar USD 0,00185 | USD 0,111 | USD 111 |
| DeepSeek ASR, harga daftar | sekitar USD 0,00193 | USD 0,116 | USD 116 |
| BroadNet Transcribe (14 bahasa) | $0.002 | $0.12 | $120.00 |
| AssemblyAI, Universal-2 | USD 0,0025 | USD 0,15 | USD 150 |
| OpenAI, gpt-4o-mini-transcribe (deprecated, dihentikan 2027-02-26) | 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 multibahasa (56 bahasa) | USD 0,004 | USD 0,24 | USD 240 |
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| Deepgram, Nova-3 satu bahasa | USD 0,0043 | USD 0,258 | USD 258 |
| OpenAI, gpt-transcribe | USD 0,0045 | USD 0,27 | USD 270 |
| Deepgram, Nova-3 multibahasa | USD 0,0052 | USD 0,312 | USD 312 |
| OpenAI, whisper-1 / gpt-4o-transcribe (deprecated, dihentikan 2027-02-26) | USD 0,006 | USD 0,36 | USD 360 |
| AWS Transcribe, batch (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 (500.000 menit pertama) | USD 0,016 | USD 0,96 | USD 960 |
Angka per jam dan per 1.000 jam adalah hitungan kami dari harga satuan yang dipublikasikan (per menit × 60, lalu × 1.000). Groq, DeepSeek, AssemblyAI, dan Speechmatics memublikasikan harga per jam; kami membaginya dengan 60 untuk kolom per menit. Halaman harga DeepSeek mencantumkan API speech-to-text-nya seharga USD 0,116 per jam dengan diskon terbatas 50% tanpa tanggal berakhir, jadi susun anggaran berdasarkan harga daftar. Tarif Speechmatics adalah harga daftar untuk audio rekaman; halaman harganya juga bisa menampilkan tarif itu setelah diskon pelatihan model 33% dan diskon volume hingga 25%, yang menurunkan Melia 1 menjadi sekitar USD 0,12 per jam. Diskon 33% itu bersifat opt-in, dan dengan ikut serta Anda mengizinkan Speechmatics memakai audio dan transkrip Anda untuk meningkatkan modelnya (FAQ halaman harganya, dicek 2026-11-15).
Soniox, DeepSeek ASR, dan endpoint Whisper Groq semuanya lebih murah per jam daripada kedua model BroadNet. Halaman harga Soniox, dicek 2026-11-14, menagih per token (USD 1,50 per 1 juta token audio input dan USD 3,50 per 1 juta token teks output untuk async) dan menyebut itu “about” (Terjemahan BroadRouter: “sekitar”) USD 0,10 per jam untuk unggahan file dan USD 0,12 per jam untuk streaming real-time. Daftar bahasanya mencakup bahasa Arab di antara lebih dari 60 bahasa. Soniox memakai API berbasis job miliknya sendiri, bukan bentuk /v1/audio/transcriptions OpenAI, jadi pindah ke sana berarti menulis kode klien baru.
Satu perubahan yang perlu direncanakan: halaman deprecations OpenAI, dicek 2026-11-15, mencantumkan whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe, dan gpt-4o-transcribe-diarize sebagai deprecated (pemberitahuan 26 Agustus 2026), dihentikan pada 26 Februari 2027, dengan gpt-transcribe atau gpt-live-transcribe sebagai pengganti. Halaman harganya menandai keempat model yang sama sebagai deprecated. Jika Anda menghitung harga pipeline OpenAI hari ini, hitung dengan gpt-transcribe seharga USD 0,0045 per menit. Itu lebih mahal per jam daripada kedua model BroadNet, tetapi OpenAI juga menjual transkripsi live (gpt-live-transcribe, USD 0,017 per menit), yang tidak disediakan BroadNet. Halaman ini hanya membandingkan harga; jika Anda beralih dari whisper-1, panduan alternatif API Whisper membahas cara menguji pengganti pada audio Anda sendiri dan apa yang rusak saat pindah. Untuk menghitung volume Anda sendiri dengan tarif ini, gunakan kalkulator biaya speech-to-text.
Untuk gambaran lengkap, indeks harga API speech-to-text terbuka kami mencantumkan harga batch dan streaming, kelipatan penagihan, dan dukungan bahasa Arab untuk lebih dari 20 produk, masing-masing dicek dengan halaman harga resmi penyedia (CSV dan JSON).
Apa saja yang tidak termasuk dalam harga dasar?
Angka per menit jarang mewakili seluruh tagihan. Cek hal-hal berikut sebelum membandingkan:
| Item | Yang tertulis di halaman resmi |
|---|---|
| Speaker diarization | Deepgram: sudah termasuk untuk audio rekaman, tambahan USD 0,0020/menit untuk streaming. AWS: termasuk dalam harga standar. AssemblyAI: +USD 0,02/jam. OpenAI: model terpisah gpt-4o-transcribe-diarize seharga USD 0,006/menit, deprecated dan dihentikan 2027-02-26. |
| Redaksi PII | Deepgram: USD 0,0020/menit. AWS: USD 0,0024/menit (tier 1). AssemblyAI: redaksi teks +USD 0,08/jam di Universal-2 dan +USD 0,12/jam di Universal-3.5 Pro; redaksi audio +USD 0,05/jam. |
| Streaming | AWS: USD 0,01/menit vs USD 0,006 untuk batch. Deepgram Nova-3 satu bahasa: USD 0,0048 untuk streaming (harga promo yang berlaku sampai 2027-02-13) vs USD 0,0043 untuk audio rekaman. Speechmatics Melia 1: USD 0,40/jam real-time vs USD 0,24/jam untuk audio rekaman. |
| Tagihan minimum | Groq menagih minimal 10 detik per permintaan. AWS menagih per detik tanpa minimum. Google membulatkan setiap permintaan ke atas ke detik berikutnya. |
| Tier volume | Google V2 standard turun ke USD 0,01/menit setelah 500.000 menit per bulan, dan lebih rendah lagi di atas 1 juta. Batch dan streaming standar AWS kini bertarif tetap; tier volumenya berlaku untuk add-on seperti redaksi. |
Untuk call center yang membutuhkan diarization dan redaksi, Deepgram Nova-3 untuk audio rekaman menjadi USD 0,0063 per menit dengan redaksi, dan AWS menjadi USD 0,0084. Harga dasar yang murah dengan add-on mahal bisa kalah dari harga dasar yang lebih tinggi dengan add-on yang sudah termasuk.
Berapa biaya mentranskripsi 10.000 pesan suara per bulan?
Misalnya kotak masuk layanan pelanggan menerima 10.000 pesan suara WhatsApp per bulan, masing-masing 30 detik. Totalnya 5.000 menit.
- Dengan USD 0,006 per menit (AWS batch, atau whisper-1 OpenAI yang sudah deprecated): USD 30.
- Dengan USD 0,0045 (OpenAI gpt-transcribe): USD 22,50.
- Dengan USD 0,0043 (Deepgram Nova-3): USD 21,50.
- Dengan BroadNet Transcribe Arabic: $21.00.
Tagihan minimum berpengaruh di sini. Minimum 10 detik dari Groq tidak mengubah tagihan untuk pesan 30 detik ini, tetapi pesan “ok” berdurasi dua detik tetap ditagih 10 detik. Dengan minimum 15 detik, pesan dua detik itu berbiaya sama dengan pesan 15 detik. Untuk alur kerja pesan suara lengkap, lihat mengubah pesan suara menjadi teks untuk bisnis.
Apa yang penting selain harga?
Model murah yang salah 1 dari 5 kata menelan biaya koreksi manusia yang lebih besar daripada penghematannya. Sebelum berpindah, ukur word error rate pada 30 sampai 50 rekaman Anda sendiri per bahasa. Panduan alternatif Whisper kami menunjukkan cara menjalankan tes itu dalam satu sore, dan panduan memilih API speech-to-text bahasa Arab membahas penilaian per dialek.
Pertanyaan lain di luar harga:
- Bahasa. BroadNet Transcribe mencakup 14 bahasa (daftar lengkap); OpenAI menyebut Whisper (
whisper-1yang sudah deprecated) mendukung 98 bahasa dengan akurasi yang bervariasi. - Batas file. OpenAI membatasi unggahan 25 MB dan BroadNet 25 MiB, jadi pecah panggilan yang panjang.
- Retensi. Audio sering lebih sensitif daripada teks. Tanyakan apakah audio dan transkrip disimpan; lihat perbandingan retensi data API LLM.
Posisi BroadNet Transcribe
BroadNet Transcribe berharga $0.002 per menit ($0.12 per jam) untuk 14 bahasa: Inggris, Spanyol, Prancis, Jerman, Italia, Portugis, Yunani, Belanda, Polandia, Mandarin, Jepang, Korea, Vietnam, dan Arab. BroadNet Transcribe Arabic berharga $0.0042 per menit dan dibuat untuk dialek bahasa Arab; BroadNet melaporkan model ini berada di peringkat #2 dari 37 (angka September 2026; papan peringkat langsung mencantumkannya di #4 dari 39 pada 15 November 2026) di Open Universal Arabic ASR Leaderboard. Keduanya memakai endpoint /v1/audio/transcriptions yang kompatibel dengan OpenAI, menerima WAV atau MP3 hingga 25 MiB, dan tidak menyimpan audio maupun transkrip (zero data retention). Kredit awal $5 cukup untuk sekitar 1,190 menit audio bahasa Arab; buat kunci untuk menguji file Anda sendiri.
Kapan tidak cocok: BroadNet tidak mencantumkan transkripsi streaming, diarization bawaan, atau add-on redaksi. Jika Anda butuh teks langsung (live caption) atau label pembicara langsung dari API, Deepgram, AssemblyAI, dan AWS menyediakan keduanya. OpenAI menyediakan transkripsi live, tetapi satu-satunya model pelabelan pembicaranya sudah deprecated. Bandingkan kedua model BroadNet secara berdampingan di halaman perbandingan, atau lihat semua harga di halaman harga.
