BroadRouter

So sánh giá API chuyển giọng nói thành văn bản: giá mỗi phút năm 2026

Đội ngũ BroadNet Inference · 7 phút đọc · Đăng ngày · Cập nhật

Vào tháng 11 năm 2026, API chuyển giọng nói thành văn bản dạng batch có giá niêm yết khoảng USD 0.0007 đến 0.016 mỗi phút âm thanh. Deepgram Nova-3 thu USD 0.0043, gpt-transcribe hiện tại của OpenAI USD 0.0045, AWS Transcribe USD 0.006 và Google V2 standard USD 0.016. BroadNet Transcribe có giá $0.002 mỗi phút cho 14 ngôn ngữ, còn BroadNet Transcribe Arabic là $0.0042.

Giá chuyển giọng nói thành văn bản trông có vẻ đơn giản: một mức giá cho mỗi phút âm thanh. Trên thực tế, các nhà cung cấp báo giá theo phút, theo giờ hoặc theo giây, tách batch khỏi streaming, và bán phân tách người nói cùng ẩn thông tin dưới dạng phụ phí. Trang này đặt các API chính lên cùng một thang đo, dùng giá chúng tôi lấy từ trang chính thức của từng bên vào ngày 14 và 15 tháng 11 năm 2026 (ngày của từng nguồn ghi ở phần nguồn bên dưới).

Mọi mức giá là giá niêm yết, trả theo mức dùng, tính bằng đô la Mỹ, cho âm thanh batch (ghi sẵn) trừ khi có ghi chú. Không bao gồm chiết khấu khối lượng và hợp đồng.

API chuyển giọng nói thành văn bản giá bao nhiêu mỗi phút và mỗi 1.000 giờ?

Nhà cung cấp và model Mỗi phút Mỗi giờ Mỗi 1.000 giờ
Groq, Whisper Large v3 Turbo khoảng USD 0.00067 USD 0.04 USD 40
DeepSeek ASR, giá có thời hạn (giảm 50% so với giá niêm yết) khoảng USD 0.00097 USD 0.058 USD 58
Soniox, async (tính theo token; mỗi giờ là “khoảng”) khoảng USD 0.00167 khoảng USD 0.10 khoảng USD 100
Groq, Whisper Large v3 khoảng USD 0.00185 USD 0.111 USD 111
DeepSeek ASR, giá niêm yết khoảng USD 0.00193 USD 0.116 USD 116
BroadNet Transcribe (14 ngôn ngữ) $0.002 $0.12 $120.00
AssemblyAI, Universal-2 USD 0.0025 USD 0.15 USD 150
OpenAI, gpt-4o-mini-transcribe (ngừng hỗ trợ, tắt ngày 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 multilingual (56 ngôn ngữ) 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 (ngừng hỗ trợ, tắt ngày 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 phút đầu) USD 0.016 USD 0.96 USD 960

Số liệu mỗi giờ và mỗi 1.000 giờ là phép tính của chúng tôi từ đơn giá đã công bố (mỗi phút x 60, rồi x 1.000). Groq, DeepSeek, AssemblyAI và Speechmatics công bố giá theo giờ; chúng tôi chia cho 60 để có cột mỗi phút. Trang giá của DeepSeek niêm yết API chuyển giọng nói thành văn bản ở mức USD 0.116 mỗi giờ kèm giảm giá 50% có thời hạn và không nêu ngày kết thúc, nên hãy lập ngân sách theo giá niêm yết. Giá Speechmatics là giá niêm yết cho âm thanh ghi sẵn; trang giá của họ cũng có thể hiển thị giá đã áp dụng chiết khấu 33% khi đồng ý cho huấn luyện model và chiết khấu khối lượng đến 25%, đưa Melia 1 xuống khoảng USD 0.12 mỗi giờ. Chiết khấu 33% là tùy chọn tham gia, và khi tham gia, bạn cho phép Speechmatics dùng âm thanh và bản chép lời của bạn để cải thiện model (FAQ trên trang giá của họ, kiểm tra ngày 2026-11-15).

Soniox, DeepSeek ASR và các endpoint Whisper của Groq đều rẻ hơn tính theo giờ so với cả hai model của BroadNet. Trang giá của Soniox, kiểm tra ngày 2026-11-14, tính phí theo token (với async là USD 1.50 cho 1 triệu token âm thanh đầu vào và USD 3.50 cho 1 triệu token văn bản đầu ra) và cho biết mức này là “khoảng” USD 0.10 mỗi giờ khi tải tệp lên và USD 0.12 mỗi giờ khi streaming thời gian thực. Danh sách ngôn ngữ của Soniox có tiếng Ả Rập trong số hơn 60 ngôn ngữ. Soniox dùng API riêng dựa trên job thay vì cấu trúc /v1/audio/transcriptions của OpenAI, nên chuyển sang đó nghĩa là phải viết code client mới.

Một thay đổi cần lên kế hoạch: trang thông báo ngừng hỗ trợ của OpenAI, kiểm tra ngày 2026-11-15, liệt kê whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe và gpt-4o-transcribe-diarize là đã ngừng hỗ trợ (thông báo ngày 26 tháng 8 năm 2026), sẽ tắt vào ngày 26 tháng 2 năm 2027, với gpt-transcribe hoặc gpt-live-transcribe là model thay thế. Trang giá của họ cũng đánh dấu bốn model này là ngừng hỗ trợ. Nếu hôm nay bạn tính giá cho một pipeline OpenAI, hãy tính theo gpt-transcribe với USD 0.0045 mỗi phút. Mức đó cao hơn tính theo giờ so với cả hai model của BroadNet, nhưng OpenAI còn bán chép lời trực tiếp (gpt-live-transcribe, USD 0.017 mỗi phút), thứ mà BroadNet không có. Trang này chỉ so sánh giá; nếu bạn đang rời khỏi whisper-1, hướng dẫn thay thế Whisper API trình bày cách thử model thay thế trên âm thanh của chính bạn và những gì bị hỏng khi chuyển. Để áp khối lượng của bạn vào các mức giá này, hãy dùng công cụ tính chi phí chuyển giọng nói thành văn bản.

Để có bức tranh đầy đủ, chỉ số giá API chuyển giọng nói thành văn bản mở của chúng tôi liệt kê giá batch và streaming, bước tính phí và hỗ trợ tiếng Ả Rập của hơn 20 sản phẩm, mỗi mục được đối chiếu với trang giá của chính nhà cung cấp (CSV và JSON).

Giá cơ bản bỏ sót những gì?

Con số mỗi phút hiếm khi là toàn bộ hóa đơn. Hãy kiểm tra những mục sau trước khi so sánh:

Mục Các trang giá ghi gì
Phân tách người nói Deepgram: đã bao gồm cho âm thanh ghi sẵn, thêm USD 0.0020/phút cho streaming. AWS: đã bao gồm trong giá chuẩn. AssemblyAI: +USD 0.02/giờ. OpenAI: model riêng gpt-4o-transcribe-diarize giá USD 0.006/phút, đã ngừng hỗ trợ và sẽ tắt ngày 2027-02-26.
Ẩn thông tin cá nhân (PII) Deepgram: USD 0.0020/phút. AWS: USD 0.0024/phút (bậc 1). AssemblyAI: ẩn trong văn bản +USD 0.08/giờ với Universal-2 và +USD 0.12/giờ với Universal-3.5 Pro; ẩn trong âm thanh +USD 0.05/giờ.
Streaming AWS: USD 0.01/phút so với USD 0.006 cho batch. Deepgram Nova-3 monolingual: USD 0.0048 cho streaming (giá khuyến mãi có hiệu lực đến 2027-02-13) so với USD 0.0043 cho âm thanh ghi sẵn. Speechmatics Melia 1: USD 0.40/giờ thời gian thực so với USD 0.24/giờ ghi sẵn.
Mức tính phí tối thiểu Groq tính tối thiểu 10 giây mỗi request. AWS tính theo giây, không có mức tối thiểu. Google làm tròn mỗi request lên giây kế tiếp.
Bậc khối lượng Google V2 standard giảm xuống USD 0.01/phút sau 500.000 phút mỗi tháng, và thấp hơn nữa trên 1 triệu phút. Batch và streaming chuẩn của AWS nay là giá cố định; các bậc khối lượng của họ áp dụng cho phụ phí như ẩn thông tin.

Với một tổng đài cần phân tách người nói và ẩn thông tin, Deepgram Nova-3 cho âm thanh ghi sẵn thành USD 0.0063 mỗi phút khi có ẩn thông tin, còn AWS thành USD 0.0084. Giá cơ bản rẻ đi kèm phụ phí đắt có thể thua giá cơ bản cao hơn nhưng đã bao gồm các tính năng đó.

Chép lời 10.000 tin nhắn thoại mỗi tháng tốn bao nhiêu?

Giả sử hộp thư hỗ trợ nhận 10.000 tin nhắn thoại WhatsApp mỗi tháng, mỗi tin 30 giây. Tổng cộng là 5.000 phút.

  • Với USD 0.006 mỗi phút (AWS batch, hoặc whisper-1 đã ngừng hỗ trợ của OpenAI): USD 30.
  • Với USD 0.0045 (OpenAI gpt-transcribe): USD 22.50.
  • Với USD 0.0043 (Deepgram Nova-3): USD 21.50.
  • Trên BroadNet Transcribe Arabic: $21.00.

Mức tính phí tối thiểu quan trọng ở đây. Mức tối thiểu 10 giây của Groq không làm thay đổi chi phí của các tin 30 giây trong ví dụ này, nhưng một tin “ok” dài hai giây sẽ bị tính như 10 giây. Với mức tối thiểu 15 giây, tin hai giây đó tốn bằng một tin dài 15 giây. Để xem toàn bộ quy trình xử lý tin nhắn thoại, hãy đọc chuyển tin nhắn thoại thành văn bản cho doanh nghiệp.

Ngoài giá còn điều gì quan trọng?

Một model rẻ hơn nhưng sai 1 trên 5 từ sẽ tốn chi phí sửa thủ công nhiều hơn số tiền nó tiết kiệm. Trước khi chuyển, hãy đo tỷ lệ lỗi từ trên 30 đến 50 bản ghi âm của chính bạn cho mỗi ngôn ngữ. Hướng dẫn thay thế Whisper của chúng tôi chỉ cách chạy phép thử đó trong một buổi chiều, và hướng dẫn chọn mua API chuyển giọng nói tiếng Ả Rập thành văn bản trình bày cách chấm điểm theo từng phương ngữ.

Các câu hỏi khác ngoài giá:

  • Ngôn ngữ. BroadNet Transcribe hỗ trợ 14 ngôn ngữ (danh sách đầy đủ); OpenAI cho biết Whisper (bản whisper-1 đã ngừng hỗ trợ) hỗ trợ 98 ngôn ngữ với độ chính xác khác nhau.
  • Giới hạn tệp. OpenAI giới hạn tệp tải lên ở 25 MB và BroadNet ở 25 MiB, nên hãy chia nhỏ các cuộc gọi dài.
  • Lưu giữ. Âm thanh thường nhạy cảm hơn văn bản. Hãy hỏi xem âm thanh và bản chép lời có được lưu lại không; xem so sánh chính sách lưu giữ dữ liệu của các API LLM.

BroadNet Transcribe phù hợp với ai?

BroadNet Transcribe có giá $0.002 mỗi phút ($0.12 mỗi giờ) cho 14 ngôn ngữ: tiếng Anh, Tây Ban Nha, Pháp, Đức, Ý, Bồ Đào Nha, Hy Lạp, Hà Lan, Ba Lan, Trung, Nhật, Hàn, Việt và Ả Rập. BroadNet Transcribe Arabic có giá $0.0042 mỗi phút và được xây dựng cho các phương ngữ tiếng Ả Rập; BroadNet báo cáo model này đứng thứ 2/37 (số liệu tháng 9 năm 2026; bảng xếp hạng trực tiếp ngày 15 tháng 11, 2026 ghi nhận thứ 4/39) trên Open Universal Arabic ASR Leaderboard. Cả hai đều dùng endpoint /v1/audio/transcriptions tương thích OpenAI, nhận WAV hoặc MP3 tối đa 25 MiB, và không lưu giữ âm thanh hay bản chép lời (không lưu giữ dữ liệu). Tín dụng ban đầu $5 đủ cho khoảng 1,190 phút âm thanh tiếng Ả Rập; hãy tạo key để thử với tệp của chính bạn.

Trường hợp không phù hợp: BroadNet không liệt kê chép lời streaming, phân tách người nói tích hợp hay phụ phí ẩn thông tin. Nếu bạn cần phụ đề trực tiếp hoặc nhãn người nói ngay từ API, Deepgram, AssemblyAI và AWS có cả hai. OpenAI có chép lời trực tiếp, nhưng model gắn nhãn người nói duy nhất của họ đã ngừng hỗ trợ. So sánh hai model của BroadNet cạnh nhau trên trang so sánh, hoặc xem mọi mức giá trên trang bảng giá.

Câu hỏi thường gặp

API chuyển giọng nói thành văn bản nào rẻ nhất?

Vào tháng 11 năm 2026, Whisper Large v3 Turbo của Groq với USD 0.04 mỗi giờ là thấp nhất trong bảng của chúng tôi. Kế đến là DeepSeek ASR với USD 0.058 mỗi giờ, nhưng chỉ trong thời gian giảm giá 50% có hạn (không nêu ngày kết thúc). Sau đó là Soniox với khoảng USD 0.10 mỗi giờ (async), Groq Whisper Large v3 với USD 0.111, DeepSeek ASR theo giá niêm yết USD 0.116 và BroadNet Transcribe với $0.12 mỗi giờ. Độ chính xác trên âm thanh của bạn mới quyết định giá rẻ có đủ tốt hay không.

Whisper API của OpenAI giá bao nhiêu mỗi phút?

OpenAI niêm yết whisper-1 ở mức USD 0.006 mỗi phút, bằng với gpt-4o-transcribe; gpt-4o-mini-transcribe là USD 0.003. Cả ba đều được đánh dấu ngừng hỗ trợ trên trang giá, và trang thông báo ngừng hỗ trợ cho biết chúng sẽ tắt vào ngày 26 tháng 2 năm 2027. Model thay thế được khuyến nghị, gpt-transcribe, có giá USD 0.0045 mỗi phút (USD 0.27 mỗi giờ). Kiểm tra ngày 2026-11-15.

Chép lời 1.000 giờ âm thanh tốn bao nhiêu?

Nhân giá mỗi phút với 60.000. Với USD 0.006 mỗi phút, con số là USD 360. Với BroadNet Transcribe Arabic là $252.00.

Phân tách người nói (diarization) có nằm trong giá không?

Tùy nhà cung cấp. Deepgram bao gồm cho âm thanh ghi sẵn và AWS bao gồm trong giá chuẩn, AssemblyAI tính thêm theo giờ, còn model phân tách người nói duy nhất của OpenAI là gpt-4o-transcribe-diarize đã bị ngừng hỗ trợ và sẽ tắt vào ngày 26 tháng 2 năm 2027. Hãy kiểm tra trước khi so sánh giá cơ bản.

Chép lời streaming có đắt hơn batch không?

Thường là có. AWS niêm yết USD 0.006 mỗi phút cho batch và USD 0.01 cho streaming, còn Deepgram tính giá Nova-3 streaming cao hơn âm thanh ghi sẵn.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity