AI 语音转写工具价格对比：按分钟还是按 token，成本差在哪

语音转写的定价看上去很整齐——大部分厂商都写「多少钱一分钟」。但真正把几家的报价放进同一张表里，你会发现两个坑：有的厂商写的是分钟价，有的写的是 token 价，而 token 价折算出来的分钟数取决于你的音频长什么样。

更麻烦的是，同一家厂商内部可能同时用两套计价方式。OpenAI 就是这样：gpt-transcribe 按音频时长收费，gpt-4o-transcribe 按 token 收费，两个模型都能用，价格差不到一倍，但计费逻辑完全不同。

这篇的做法和前几篇一样：把所有单位统一折算成「每小时音频的转写成本」，然后专门拆开 token 计费里那几个被隐藏的变量。数据于 2026 年 9 月 24 日重新核对各厂商官方定价页与官方文档。

本文方法：官方公开数据交叉核对，未做本地实测。所有数字均标注来源，核对日期见文末。

一、每小时音频的转写成本全表

先把能直接折算的报价统一成美元 / 小时。凡是按分钟报价的，乘 60；凡是官方已经给出每小时价的，直接引用。

几个必须先说清的口径问题。

「按 token」那一列的小时价全部是官方估算，不是精确值。OpenAI 定价页给 gpt-4o-transcribe 的标注是「Estimated cost $0.006 / minute」，gpt-4o-mini-transcribe 是「$0.003 / minute」；Google 定价页给 Gemini 3.5 Transcribe 的有效费率是「约 $0.005/分钟」。这三家都用了「约」「Estimated」这类词，因为它们自己也知道这个数取决于音频内容。

最后两行不是转写，是翻译。OpenAI 的 gpt-realtime-translate 和 Google 的 Gemini 3.5 Live Translate 做的是语音到语音的实时翻译，输出的音频本身就要按 token 计费（Google 的输出音频是 $21/百万 token），所以成本天然比纯转写高一个量级。把它们放进这张表是为了说明「同一份音频，加上翻译这个动作之后成本会跳到什么位置」，不适合和纯转写直接比价。

去掉翻译之后，纯转写的区间是 $0.15（AssemblyAI Universal-2）到 $1.02（OpenAI gpt-live-transcribe），差 6.8 倍。加上实时翻译，区间拉到 $0.15 到 $2.21，差 14.7 倍。

二、同一家厂商的两套账：按分钟 vs 按 token

这张表里最值得注意的不是价差，而是OpenAI 同时用了两种计费方式：

• gpt-transcribe：官方模型页的计费项叫「Transcription audio duration / Per minute」，价格 $0.0045。按音频时长收费，和音频内容无关。
• gpt-4o-transcribe：官方模型页的计费项叫「Audio tokens / Per 1M tokens」，输入 $2.50、输出 $10.00。按 token 收费，和音频内容高度相关。

两种方式对同一个小时的音频，结果可能不一样。按分钟计费是确定的——一小时就是一小时，$0.0045 × 60 = $0.27。而按 token 计费的结果取决于音频里有多少信息：语速越快、内容越密、要输出的格式越复杂（比如词级时间戳），token 数就越多。

Google 的定价页把这件事说得比 OpenAI 更透。它在 Gemini 3.5 Transcribe 的计费说明里明确写了估算依据：

把这两个前提代进去，可以完整复现官方的 $0.005：

音频输入 = 25 token/秒 × 60 秒 = 1,500 token → 1,500 × $2.00/百万 = $0.0030

文本输出 = 175 token → 175 × $12.00/百万 = $0.0021

合计 = $0.0051 / 分钟 ≈ $0.005

复现出来之后，那个隐藏的风险就露出来了：输出 token 的单价是音频 token 单价的 6 倍（$12 对 $2）。这意味着文本侧的任何增长，都会以 6 倍的杠杆放大到账单上。而「每分钟 175 个 token」这个假设，官方并没有说明它对应的是哪种语言、哪种语速、以及是否包含时间戳。

用同样的方法反推 OpenAI：官方给 gpt-4o-transcribe 的估算是 $0.006/分钟，音频输入 $2.50/百万、输出 $10.00/百万。如果音频侧也按 25 token/秒（1,500 token/分钟）计，音频部分成本是 1,500 × $2.50/百万 = $0.00375；剩下的 $0.00225 由输出贡献，按 $10.00/百万折算，对应约 225 个输出 token / 分钟。

这个反推结果本身就说明了一件事：两家的「官方估算」背后，隐含的输出 token 密度是不一样的（Google 约 175、OpenAI 约 225）。你在比价时看到的两个「每分钟价格」，其实是在两个不同的假设下算出来的。这也是为什么同一段音频在不同厂商那里，实际账单的相对顺序可能和报价表的顺序不同。

三、token 计费下的三个放大器

下面这张表把 Google Gemini 3.5 Transcribe 的成本拆成音频侧和文本侧，然后让文本侧的 token 密度从 175 开始翻倍。这是理解「按 token 计费」最直接的方式：

输出 token 涨到 4 倍，每小时成本从 $0.306 涨到 $0.684，也就是 2.24 倍。这个杠杆之所以存在，就是因为输出单价是音频单价的 6 倍。

那什么情况下输出 token 会涨？官方没有逐条列出来，但从计费结构可以推出三类：

• 语速。同样的 10 分钟音频，正常语速和播报语速的信息量完全不同，转写出来的文字量也不同。按分钟计费时这部分成本为零，按 token 计费时它直接进账单。
• 语言。官方公布的「每分钟 175 个 token」没有标注对应语言。不同语言的 token 化效率不一样，同一个意思用中文表达和用英文表达，token 数通常不等。对中文音频做预算时，直接用英文基准去估是有偏差的。
• 是否要时间戳。Google 在 Gemini 3.5 Transcribe 的能力说明里列出「词级时间戳（word-level timestamps）」；Gemini 3.5 Transcribe Live 的输出侧说明也提到按每分钟 175 个文本 token 估算。时间戳是以文本形式输出的，每一个词的时间码都会变成额外的输出 token。这是最容易被忽略的一项，因为它在功能列表里看起来只是一个开关。

把这三个变量叠在一起，同一小时的音频在按 token 计费下的实际成本，可以轻易偏离官方估算值 1 倍以上。而在按分钟计费的厂商那里，这三个变量对账单完全没有影响——你买到的是「按时间算的确定性」，代价是失去了「音频简单时更便宜」的可能。

图里最明显的结构是前七项挤在左侧的一小段里，从 $0.15 到 $0.39，而最后两项直接跳到 $1.02 和 $2.21。这个断层不是定价策略造成的，而是产品形态造成的——前七项做的是「把音频变成文字」，后两项做的是「实时地把语音翻译成另一种语言的语音」，后者的输出是音频，成本结构完全不同。

四、附加功能：藏在主表之外的第二张账单

前面所有的数字都是「基础转写」的价格。但在真实项目里，你往往还需要说话人分离、敏感信息脱敏、专有名词增强这些功能，而这些功能在大多数厂商那里是单独计费的。

Deepgram 的定价页把这件事列得最清楚。以预录模式下的 Nova-3 Monolingual 为例：

基础价 $0.0043/分钟，三项付费功能全开后是 $0.0093/分钟，涨了 116%。注意说话人分离在预录模式下是包含的，但在流式模式下要额外收 $0.0020/分钟——同一个功能，两种模式下的计费口径不同。

ElevenLabs 的结构类似但更简单：Scribe v2 基础价 $0.22/小时，Entity detection 加 $0.070/小时，Keyterm prompting 加 $0.050/小时，两项全开是 $0.34/小时，涨 54.5%。

这里有一个跨厂商的对比值得记下来：Deepgram 把说话人分离包含在预录基础价里，而很多厂商把它算作附加项。如果你的项目必须要说话人分离，那么「基础价最低」的那个选项不一定是最便宜的选项——要比的是「基础价 + 你真正需要的那几项附加费」。

五、三个比价时容易踩的坑

六、按场景怎么选

• 大批量、内容规整的离线转写（播客、会议记录、字幕稿）：走按分钟或按小时计费的厂商。AssemblyAI Universal-2 的 $0.15/小时和 Universal-3.5 Pro 的 $0.21/小时是这张表里最便宜的确定价。
• 要极致便宜、能接受精度折损：OpenAI gpt-4o-mini-transcribe 的官方估算是 $0.18/小时，是唯一落在 $0.20 以下的 token 计费选项。
• 音频里有大量专有名词或方言：算总价时把 Keyterm Prompting 加进去。Deepgram 的 Keyterm 是 +$0.0013/分钟（约 +$0.078/小时），ElevenLabs 是 +$0.050/小时，两家都不到基础价的 30%。
• 要说话人分离：优先看 Deepgram 的预录模式，说话人分离是包含的，不额外收费。
• 要合规脱敏（PII、医疗、金融）：Deepgram 的 Redaction 是 +$0.0020/分钟；ElevenLabs 有专门的 Scribe v2 Medical，官方标注与 Scribe v2 同价（$0.22/小时），并且是 HIPAA-eligible。医疗音频优先看后者。
• 要实时字幕或语音助手：注意流式的计费口径。ElevenLabs Scribe v2 Realtime 是明确的 $0.39/小时；Deepgram Flux English 是 $0.0065/分钟（$0.39/小时）。两家的实时价格几乎相同，此时该比的是连接管理和并发成本，而不是单价。
• 要语音到语音的实时翻译：OpenAI gpt-realtime-translate 是 $0.034/分钟（$2.04/小时），Google Gemini 3.5 Live Translate 约 $0.0368/分钟（$2.21/小时）。这一档没有便宜的选项，因为输出是音频。

最后一句实话：转写这个品类的报价表看起来最透明（几乎人人写「多少钱一分钟」），实际上是最需要看细则的一类——因为真正决定账单的是「按分钟还是按 token」「流式按音频还是按连接」「附加功能开几项」「是不是多声道」。这四个问题的答案，比单价的差距更能改变你的最终支出。

本站的比价方法在别的品类上也一样：先把单位拉平，再看差价出在哪里。相关阅读：大模型 API 价格横评、AI 生图多少钱一张、AI 编程工具订阅价格全盘点。