Comparação de APIs de voz para texto

Escolha AssemblyAI pelo menor custo do exemplo: $21 por 100 horas de áudio.

Atualizado · 7 fontes · Metodologia

NecessidadeRecomendaçãoMotivo
Menor custo do exemploAssemblyAI$212
Processamento não streaming mais rápidoDeepgramAA mede 623.2 segundos de áudio processados por segundo no Nova-3.5
Menor AA-WER v2ElevenLabsElevenLabs Scribe v2 2.2% / AssemblyAI Universal-3.5 Pro 3.0%5

Desempenho

ProvedorAPI e ID do modeloAA-WER v2 (%)Velocidade de processamento de áudio (×)
AssemblyAI5Universal-3.5 Pro3.0%101.5×
ElevenLabs5Scribe v22.2%72.2×
Deepgram5Nova-35.2%623.2×
OpenAI5GPT Transcribe3.3%45.0×

Cobertura de idiomas documentada

Provedor / modeloCobertura do modelo
AssemblyAI · Universal-3.5 Pro18 idiomas; inclui inglês e espanhol2
ElevenLabs · Scribe v290+ idiomas; inclui inglês e espanhol3
Deepgram · Nova-3O modo multi documentado lista 10 idiomas, incluindo inglês e espanhol; o preço em inglês usa o modo monolíngue.6
OpenAI · GPT TranscribeHá códigos documentados para inglês, espanhol e francês; não é publicado um total fixo do modelo.7

Preços e custo por solicitação

ProvedorInglês / hora de áudioInglês / 100 horasInglês/espanhol mistos / horaInglês/espanhol mistos / 100 horas
AssemblyAI2$0.21$21$0.21$21
ElevenLabs3$0.22$22$0.22$22
Deepgram · Nova-3 monolíngue1$0.258$25.8$0.312$31.2
OpenAI4$0.27$27$0.27$27
Exemplo de custo: 100 horas de áudio mono em inglês
AssemblyAI$21
ElevenLabs$22
Deepgram$25.8
OpenAI$27

Opções, vantagens e limitações

  1. AssemblyAI

    Universal-3.5 Pro na AssemblyAI tem referência AA-WER/velocidade 3.0% · 101.5×; preço base $0.21/hora de áudio.

    Preço base / hora de áudio
    $0.21
    Quantidade do exemplo
    100
    Total do exemplo
    $21

    Vantagens

    • Universal-3.5 Pro suporta 18 idiomas.2

    Limitações

    • Universal-3.5 Pro supera os $0.15/hora do Universal-2; o modelo mais barato tem outros recursos e idiomas.2

    Fontes:25

  2. ElevenLabs

    Scribe v2 na ElevenLabs tem referência AA-WER/velocidade 2.2% · 72.2×; preço base $0.22/hora de áudio.

    Preço base / hora de áudio
    $0.22
    Quantidade do exemplo
    100
    Total do exemplo
    $22

    Vantagens

    • O Scribe v2 tem o menor AA-WER desta tabela: 2.2%.5

    Limitações

    • Scribe v2 a $0.22/hora exclui keyterm prompting a $0.05/hora e edição a $0.07/hora.3

    Fontes:35

  3. Deepgram

    Nova-3 na Deepgram tem referência AA-WER/velocidade 5.2% · 623.2×; preço base $0.258/hora de áudio.

    Preço base / hora de áudio
    $0.258
    Quantidade do exemplo
    100
    Total do exemplo
    $25.8

    Vantagens

    • AA mede 623.2 segundos de áudio processados por segundo no Nova-3.5

    Limitações

    • AA-WER do Nova-3 é 5.2%, acima dos demais modelos da tabela; a tarifa exclui streaming e extras.15

    Fontes:15

  4. OpenAI

    GPT Transcribe na OpenAI tem referência AA-WER/velocidade 3.3% · 45.0×; preço base $0.27/hora de áudio.

    Preço base / hora de áudio
    $0.27
    Quantidade do exemplo
    100
    Total do exemplo
    $27

    Vantagens

    • O GPT Transcribe registra AA-WER de 3.3%, abaixo dos 5.2% do Nova-3.5

    Limitações

    • A $0.0045/minuto, a tarifa por duração do GPT Transcribe de $0.27/hora é a maior destas 4 tarifas base.4

    Fontes:45

Metodologia e fontes

Os valores AA-WER v2 e de velocidade não streaming são medições publicadas pela AA, não testes feitos para este artigo. O gráfico usa 100 horas de áudio mono pré-gravado em inglês, sem adicionais. A Deepgram usa Nova-3 Monolingual Pay As You Go a $0.0043/minuto. A tarifa separada para inglês/espanhol mistos usa Nova-3 Multilingual a $0.0052/minuto: $0.312/hora e $31.2 por 100 horas. As outras tarifas base não acrescentam uma taxa separada por idioma neste exemplo bilíngue. GPT Transcribe cobra duração a $0.0045/minuto. Menor WER é melhor; a velocidade mede segundos de áudio processados por segundo, não latência streaming. As contagens seguem a documentação de cada modelo e não classificam qualidade linguística; a OpenAI não publica um total fixo para GPT Transcribe. Os cartões seguem o custo crescente do exemplo em inglês. Os valores variáveis de desempenho de terceiros são o snapshot do lote indicado na linha de atualização, não garantias em tempo real. Os fatores de velocidade da AA são medianas móveis de 7 dias, medidas com áudio de 10 minutos.

  1. Deepgram · Nova-3 especificações e preços
  2. AssemblyAI · Universal-3.5 Pro especificações e preços
  3. ElevenLabs · Scribe v2 especificações e preços
  4. OpenAI · especificações e preços do GPT Transcribe
  5. Artificial Analysis · AA-WER v2 sem streaming
  6. Deepgram · modos de idioma do Nova-3
  7. OpenAI · indicações de idioma do GPT Transcribe

Use os LLMs da Novita após a transcrição

Crie resumos do texto transcrito com Novita Model APIs. Os endpoints e tarifas de transcrição acima são dos provedores externos indicados.

Comece a desenvolverExplore os modelos