目錄(18 節)
語音轉文字(ASR)點樣計錢:每分鐘、每秒、每字符、每小時,四種計費單位差幾多
兩張報價單,一張寫 $0.0043,一張寫 $0.21,唔可以直接比。計費單位唔同,量度嘅嘢根本唔同。
兩張報價單擺喺面前:一張寫 $0.0043,另一張寫 $0.21。
好多團隊會即刻揀前者。但前者係每分鐘,後者係每小時 — 換算之後,前者其實貴過後者兩成幾。
計費單位唔係技術細節,係成本結構嘅起點。單位唔同,量度嘅嘢唔同;量度嘅嘢唔同,帳單就唔同。
本文用 2026-10-31 查閱嘅公開牌價(全部係各供應商定價頁自述),將同一批錄音擺入四種計費單位計一次,再數埋牌價以外嘅隱藏成本。
計費單位 係指供應商用嚟量度用量、計算費用嘅基本刻度 — 量度嘅對象唔同,同一批錄音計出嚟嘅帳單就唔同。
重點摘要
- 四種單位量度四樣嘢:每分鐘同每小時量音頻時長、每秒量音頻秒數、每字符量輸出文本量。
- 唔同單位唔可以直接比數字,一定要先換算成同一單位(建議每小時)。
- 同一個 batch 牌價帶,換算後由約 $0.10 到 $0.27/小時都有,差距近三倍。
- 實時轉寫普遍係 batch 嘅 1.7 至 2.1 倍;串流按連線時長計嘅供應商,idle 都收錢。
- 附加功能(講者分辨、熱詞)多數另計,落單前要加返入去先係真成本。
- 失敗重試、重複上載、最低消費、免費額度到期、匯率,五項都唔會出現喺首頁牌價。
四種單位,量度四樣嘢
| 計費單位 | 量度緊乜 | 典型例子 | 要留意 |
|---|---|---|---|
| 每分鐘 | 音頻時長(分鐘) | Deepgram、OpenAI、Google | 進位規則要問:唔足一分鐘點計 |
| 每秒 | 音頻時長(秒) | 港嘢、ElevenLabs | 精度高,唔會因進位多付 |
| 每字符/token | 輸出文本量 | Soniox(官方以等效每小時價展示) | 同一段錄音,講得密字符就多 |
| 每小時 | 音頻時長(小時) | AssemblyAI、Speechmatics | 通常有分級型號,價差可以好大 |
每分鐘同每小時其實係同一種量度,只係刻度唔同;每秒多一層精度;每字符係唯一「量輸出」而唔係「量輸入」嘅單位。
呢個分別唔係學術問題。音頻時長係固定嘅 — 一條 40 分鐘錄音就係 40 分鐘;但文本量係浮動嘅,同一條 40 分鐘錄音,密集討論同大量靜音,轉出嚟嘅字符數可以差好遠。
換算:唔同單位要拉返同一水平先可以比
規則好簡單:全部換算成每小時價。
- 每分鐘 × 60:Deepgram Nova-3 batch $0.0043/分鐘(官方定價頁自述,2026-10-31 查閱)→ 約 $0.258/小時。
- 每秒 × 3,600:ElevenLabs Scribe v2 按音頻秒計,$0.22/小時(官方定價頁自述,2026-10-31 查閱),官方並明講靜音照計、冇折扣。
- 每字符:Soniox 用 token 計價,官方直接以等效每小時價展示,async 約 $0.10/小時(官方定價頁自述,2026-10-31 查閱)。token 同中文字唔係一比一,精確換算要以供應商規格為準。
- 每小時:直接用,AssemblyAI Universal-3.5 Pro $0.21/小時、Speechmatics Melia 1 $0.24/小時(各自官方定價頁自述,2026-10-31 查閱)。
換算完先見到全貌:同樣係 batch 檔案轉寫,公開牌價由約 $0.10 到 $0.27/小時,差距接近三倍。呢個價差本身已經夠大到值得逐家問清楚。
【獨家分析】 比價最常見嘅錯誤唔係抄錯數,係冇換算單位就比較。四種單位入面,唯一量度「輸出」而唔係「輸入」嘅係每字符制 — 呢個分別決定咗邊啲場景會慳錢(多靜音),邊啲場景會爆帳單(內容密集)。單位選擇本身,已經係一個成本策略決定。
同一批錄音,四種計法計出嚟差幾多
舉個例(本文嘅數字全部係算術示範,唔係實際客戶數據):一間公司每月有 40 小時會議錄音要轉,拆成 80 個檔案,平均每檔 30 分鐘,全部行 batch 檔案轉寫。
| 供應商/模式 | 單位 | 牌價(vendor 自述,2026-10-31 查閱) | 40 小時月費 |
|---|---|---|---|
| Soniox async(token 制) | 每字符 | 等效 $0.10/小時 | 約 $4.00 |
| Google dynamic batch | 每分鐘 | $0.003/分鐘 | $7.20 |
| AssemblyAI U3.5 Pro | 每小時 | $0.21/小時 | $8.40 |
| ElevenLabs Scribe v2 | 每秒 | $0.22/小時 | $8.80 |
| Speechmatics Melia 1 | 每小時 | $0.24/小時 | $9.60 |
| Deepgram Nova-3 batch | 每分鐘 | $0.0043/分鐘 | $10.32 |
| OpenAI gpt-transcribe | 每分鐘 | $0.0045/分鐘 | $10.80 |
| 港嘢檔案轉寫(自家粵語 ASR 引擎) | 每秒 | HK$0.80/小時 | HK$32.00(按 7.8 換算約 $4.10) |
三個讀法:
一,牌價唔代表你嘅帳單。 上表係「純轉寫」價。你實際需要嘅功能(下面講)同實際會發生嘅事(重試、重上載)都要加返入去。
二,單位唔同唔會自動令某一家平。 每秒制嘅 ElevenLabs 同每小時制嘅 AssemblyAI 落單差唔多;每分鐘制嘅三家反而係全表最貴嗰批。決定價嘅係型號定位,唔係單位本身。
三,牌價 spread 大嘅地方,正係要問問題嘅地方。 點解同樣係 batch,有供應商 $0.10/小時、有供應商 $0.27/小時?答案通常喺型號代際、語言支援範圍同附加功能結構入面,唔喺首頁。
每字符制:帳單跟住內容密度行
每字符(token)制值得獨立講一段,因為佢改變咗成本嘅因果。內容密度 係指同一段時長入面實際講咗幾多嘢 — 討論越密集、靜音越少,轉出嚟嘅字符量就越多。
時長制之下,成本由錄音幾長決定。字符制之下,成本由講咗幾多嘢決定。例如同樣一小時,三個人交接冗長會議同兩個人不斷輪流發言,字符量可以差幾倍。
呢個特性有兩面:
- 靜音多嘅錄音慳錢 — 冇人講嘢,字符就少。時長制照收(ElevenLabs 官方明講靜音照計)。
- 內容密嘅錄音貴咗 — 中英夾雜、快速討論、逐句讀數,全部推高字符量。
用字符制之前,先攞一條有代表性嘅自己錄音估算字符量,再問清楚:中文一個字計幾多 token?英文字點計?標點計唔計?答案唔問,帳單就係答案。
隱藏成本五項:牌價以外嘅帳單
一、附加功能另計
「轉寫價」通常只包純文字。你要嘅嘢好多係加購:
- AssemblyAI:講者分辨 +$0.02/小時、熱詞 +$0.05/小時(官方定價頁自述,2026-10-27 更新,2026-10-31 查閱)。
- ElevenLabs:熱詞 +$0.05/小時;逐字稿編輯功能加三成附加費(ElevenLabs 定價頁自述,2026-10-31 查閱)。
一個 40 小時嘅月度用量,如果講者分辨同熱詞都要,AssemblyAI 每月加 $2.80 — 唔多,但比例係基本轉寫費嘅三分一。比價嗰陣,要將自己需要嘅功能套入每家嘅價格結構先算得準。
二、實時溢價同 idle 收費
實時(串流)轉寫普遍貴過 batch。用各家自家牌價計(每行來源見上表定價頁,2026-10-31 查閱):
| 供應商 | batch(每小時) | 實時(每小時) | 倍數 |
|---|---|---|---|
| 港嘢 | HK$0.80 | HK$1.40 | 1.75× |
| Speechmatics Melia | $0.24 | $0.40 | 1.67× |
| ElevenLabs | $0.22 | $0.39 | 1.77× |
| Deepgram | $0.258 | $0.462 | 1.79× |
| AssemblyAI | $0.21 | $0.45 | 2.14× |
(全部係各家官方定價頁自述,2026-10-31 查閱;港幣價未換算。)
仲有一個更隱蔽嘅位:連線時長 係指 WebSocket 條線由開到收嘅總時間,唔係送咗幾多音頻。部分供應商嘅串流按連線時長計費 — 開住條線等電話入嚟嘅客服系統,每分鐘 idle 都喺度燒錢。呢一項唔問清楚,實際帳單可以係牌價嘅幾倍。即時定上載點揀,另見即時聽寫定上載檔案嘅決策框架。
三、失敗重試
音檔格式唔支援、編碼損壞、超過大小上限 — 每一次失敗都係一次重試成本:重新壓縮、重新上載、重新排隊。呢啲時間唔會出現喺供應商帳單,但會出現喺團隊工時。
供應商側仲有一個要問嘅位:失敗嘅請求計唔計費。各家政策唔同,落單前問清楚。上載之前先做壓縮同格式檢查,可以直接減少失敗率,做法見音檔壓縮上載指南。
四、重複上載同一批音頻
一條會議錄音往往有三個用途:逐字稿存檔、字幕、質檢抽樣。如果你用三家唔同供應商處理三個用途,同一批音頻就會上載三次、計費三次。部署之前規劃好「一次轉寫、多個用途」,成本結構會完全唔同 — 呢個係架構決定,唔係議價決定。
五、最低消費、免費額度同匯率
- 免費額度係 POC 用嘅:Deepgram $200、Speechmatics $100、Gladia $50(各自官方頁自述,2026-10-31 查閱)。免費額度用完之後嘅價先係你嘅長期價。
- 企業計劃好多時有最低消費或者用量承諾,牌價頁唔一定寫 — 要問。
- 港企用美元或者歐元牌價,實際港幣支出跟匯率浮動;用港幣定價嘅供應商(例如港嘢)少一層匯率風險。
免費工具嘅額度細節,免費廣東話轉寫額度有一篇完整拆解。
落單前問供應商嘅四條計費問題
- 計費單位係乜? 音頻秒、音頻分鐘、音頻小時,定連線時長?
- 點樣進位? 進位規則 係指唔足一個完整單位嗰陣,供應商點處理嗰個零頭 — 唔足一分鐘/一秒嘅請求點計?靜音照計定有折扣?
- 失敗計唔計費? 格式錯誤、處理失敗嘅請求有冇收費?
- 我要嘅功能全部幾錢? 講者分辨、熱詞、時間戳,逐項加完先係報價。
呢四條問完,你手上先有一張可以比較嘅報價表。
同其他成本文章嘅分工
成本呢個題目,我哋分三個角度寫,唔重複:
- 本文講計費單位同帳單結構 — 供應商點收錢。
- 語音轉文字 vs 請人打字講人手轉寫嘅對照成本 — 唔用機器嘅話人工幾多。
- 選型嘅五個規格位(包括計費單位點影響接入層),見廣東話 ASR API 選型五規格;batch 作業層面嘅流程,見批量轉寫實務。
選型(粵語支援、熱詞、時間碼、部署、計費)一頁對照:粵語 ASR 平台比較。
常見問題
$0.0043 同 $0.21,到底邊個平?
換算成同一單位先至答到。$0.0043/分鐘 × 60 = $0.258/小時,貴過 $0.21/小時約兩成三。任何跨單位比較,第一步都係拉返同一刻度。
每秒計費係咪一定著數過每小時?
唔一定。單位只決定精度,唔決定價。每秒制嘅好處係唔會因為進位多付,而且細檔案多嘅場景計得準;但實際貴定平,睇型號牌價。
點解實時轉寫貴咁多?
實時係逐段音頻即刻處理,算力排程同 batch 完全唔同,各家牌價都反映呢個溢價(約 1.7–2.1 倍)。唔需要即刻出字嘅場景,行 batch 就慳返呢筆。
應該用牌價定問返一份正式報價?
牌價用嚟做初篩同本文呢類換算;真正落單前,攞自己嘅用量結構(幾多小時、幾多檔案、幾多實時)去問一份逐項報價,連附加功能一齊報。兩者唔可以互相代替。
關於呢篇文
本文由港嘢內容團隊整理。文中所有價格均為各供應商定價頁自述(Deepgram、OpenAI、Google、AssemblyAI、ElevenLabs、Speechmatics、Soniox、Gladia),查閱日期為 2026-10-31;港幣換算按 7.8 假設匯率計算,僅作比較示範。假設場景(每月 40 小時、80 個檔案)為算術示範,唔代表任何實際客戶數據。價格隨時調整,採購決定前請以各官方頁最新報價為準。港嘢定價見定價頁;關於港嘢,見關於我們;發現錯漏歡迎聯絡我們。
相關文章
免費廣東話語音轉文字:免費額度到底包幾多分鐘
同一個「免費」,Google 係每月 60 分鐘,ElevenLabs 折算約 30 分鐘,AssemblyAI 同 Deepgram 係幾百小時。差距唔係營銷誇張,係單位唔同。
2026年10月31日
Whisper 2027 年 2 月停用:廣東話 ASR 嘅遷移清單
OpenAI 2026-08-26 通知:whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize 於 2027-02-26 關閉。粵語團隊要點搬?本文用公開文件同公開評測數據整理遷移清單。
2026年10月31日
廣東話轉錄點分辨講者:會議、訪談、客服錄音嘅實務做法
講者分辨(speaker diarization)係會議逐字稿最易被低估嘅一環。本文講清楚三種做法嘅差別、各家公開規格、粵語重疊發言同短回應嘅實務處理,同一個 10 段抽樣驗收法。
2026年10月31日