رفعتَ مقابلة مدتها ساعتان، وضغطتَ زر التفريغ، والآن تتساءل عن تكلفة تلك النقرة الواحدة. الجواب الصريح: تتراوح التكلفة بين لا شيء وما يقارب مئتي دولار، وذلك حسب النموذج والمزوّد والشروط الدقيقة. تبدو أسعار التعرف على الكلام بسيطة في صفحة الهبوط، ثم تنقسم إلى أسعار لكل دقيقة، ومستويات الدفعات مقابل الوقت الفعلي، وحدود المعدل، وفترات الفوترة الدنيا، وإضافات تضاعف الفاتورة دون أن تلاحظ.
يفصّل هذا المقال تكلفة نماذج التعرف على الكلام إلى أرقام يمكنك التخطيط على أساسها. سترى أسعار الدقيقة المعتادة، وأي الخيارات المجانية تصمد تحت أحمال العمل الحقيقية، وكيف تتصرف حدود API، وما التكاليف الخفية التي تظهر بعد الفاتورة، وأي نماذج على PicassoIA تمنحك أفضل نسبة بين السعر والدقة في التفريغ.
💡 الإجابة المختصرة: تقع معظم خدمات تحويل الكلام إلى نص المستضافة بين 0.0025 و0.016 دولار لكل دقيقة في عام 2026. لا يتقاضى Whisper مفتوح المصدر الذي تستضيفه بنفسك رسوماً لكل دقيقة، لكنك تدفع ثمنه بالعتاد ووقت الإعداد والصيانة. تحقق دائماً من صفحة أسعار كل مزوّد قبل الالتزام، فالأسعار والمجانيات تتغير كثيراً.
ما التكلفة الحقيقية للتعرف على الكلام
قبل مقارنة المزوّدين، من المفيد أن تعرف ما الذي تدفع ثمنه فعلاً. تُحتسب تكلفة التعرف على الكلام مثل الكهرباء: تدفع مقابل ما يمر عبر العداد، ويعتمد السعر على مدى السرعة والنقاء اللذين تريدهما في النتيجة.
كيف تعمل الفوترة لكل دقيقة
تحتسب كل خدمة تفريغ مستضافة تقريباً المبلغ وفق مدة الصوت، لا وفق عدد الكلمات أو حجم الملف. يكلّف بودكاست مدته 60 دقيقة المبلغ نفسه سواء تحدث المضيف دون توقف أو ترك فواصل صمت طويلة. تقرّب بعض الخدمات كل طلب إلى أقرب ثانية، أو حتى إلى أقرب 15 ثانية، وهذا مهم إذا كان تطبيقك يرسل آلاف المقاطع القصيرة. فعشرة آلاف أمر صوتي مدته 4 ثوانٍ، إذا قُرّب كل منها إلى 15 ثانية، ستكلّف ما يقارب أربعة أضعاف ما توحي به المدة الفعلية للصوت.
أنماط فوترة أخرى ستصادفها:
- أسعار لكل ساعة، وتبدو أكثر إثارة للقلق على الورق، لكنها تتحول إلى الرقم نفسه لكل دقيقة.
- التسعير القائم على التوكنات، وتستخدمه النماذج الحديثة متعددة الوسائط، حيث يُحوَّل الصوت إلى توكنات ويُحتسب كما يُحتسب النص.
- أنظمة النقاط، حيث يغطي رصيد واحد عدة أدوات، ويعتمد السعر الفعلي لكل دقيقة على الخطة.
- الاشتراكات الشهرية، وهي شائعة لمساعدي الاجتماعات، مع سقوف لعدد الدقائق في الشهر.

نطاقات الأسعار المعتادة في 2027
تختلف مقارنات الأسعار التي تنشرها جهات خارجية في بعض الأرقام، جزئياً لأن بعضها يذكر السعر لكل دقيقة وبعضها لكل ساعة. اعتبر الجدول أدناه نطاقاً واقعياً لا عرضاً رسمياً.
| المزوّد أو النموذج | السعر التقريبي لكل دقيقة | ملاحظات |
|---|
| GPT-4o Mini Transcribe (OpenAI) | حوالي 0.003 دولار | أرخص خيار من OpenAI |
| GPT-4o Transcribe (OpenAI) | حوالي 0.006 دولار | مستوى دقة أعلى |
| Whisper API (OpenAI) | حوالي 0.006 دولار | خيار مستضاف أقدم |
| Google Cloud Speech-to-Text، دفعات ديناميكية | حوالي 0.003 دولار | زمن استجابة أبطأ، وسعر أقل |
| Google Cloud Speech-to-Text، معياري | حوالي 0.016 دولار | أسعار أقل عند حجم شهري أعلى |
| AssemblyAI، المستوى المنخفض | يبدأ من 0.0025 دولار | المستويات الأعلى تكلّف أكثر |
| Deepgram، الوقت الفعلي | حوالي 0.009 دولار | يختلف حسب النموذج والخطة |
إليك ما تعنيه هذه الأسعار بالنسبة إلى الحجم الفعلي.
| حجم الصوت | بسعر 0.003 دولار/دقيقة | بسعر 0.006 دولار/دقيقة | بسعر 0.016 دولار/دقيقة |
|---|
| 10 ساعات | 1.80 دولار | 3.60 دولار | 9.60 دولار |
| 100 ساعة | 18 دولاراً | 36 دولاراً | 96 دولاراً |
| 1,000 ساعة | 180 دولاراً | 360 دولاراً | 960 دولاراً |
الفارق هو القصة. يمكن أن يختلف نموذج اقتصادي ومستوى متميز بأكثر من خمسة أضعاف، وبالنسبة إلى الصوت الاستوديوي النقي غالباً ما يكون النموذج الأرخص كافياً.
خيارات مجانية تعمل فعلاً
التعرف المجاني على الكلام موجود، لكن "المجاني" يأتي بثلاث صيغ: مجاني لأنك تشغله بنفسك، ومجاني لأن المزوّد يمنحك فترة تجريبية، ومجاني لأنك أنت المنتج. الصيغتان الأولى والثانية فقط تستحقان وقتك في العمل الجاد.
Whisper مفتوح المصدر على جهازك
يُعدّ Whisper مفتوح المصدر الاختبار المعياري الذي يقارن به الجميع نماذجهم. لا توجد رسوم لكل دقيقة ولا حد أقصى للاستخدام، لذا يستطيع صانع بودكاست يملك بطاقة GPU جيدة أن يفرّغ ألف ساعة بثمن الكهرباء فقط. لكن المشكلة تكمن في كل ما يحيط بالنموذج. تحتاج إلى جهاز فيه بطاقة رسومات قادرة لتحقيق سرعة معقولة، وإلى شخص مرتاح في تثبيت بيئات Python، وإلى صبر عندما ينكسر شيء بعد تحديث.
يعمل التشغيل على معالج الحاسوب المحمول مع الملفات القصيرة، لكنه يصبح بطيئاً مع الصوت الطويل. قد تستغرق تسجيلة مدتها ساعة وقتاً أطول من مدتها الفعلية على عتاد ضعيف، وهذا يفوّت الغاية إذا كنت تحتاج إلى نتيجة سريعة.

المستويات المجانية والرصيد على الخدمات المستضافة
تمنحك عدة خدمات مستضافة فرصة للتجربة قبل أن تبدأ الدفع. تتغير المخصصات المعلنة باستمرار، لذا اعتمد على هذه الأرقام كإرشاد فقط.
| الخدمة | المخصص المجاني المعلن | الاستخدام الأمثل |
|---|
| Google Cloud | حوالي 60 دقيقة شهرياً من التفريغ المعياري | التجارب الصغيرة |
| AssemblyAI | حوالي 300 دقيقة من الاستخدام المتضمن | النماذج الأولية |
| Rev AI | حوالي 300 دقيقة مجانية | التجارب القصيرة |
| Deepgram | رصيد ابتدائي يقارب 200 دولار | المطورون الذين يختبرون على نطاق واسع |
| Otter.ai | حوالي 600 دقيقة شهرياً | ملاحظات الاجتماعات |
| Groq hosted Whisper | حصة مجانية متكررة مع حدود معدل صارمة | المشاريع منخفضة الحجم |
صُممت المستويات المجانية لتحويلك إلى عميل يدفع. وهي مثالية لاختبار الدقة على صوتك أنت، لكنها خطة سيئة على المدى الطويل للأعمال. حين تختفي الحصة المجانية في منتصف المشروع، يجب أن يكون لديك بديل جاهز.
💡 نصيحة: اختبر كل مرشح بالمقاطع الثلاثة نفسها: واحد نقي، وواحد فيه ضوضاء، وواحد فيه لهجات أو حديث متداخل. الرصيد المجاني يُصرف أفضل على أسوأ صوتك لا على أفضله.
أسعار API للمطوّرين
إذا كنت تدمج التفريغ داخل تطبيق، فإن السعر لكل دقيقة ليس سوى السطر الأول في جدول البيانات. تحدد تفاصيل API ما إذا كانت تكاليفك ستبقى قابلة للتنبؤ.
الدفعات مقابل أسعار الوقت الفعلي
التفريغ بالدفعات (غير المتزامن) أرخص لأن المزوّد يستطيع جدولة مهمتك عندما تتوفر السعة. أما البث في الوقت الفعلي فأغلى لأنه يحتاج إلى حوسبة دائمة التشغيل وزمن استجابة منخفض. يُظهر سعر الدفعات الديناميكية لدى Google، القريب من 0.003 دولار لكل دقيقة، مقابل نحو 0.016 دولار للتعرف المعياري، مدى اتساع هذه الفجوة.
قاعدة بسيطة: إذا لم ينتظر أحد النص، فاستخدم الدفعات. تناسب هذه الطريقة أرشيف الرسائل الصوتية والندوات المسجلة وتدقيق مراكز الاتصال وتراكم حلقات البودكاست. أما التعليقات الحية والمساعدون الصوتيون وأدوات دعم الموظفين فتحتاج إلى البث، وعلاوة السعر هي ثمن السرعة.

حدود المعدل وسقوف حجم الملف
الحدود هي النصف الآخر من التكلفة. حتى النموذج الرخيص يصبح مكلفاً إذا كان سير عملك ينتظر أو يقسّم الملفات يدوياً.
- طلبات في الدقيقة واليوم: أُفيد بأن الطبقة المجانية المستضافة من Whisper تتيح نحو 20 طلباً في الدقيقة و2,000 طلب في اليوم. تكفي لمشروع هواة، لكنها لا تكفي لطابور من مئات التسجيلات.
- حدود حجم الملفات: تضع كثير من واجهات API حدّاً للرفع يبلغ بضعة عشرات من الميغابايت، لذا يجب ضغط التسجيل الطويل أو تقسيمه.
- حدود المدة: تحدد بعض نقاط الوصول عدداً ثابتاً من الدقائق أو الساعات لكل طلب واحد.
- التزامن: يتحكم حدّ الوظائف المتزامنة في سرعة تفريغ الطابور المتراكم.
يحمل تقسيم الصوت الطويل تكلفته الخاصة. فالتقسيم عند نقاط عشوائية قد يقطع الكلمات إلى نصفين، لذا تقسّم خطوط المعالجة الجيدة الصوت عند الصمت وتتداخل قليلاً عند الحدود. وهذا يعني كتابة شيفرة إضافية واختبارها.
التكاليف الخفية التي لا يذكرها أحد
نادراً ما يكون السعر المعلن هو السعر النهائي. ثلاث تكاليف تتسلل بعد أن تشترك.
وقت الدقة والتنقيح
يبدو نص دقته 95 في المئة رائعاً حتى تدرك أنه في مقابلة من 10,000 كلمة تعني الخمسة في المئة نحو 500 كلمة خاطئة يجب البحث عنها وتصحيحها. إذا كان محررك يتقاضى 30 دولاراً في الساعة وأمضى ساعتين إضافيتين في تصحيح نص رخيص، فقد أنفقت 60 دولاراً لتوفر دولارين. النموذج الأرخص ليس سير العمل الأرخص.
تنخفض الدقة مع ضوضاء الخلفية، والمتحدثين المتداخلين، واللهجات الثقيلة، والمفردات المتخصصة، والميكروفونات الرديئة. وتكون الأسماء والعلامات التجارية والمصطلحات التقنية عادةً أول الضحايا.

العتاد وساعات الهندسة
تبدو الاستضافة الذاتية مجانية حتى تحسب قطعها: بطاقة رسومات، واستهلاك الطاقة، ومساحة تخزين للصوت والنصوص، والمراقبة، والتحديثات، وشخص يصلحها في الثانية فجراً. مطوّر واحد يقضي أسبوعاً في الإعداد يكون قد أنفق أكثر مما تدفعه معظم الفرق الصغيرة لواجهة API مستضافة خلال سنة كاملة.
تكون الاستضافة الذاتية الأفضل عندما يكون لديك حجم كبير ومستقر، أو متطلبات خصوصية صارمة، أو صوت لا يمكنه مغادرة شبكتك. أما بالنسبة إلى الباقين، فالنموذج المستضاف يكون عادةً أرخص بمجرد أن يكون لوقتك ثمن.

الإضافات التي ترفع الفاتورة
غالباً ما تغطي الأسعار الأساسية النص العادي فقط. الإضافات التي قد تحمل رسماً إضافياً أو مستوى منفصلاً تشمل:
- تمييز المتحدثين (diarization) لمعرفة من قال ماذا
- الطوابع الزمنية على مستوى الكلمة للترجمات المكتوبة والتحرير
- مفردات مخصصة للعلامات التجارية والمصطلحات الخاصة
- الترجمة إلى لغات أخرى
- الملخصات وعلامات الفصول التي يولّدها نموذج لغوي فوق النص المفرّغ
- حجب الأسماء والأرقام وغيرها من التفاصيل الحساسة
تحقق من أيّ هذه الإضافات يحتاجه سير عملك فعلاً. المدوّن الصوتي الذي يريد نصاً قابلاً للبحث فقط لا يدفع ثمن أيٍّ منها.
ميزانيات واقعية لمشاريع حقيقية
تصبح الأرقام مفيدة عندما ترتبط بموقف محدد. إليك ثلاثة مواقف شائعة، باستخدام الأسعار المعتادة التي ورد ذكرها سابقاً.
المدونون الصوتيون وصناع المحتوى
يُنتج برنامج أسبوعي بحلقة مدتها 60 دقيقة نحو 52 ساعة من الصوت سنوياً. بسعر 0.003 دولار لكل دقيقة يكون ذلك حوالي 9.36 دولار في السنة. وبسعر 0.006 دولار يكون نحو 18.72 دولاراً. حتى المستوى الأغلى يكلّف أقل من فنجان قهوة واحد شهرياً. بالنسبة إلى صناع المحتوى، السؤال ليس السعر، بل هل التفريغ نظيف بما يكفي لنشره كملاحظات للحلقة دون ساعة من التحرير.
الاجتماعات والفرق
تضم شركة 20 شخصاً يقضي كل منهم خمس ساعات في الاجتماعات كل أسبوع، فتنتج نحو 100 ساعة من الصوت أسبوعياً، أي حوالي 5,200 ساعة سنوياً. بسعر 0.006 دولار لكل دقيقة يكون ذلك نحو 1,872 دولاراً في السنة. وبسعر 0.016 دولار يقفز إلى نحو 4,992 دولاراً. هنا يمكن أن تخفض معالجة الدفعات وسياسة احتفاظ معقولة الفاتورة بشكل حاد، لأن قليلاً من الاجتماعات يحتاج إلى تفريغ في الوقت الفعلي.

الطلاب والباحثون
يسجل طالب 12 محاضرة أسبوعياً مدة كل منها 50 دقيقة، أي 10 ساعات في الأسبوع. وفصل دراسي من 15 أسبوعاً يساوي 150 ساعة، تكلّف نحو 27 دولاراً بأرخص الأسعار و54 دولاراً بالمستوى المتوسط. يحتاج الباحثون الذين يجرون دراسات بالمقابلات غالباً إلى تمييز المتحدثين ودقة عالية، لذلك تستحق النماذج المتميزة سعرها.

نماذج على PicassoIA تستحق المقارنة
تجمع PicassoIA عدة نماذج للتفريغ في مكان واحد، فيمكنك اختبار طريقة تعامل كل نموذج مع تسجيلاتك دون فتح حسابات منفصلة ولوحات تحكم API منفصلة. تضم مجموعة تحويل الكلام إلى نص ثلاثة نماذج تتناسب بوضوح مع ميزانيات مختلفة.
GPT-4o Mini Transcribe للتكلفة المنخفضة
GPT 4o Mini Transcribe هو الخيار الاقتصادي. يقع في الطرف الأدنى من أسعار OpenAI المعلنة، مما يجعله خياراً افتراضياً معقولاً للبودكاست والملاحظات الصوتية وتسجيلات المحاضرات وأي شيء بصوت واضح نسبياً. إذا كنت تفرّغ كثيراً وتسجيلاتك نظيفة، فابدأ به ولا تنتقل إلى مستوى أعلى إلا عندما تكلّفك الأخطاء أكثر من التوفير.
GPT-4o Transcribe للدقة
GPT 4o Transcribe هو الخطوة الأعلى عندما تهم الدقة أكثر من بضعة أجزاء من السنت. يناسب المقابلات ذات اللهجات والغرف الصاخبة والمفردات التقنية وأي شيء سينشر. قارن مخرجاته بالنسخة المصغرة على أسوأ مقطع لديك. إذا كان الفرق يوفر دقائق من التحرير، فإنه يسدد ثمنه بنفسه.
Gemini 3 Pro للصوت الطويل
Gemini 3 Pro نموذج متعدد الوسائط من Google، وهذا يعني أنه يستطيع فعل أكثر من نسخ الكلمات. ولأنه نموذج عام يقرأ الصوت، يمكنك أن تطلب نصاً مفرّغاً، وأن تطلب معه في التمريرة نفسها ملخصاً أو بنود عمل أو نسخة مُنقّحة. وهذه المرونة تناسب الاجتماعات والتسجيلات الطويلة التي يكون فيها النص المفرّغ مجرد الخطوة الأولى.
أما Whisper، النموذج مفتوح المصدر الذي ذُكر سابقاً، فهو مشروع منفصل وليس من الخيارات المدرجة هنا على PicassoIA. إذا أردت دقة بأسلوب Whisper دون صيانة خادم خاص بك، فالنماذج أعلاه هي أقرب البدائل التي يمكنك تجربتها اليوم.
كيفية استخدام GPT-4o Mini Transcribe على PicassoIA
هذه أسرع طريقة لاختبار مسار الميزانية المنخفضة على صوتك.
- افتح صفحة النموذج. انتقل إلى GPT 4o Mini Transcribe على PicassoIA.
- ارفع الصوت. اختر تسجيلاً من جهازك. تُعد الصيغ الشائعة مثل MP3 وWAV وM4A أأمن خيار.
- حدّد اللغة إذا كنت تعرفها. تحديد اللغة من البداية يحسّن الدقة غالباً مقارنةً بترك الأمر للكشف التلقائي، خاصة مع المقاطع القصيرة.
- أضف أمراً نصياً قصيراً إذا كان الحقل متاحاً. سطر يسرد الأسماء والمصطلحات الخاصة والاختصارات يساعد النموذج على كتابتها بشكل صحيح.
- شغّل التفريغ. انتظر ظهور النص، ثم تصفح الدقيقة الأولى والأخيرة، فالأخطاء تميل إلى التجمع فيهما.
- قارن بنموذج ثانٍ. شغّل المقطع نفسه على GPT 4o Transcribe وقارن النتائج. إذا كانت النسخة المصغرة ضمن بضع كلمات، فقد وجدت خيارك الافتراضي الرخيص.
💡 نصيحة المعاملات: بالنسبة إلى الملفات الطويلة، احذف الصمت في البداية، وقسّم التسجيلات التي تزيد على ساعة إلى مقاطع من 20 إلى 30 دقيقة عند فترات توقف طبيعية. الملفات الأقصر أسهل في التدقيق وأرخص عند إعادة التشغيل إذا فشل جزء منها.

كيف تختار دون أن تدفع أكثر من اللازم
تتحول مقارنة الأسعار إلى قرار سريع بمجرد أن تجيب عن خمسة أسئلة.
- كم ساعة شهرياً؟ أقل من 10 ساعات، لا يكاد السعر يهم. وأكثر من 1,000 ساعة، كل جزء من ألف جزء من الدولار يحسب.
- ما مدى نقاء الصوت؟ تناسب التسجيلات الاستوديوية النماذج الاقتصادية. أما المكالمات الهاتفية والغرف المزدحمة فتبرر نموذجاً أقوى.
- هل ينتظر أحد النتيجة؟ إذا لم ينتظر، فاختر تسعير الدفعات.
- هل تحتاج إلى تمييز المتحدثين أو الطوابع الزمنية؟ تأكد من أنها مشمولة قبل أن تقارن الأسعار المعلنة.
- هل يمكن للصوت أن يغادر شبكتك؟ إذا لم يكن ذلك ممكناً، فالاستضافة الذاتية تصبح الخيار الوحيد، وتكلفتها هي الأشخاص والعتاد.
سير عمل عملي يبقي الإنفاق منخفضاً:
- فرّغ كل شيء بأرخص نموذج يجتاز اختبار المقاطع الثلاثة لديك.
- ضع علامة على الملفات منخفضة الثقة أو الصاخبة، وأعد تشغيل تلك الملفات فقط على نموذج أقوى.
- خزّن النصوص مؤقتاً حتى لا تدفع مرتين مقابل الصوت نفسه.
- احذف الصوت الذي لم تعد تحتاجه، واحتفظ بالنص.

💡 قاعدة عامة: إذا كان وقت التحرير يكلّفك أكثر من 20 دولاراً في الساعة، فإن نصاً يوفر عشر دقائق من التنقيح يستحق سعراً أعلى بثلاثة أضعاف.
جرّب التفريغ على PicassoIA بنفسك
أفضل طريقة لحسم مسألة السعر هي تشغيل تسجيلك الخاص. خذ مقطعاً نظيفاً وآخر صاخباً، وشغّل كليهما على GPT 4o Mini Transcribe وGPT 4o Transcribe وGemini 3 Pro، وقارن عدد التعديلات التي يحتاجها كل نص. عشر دقائق من الاختبار ستخبرك بأكثر مما يخبرك أي جدول أسعار.
يقدّم PicassoIA أيضاً التفريغ مع تحويل النص إلى كلام، ومزامنة الشفاه، وتوليد الموسيقى، وأدوات الصور والفيديو، لذا يستطيع الحساب نفسه الذي يحوّل مقابلتك إلى نص أن يساعدك في إعداد صورة الغلاف والمقاطع للحلقة. تصفح كل شيء على picassoia.com/en/all-models، وارفع تسجيلاً، وشاهد ما تكلّفه تسجيلاتك فعلياً.