हर रेट को कॉस्ट प्रति घंटे में बदलकर स्पीच टू टेक्स्ट API प्राइसिंग की आमने-सामने तुलना, जो $0.04 से $1.44 तक है। 100 और 1,000 ऑडियो घंटों पर मासिक बिल देखें, वे ऐड-ऑन फ़ीस जो इनवॉइस बढ़ाती हैं, और यह कि अपनी रिकॉर्डिंग पर पहले सटीकता कैसे जाँचें।
एक घंटे के ऑडियो का ट्रांसक्रिप्शन एक स्पीच टू टेक्स्ट API पर $0.04 में हो सकता है और दूसरे पर $1.44 में। वही रिकॉर्डिंग, वही शब्द, इनवॉइस में 36x का अंतर। यही फैलाव इस बात की वजह है कि कुछ भी प्रोडक्शन में जोड़ने से पहले स्पीच टू टेक्स्ट API प्राइसिंग की साथ-साथ तुलना ज़रूरी है। यह आर्टिकल हर रेट को एक ही यूनिट में बदलता है, सबसे सस्ते ट्रांसक्रिप्शन API को रैंक करता है, और दिखाता है कि 100 और 1,000 ऑडियो घंटे प्रति माह पर हर एक की लागत कितनी है। आप वे ऐड-ऑन फ़ीस भी देखेंगे जो चुपचाप बिल दोगुना कर देती हैं, वे जगहें जहाँ कम दाम वाले मॉडल सटीकता खोते हैं, और यह कि PicassoIA पर बिना कोड लिखे तीन ट्रांसक्रिप्शन मॉडल कैसे आज़माएँ।
💡 नीचे दिया हर रेट वेंडर की सूचीबद्ध पे-एज़-यू-गो कीमत है, PicassoIA की कीमत नहीं। प्रोवाइडर अक्सर रेट बदलते हैं, इसलिए किसी भी चीज़ पर प्रतिबद्ध होने से पहले वेंडर के प्राइसिंग पेज पर मौजूदा संख्या की पुष्टि करें।
लगभग हर वेंडर शब्दों की संख्या या फ़ाइल साइज़ के बजाय ऑडियो की अवधि के हिसाब से बिल करता है। सुनने में यह सरल लगता है, जब तक आप कोट्स की तुलना न करें। कुछ प्रति मिनट डॉलर बताते हैं, कुछ प्रति घंटे, और कुछ काम की संख्या किसी बिलिंग नियम के पीछे छिपा देते हैं। पहला काम सब कुछ एक ही यूनिट में लाना है।
कन्वर्ज़न एक लाइन का गणित है: प्रति घंटे की लागत पाने के लिए प्रति मिनट रेट को 60 से गुणा करें। $0.003 प्रति मिनट का रेट $0.18 प्रति घंटे के बराबर है। $0.024 प्रति मिनट का रेट $1.44 प्रति घंटे के बराबर है। वेंडर वही यूनिट चुनते हैं जिसमें संख्या सबसे छोटी दिखे, इसलिए कुछ भी तुलना करने से पहले खुद कन्वर्ज़न कर लें।
पैमाना बढ़ने पर दशमलव चुभने लगते हैं। $0.0025 प्रति मिनट का रेट कुछ भी नहीं लगता, जब तक आप नोटिस न करें कि 500 घंटे का आर्काइव 30,000 मिनट का होता है, और वही आर्काइव एक प्रोवाइडर पर $75 और दूसरे पर $720 में पड़ता है।
पूरी हो चुकी फ़ाइल का ट्रांसक्रिप्शन (बैच, जिसे कभी-कभी प्री-रिकॉर्डेड कहा जाता है) सस्ता रास्ता है। लाइव ट्रांसक्रिप्शन (स्ट्रीमिंग) महँगा पड़ता है, क्योंकि आपके बोलते समय प्रोवाइडर को GPU कैपेसिटी खुली रखनी पड़ती है। यह अंतर छोटा नहीं है:
अगर आप रिकॉर्डिंग बाद में ट्रांसक्रिप्ट करते हैं, तो कभी भी स्ट्रीमिंग रेट न दें। फ़ाइल अपलोड करें और कुछ सेकंड इंतज़ार करें। स्ट्रीमिंग को लाइव कैप्शन, वॉइस एजेंट और उन चीज़ों के लिए रखें जहाँ कोई व्यक्ति रियल टाइम में शब्दों का इंतज़ार करता है।
यहाँ हर प्रमुख विकल्प को उन्हीं दो यूनिट में बदलकर दिया गया है और सबसे सस्ते से सबसे महँगे तक क्रम में रखा गया है। रेट पहले usage टियर, अंग्रेज़ी और बिना ऐड-ऑन के हैं।
| प्रोवाइडर और मॉडल | प्रति घंटा | प्रति मिनट | सबसे उपयुक्त |
|---|---|---|---|
| Groq Whisper Large v3 Turbo | $0.04 | ~$0.0007 | बहुत बड़े बैकलॉग, तेज़ स्पीड |
| AssemblyAI Universal-2 | $0.15 | $0.0025 | एक्स्ट्रा फ़ीचर के साथ कम लागत वाला बैच |
| GPT-4o Mini Transcribe | $0.18 | $0.003 | सामान्य उपयोग, सीमित बजट |
| AssemblyAI Universal-3.5 Pro | $0.21 | $0.0035 | कम लागत में मुश्किल ऑडियो |
| Deepgram Nova-3 (पहले से रिकॉर्ड किया हुआ) | ~$0.26 | ~$0.0043 | डेवलपर टूलिंग, बड़ी मात्रा |
| GPT-4o Transcribe | $0.36 | $0.006 | एक्सेंट और गड़बड़ ऑडियो |
| Google Cloud Speech-to-Text V2 | $0.96 | $0.016 | Google Cloud इस्तेमाल करने वाली कंपनियाँ |
| Azure Speech (स्टैंडर्ड) | $1.00 | ~$0.0167 | Microsoft इकोसिस्टम |
| AWS Transcribe (Tier 1) | $1.44 | $0.024 | AWS-नेटिव पाइपलाइन |
💡 OpenAI के अपने API पर Whisper large v3 की कीमत $0.006 प्रति मिनट है, जो GPT-4o Transcribe के बराबर है। जब कीमत एक जैसी हो, तो एक्सेंट और बैकग्राउंड नॉइज़ के लिए नया मॉडल ज़्यादा सुरक्षित चुनाव है।
ऑडियो के प्रति घंटे एक चौथाई डॉलर से नीचे चार विकल्प हैं। Groq इसमें अपवाद है: $0.04 प्रति घंटे पर होस्टेड Whisper Large v3 Turbo रियल टाइम से सैकड़ों गुना तेज़ चलता है, इसलिए एक घंटे का ऑडियो एक मिनट से भी कम में पूरा हो जाता है। इसका समझौता यह है कि फ़ीचर सेट पतला है, और विशेषज्ञ वेंडरों की तुलना में बिल्ट-इन एक्स्ट्रा कम हैं।
AssemblyAI Universal-2 $0.15 प्रति घंटे पर सबसे सस्ता विकल्प है जो फिर भी ऑप्शनल फ़ीचर्स के पूरे टूलबॉक्स के साथ आता है, और इसका Universal-3.5 Pro मॉडल प्रति घंटे $0.06 ज़्यादा में सटीकता बढ़ाता है। GPT-4o Mini Transcribe $0.18 प्रति घंटे पर आता है और छात्रों, अकेले क्रिएटर्स और छोटी टीमों के लिए स्वीट स्पॉट है, जिन्हें वेंडर अकाउंट्स का ढेर संभाले बिना अच्छी सटीकता चाहिए।
Google Cloud, Azure और AWS स्टैंडर्ड ट्रांसक्रिप्शन के लिए $0.96 से $1.44 प्रति घंटा लेते हैं। यह बजट टियर से 6 से 36 गुना है। आप बेहतर शब्दों के लिए नहीं पैसे दे रहे, बल्कि कंप्लायंस सर्टिफ़िकेशन, क्षेत्रीय डेटा रेज़िडेंसी, सिंगल-साइन-ऑन और उस एक इनवॉइस की सुविधा के लिए दे रहे हैं जो आपकी फ़ाइनेंस सिस्टम में पहले से मौजूद है।
अगर आपकी कंपनी पहले से इन क्लाउड में से किसी एक पर चलती है और कानून कहता है कि ऑडियो उसी के भीतर रहे, तो यह प्रीमियम समझ में आता है। अगर ऐसा नहीं है, तो प्रीमियम आदत पर लगा टैक्स है। Google का डिस्काउंटेड बैच मोड अपवाद है, क्योंकि यह लागत लगभग $0.18 से $0.24 प्रति घंटे पर मिड-टियर के करीब ले आता है।
प्रति मिनट रेट तभी असली बनते हैं जब आप उन्हें अपने वर्कलोड से गुणा करते हैं। यह टेबल प्रति माह 100 और 1,000 घंटे के ऑडियो का उपयोग करती है, केवल बेस रेट के साथ।
| विकल्प | 100 घंटे प्रति माह | 1,000 घंटे प्रति माह |
|---|---|---|
| Groq Whisper Large v3 Turbo | $4 | $40 |
| AssemblyAI Universal-2 | $15 | $150 |
| GPT-4o Mini Transcribe | $18 | $180 |
| AssemblyAI Universal-3.5 Pro | $21 | $210 |
| Deepgram Nova-3 (पहले से रिकॉर्ड किया हुआ) | ~$26 | ~$258 |
| GPT-4o Transcribe | $36 | $360 |
| Google Cloud V2 | $96 | $960 |
| Azure Speech | $100 | $1,000 |
| AWS Transcribe | $144 | $1,440 |
कल्पना करें कि एक नेटवर्क हर महीने 50 दो-घंटे के एपिसोड प्रकाशित करता है। यह 100 घंटे का ऑडियो है। सबसे सस्ता विकल्प $4 लगाता है और सबसे महँगा $144, यानी महीने में $140 का फ़र्क। इस मात्रा पर इनवॉइस समस्या नहीं है। खराब ट्रांसक्रिप्ट ठीक करने में लगा एक घंटा ज़्यादातर विकल्पों पर पूरे मासिक बिल से ज़्यादा पड़ता है, इसलिए पहले सटीकता और वर्कफ़्लो के आधार पर चुनें, और कीमत को टाई-ब्रेकर रखें।
अब उस सपोर्ट टीम पर नज़र डालें जो हर महीने 1,000 घंटे कॉल रिकॉर्ड करती है। सबसे सस्ते और सबसे महँगे विकल्प के बीच का अंतर अब $1,400 प्रति माह हो जाता है, या सालाना $16,800। $150 से $360 प्रति माह के बीच के मिड-टियर विकल्पों का अब असली फ़ायदा है, और यही वह रेंज है जहाँ अपने ऑडियो पर दो या तीन वेंडरों को आज़माना एक ही दोपहर में खुद का खर्च निकाल देता है।
सामने दिखने वाली कीमत सिर्फ़ बेस ट्रांसक्रिप्ट की होती है, और कुछ नहीं। असली इनवॉइस बेस रेट और उन सभी चीज़ों से बनता है जो आप चालू करते हैं।
स्पीकर लेबल, अपशब्द फ़िल्टरिंग, पर्सनल डेटा की रेडैक्शन, भाषा पहचान, सेंटिमेंट टैग और सारांश आम तौर पर अलग से मीटर होते हैं। आम चार्ज कुछ ऐसे दिखते हैं:
इनमें से तीन-चार चालू कर दें तो $0.15 का बेस रेट दोगुना या उससे ज़्यादा हो सकता है। हमेशा वही सटीक फ़ीचर सेट प्राइस करें जिसकी आपके प्रोडक्ट को ज़रूरत है, न कि हेडलाइन नंबर।
💡 भुगतान से पहले टेस्ट करने में फ्री टियर मदद करते हैं। Deepgram $200 का स्टार्टिंग क्रेडिट देता है, AssemblyAI फ्री क्रेडिट की सुविधा देता है, Google हर महीने 60 फ्री मिनट शामिल करता है, और AWS पहले साल हर महीने 60 फ्री मिनट शामिल करता है।
बिलिंग नियम भी ऐड-ऑन जितने ही मायने रखते हैं। AWS Transcribe हर अनुरोध पर न्यूनतम 15 सेकंड का बिल करता है, इसलिए 3-सेकंड के क्लिप भेजने वाला वॉइस-कमांड ऐप असल में भेजे गए ऑडियो से पाँच गुना ऑडियो का भुगतान करता है। अपलोड सीमाएँ भी मायने रखती हैं: OpenAI के ट्रांसक्रिप्शन एंडपॉइंट लगभग 25 MB तक की फ़ाइलें स्वीकार करते हैं, इसलिए लंबी रिकॉर्डिंग को चंक करना पड़ता है, और ओवरलैपिंग चंक का मतलब है कि ओवरलैप हुए सेकंड का भुगतान दो बार होता है।
ट्रांसक्रिप्शन पर हर महीने $30 बचाना बुरा सौदा है, अगर सस्ता वेंडर आपके डेवलपर का चार अतिरिक्त घंटे ले ले। कमिट करने से पहले अपनी भाषा के लिए SDK, फ़िनिश्ड जॉब्स के लिए वेबहुक, समझदार रेट लिमिट और अनुमानित एरर मैसेज जाँच लें। $75 प्रति घंटा के इंजीनियरिंग खर्च पर, चार घंटे का इंटीग्रेशन दर्द $30 की बचत के दस महीने के बराबर है।
प्रति घंटे की कीमत यह नहीं बताती कि कितने शब्द गलत निकलेंगे। एक ही रेट वाले दो वेंडर आपको सफ़ाई का बहुत अलग काम दे सकते हैं, और सफ़ाई इंसानी समय में चुकाई जाती है।
कम लागत वाले मॉडल आम तौर पर उन्हीं जगहों पर फिसलते हैं: भारी एक्सेंट, दो लोग एक-दूसरे के ऊपर बोलते हुए, हवा या मशीनरी वाली फ़ील्ड रिकॉर्डिंग, प्रोडक्ट के नाम, एक्रोनिम और बोली गई संख्याएँ। हर फिसलन एक एडिट बन जाती है।
एडिटिंग का गणित लगाएँ। $30 प्रति घंटे की दर पर एक एडिटर की लागत $0.50 प्रति मिनट है। ऑडियो के हर घंटे में सफ़ाई के हर अतिरिक्त 10 मिनट पर $5 जुड़ते हैं, जो उस घंटे के लिए पूरे AWS Transcribe बिल से ज़्यादा है। $0.18 में बना और 20 मिनट ठीक करवाने वाला ट्रांसक्रिप्ट उस ट्रांसक्रिप्ट से महँगा है जो $0.36 में बना और 5 मिनट में ठीक हो जाता है।
भरोसेमंद टेस्ट सिर्फ़ आपका अपना ऑडियो है। तीन प्रतिनिधि फ़ाइलें चुनें, हर एक को तीन मॉडलों से चलाएँ, और अपने किए एडिट गिनें। किसी बेंचमार्क चार्ट के आधार पर कुछ भी तय करने से पहले यह करें।
मीटिंग रोज़मर्रा का सबसे कठिन मामला है, क्योंकि यह जाने बिना कि किसने क्या कहा, ट्रांसक्रिप्ट बेकार है। कुछ मॉडल स्पीकर लेबल बेस प्राइस में शामिल रखते हैं, जैसे OpenAI के transcribe मॉडल का डायराइज़ेशन वर्ज़न, जबकि दूसरे इन्हें ऐड-ऑन के रूप में मीटर करते हैं। मीटिंग-केंद्रित वर्कलोड की तुलना करते समय, शॉर्टलिस्ट के हर विकल्प में डायराइज़ेशन फ़ीस जोड़ें, फिर कुल योग की तुलना करें। सबसे सस्ता बेस रेट अक्सर सबसे सस्ता कुल योग नहीं रहता।
PicassoIA तीन स्पीच-टू-टेक्स्ट मॉडल होस्ट करता है जिन्हें आप सीधे ब्राउज़र से आज़मा सकते हैं: GPT-4o Mini Transcribe, GPT-4o Transcribe, और Gemini 3 Pro। इस तरह आप किसी भी वेंडर अकाउंट को खोलने से पहले पिछले सेक्शन का तीन-फ़ाइल टेस्ट जल्दी चला सकते हैं।
ट्रांसक्रिप्शन आम तौर पर एक लंबी पाइपलाइन का पहला कदम होता है। साफ़ टेक्स्ट मिल जाने के बाद आप उसे दोबारा इस्तेमाल कर सकते हैं: नई आवाज़ में नैरेट करें, अनुवाद करके दोबारा रिकॉर्ड करें, या उसके इर्द-गिर्द साउंडट्रैक बनाएँ। PicassoIA ये सभी चरण एक ही जगह रखता है।
सुधारा हुआ ट्रांसक्रिप्ट किसी टेक्स्ट-टू-स्पीच मॉडल को दें, और बिना स्टूडियो बुक किए आपको साफ़ नैरेशन ट्रैक मिल जाता है। Speech 2.8 HD स्टूडियो-क्वालिटी वॉइसओवर के लिए बना है, ElevenLabs v3 एक्सप्रेसिव डिलिवरी पर केंद्रित है, Gemini 3.1 Flash TTS 70 से ज़्यादा भाषाओं में 30 आवाज़ें देता है, और Realtime TTS 2 कम लेटेंसी वाले उपयोग के लिए बनाया गया है। जो पॉडकास्टर हर एपिसोड का दूसरी-भाषा संस्करण चाहते हैं, उनके लिए यह व्यावहारिक चक्र है।
नैरेशन के नीचे एक शांत म्यूज़िक बेड आते ही वह पूरा लगने लगता है। Music 2.6 टेक्स्ट प्रॉम्प्ट से पूरे गाने बनाता है, Lyria 3 Pro लंबे इंस्ट्रुमेंटल टुकड़े बनाता है, और Stable Audio 2.5 छोटे लूप और एम्बिएंट बेड के लिए अच्छा है। मूड को एक वाक्य में बताएँ, ट्रैक को इंस्ट्रुमेंटल रखें, और उसे आवाज़ से 15 से 20 डेसिबल नीचे रखें।
ऊपर की हर बात का छोटा संस्करण यह है:
जो भी चुनें, पहले महीने को टेस्ट मानें। असली इनवॉइस दर्ज करें, उसे ट्रांसक्रिप्ट किए गए घंटों से भाग दें, और ऊपर की टेबल से तुलना करें। प्राइस बदलते हैं, और आपकी ज़रूरतें भी। जो वेंडर आज लागत में जीतता है, वह अगली तिमाही में सटीकता या सीमाओं में हार सकता है, इसलिए अपना इंटीग्रेशन इतना पतला रखें कि एक लाइन के बदलाव से प्रोवाइडर बदला जा सके, और हर बार रेट बदलने पर दोबारा चलाने के लिए 5-मिनट का टेस्ट क्लिप तैयार रखें।
इसे अमल में लाने के लिए तैयार हैं? PicassoIA खोलें, अपनी कोई एक रिकॉर्डिंग GPT-4o Mini Transcribe पर अपलोड करें, फिर वही क्लिप दूसरे ट्रांसक्रिप्शन मॉडलों पर आज़माएँ। जब टेक्स्ट सही लगे, तो उसे टेक्स्ट-टू-स्पीच आवाज़ से नैरेट करें, म्यूज़िक बेड जोड़ें, और देखें कि एक रिकॉर्डिंग कितनी दूर तक जा सकती है। पूरा कैटलॉग picassoia.com/en/all-models पर देखें और आज ही प्रयोग शुरू करें।
अपनी भाषा चुनें
