Jeśli szacujesz koszty transkrypcji, szczera odpowiedź brzmi, że nie istnieje jedna sztywna cena za Google Speech-to-Text. Na dzień 6 października 2026 r. (USD) podstawowe API w chmurze zaczyna się od 60 bezpłatnych minut miesięcznie, a następnie pobiera opłatę około 0,016 USD za minutę dźwięku w modelach standardowych z włączonym logowaniem danych, co daje mniej więcej 0,96 USD za godzinę przed wszelkimi innymi opłatami Google Cloud. Ta liczba jest jedynie punktem wyjścia, ponieważ Twój rzeczywisty rachunek zmienia się wraz z wersją API, wyborem logowania, przechowywaniem, siecią oraz tym, jak Twój dźwięk jest dzielony na żądania. To zestawienie omawia czynniki wpływające na cennik google speech to text, co stawka za minutę obejmuje, a czego nie, oraz jak ta matematyka oparta na minutach wypada w porównaniu z naszym własnym, opartym na kredytach procesem Speech to Text.
Spis treści
Szczery przedział i dlaczego jedna płaska cena nie istnieje
Dla typowego twórcy wysyłającego standardowy logowany dźwięk do API w chmurze efektywny przedział mieści się między 0 USD a około 0,96 USD za godzinę transkrybowanego dźwięku, zanim wkroczą dodatkowe usługi Google Cloud. Bezpłatny pakiet obejmuje pierwsze 60 minut dźwięku miesięcznie na konto rozliczeniowe, a powyżej tego każda minuta jest rozliczana po 0,016 USD na dzień 6 października 2026 r. Pomnóż 60 minut przez tę stawkę, a otrzymasz wartość ~0,96 USD za godzinę.
Powodem, dla którego nie istnieje uniwersalna płaska cena, jest to, że na ostateczną liczbę wpływa sześć zmiennych: ile płatnych minut wysyłasz ponad bezpłatny pakiet, czy włączasz logowanie danych, którą wersję API i model wybierasz, czy działasz w chmurze czy na opcji On-Prem, ile innych usług Google Cloud dołączasz oraz reguła zaokrąglania, która przekształca każde żądanie w płatne sekundy. Ponieważ wszystkie te czynniki zmieniają się w zależności od konta i mogą zmieniać się w czasie, każdy budżet powinien być powiązany z aktualną stroną cennika Google Cloud i Twoim rzeczywistym miesięcznym wolumenem, a nie z zapamiętaną liczbą.
Jak Google nalicza opłaty za chmurowe Speech-to-Text
Google wycenia chmurowe Speech-to-Text na podstawie ilości pomyślnie przetworzonego dźwięku, mierzonej w czasie, a nie w znakach. Jednostka rozliczeniowa ma większe znaczenie, niż zakłada większość arkuszy planowania. Zgodnie z notatkami o wydaniu Speech-to-Text, na rok 2026 wszystkie modele są rozliczane według tej samej reguły: każde żądanie jest zaokrąglane w górę do najbliższej jednej sekundy, bez minimalnej długości dźwięku. Zastąpiło to wcześniejsze podejście, które zaokrąglało każde żądanie w górę do najbliższych 15 sekund, co wciąż pojawia się w niektórych odniesieniach On-Prem i starszych przykładach.
Zaokrąglanie do jednej sekundy zmienia ekonomię krótkich treści. Trzysekundowy haczyk społecznościowy lub mikroedukacyjny klip jest rozliczany jako trzy sekundy, a nie piętnaście, więc twórcy publikujący wiele krótkich plików nie płacą już kary za dopełnienie przy każdym żądaniu.
W kwestii podziału na bezpłatny i płatny Google wymienia standardowy SKU „z logowaniem danych", w którym pierwsze 60 minut dźwięku miesięcznie jest bezpłatne na konto rozliczeniowe. Powyżej tego każda dodatkowa minuta jest naliczana po 0,016 USD na dzień 6 października 2026 r.
Logowanie danych to osobna dźwignia kosztów. Google historycznie oferuje różne stawki w zależności od tego, czy decydujesz się na logowanie w celu ulepszania modeli. Podsumowania firm trzecich oparte na dokumentacji Google Cloud podają standardowe modele w cenie około 0,004 USD za 15 sekund (około 0,016 USD za minutę) z włączonym logowaniem oraz około 0,006 USD za 15 sekund (około 0,024 USD za minutę) bez niego. Ponieważ stawka bez logowania nie jest w pełni ujawniona w publicznym fragmencie cennika, traktuj ją jako „nieco wyższą niż logowana" i potwierdź dokładną wartość na aktualnej stronie cennika, zanim ustalisz budżet.
Wersja API i zestaw funkcji również wchodzą w grę. Główna strona Google Speech-to-Text zauważa, że cena zależy od wersji API, kanałów i metod wsadowych, oraz opisuje API V2 z modelami Chirp plus opcjami rezydencji danych, wycenione na około 0,016 USD za minutę dla określonych zastosowań, co jest zgodne ze standardową stawką logowaną. Funkcje takie jak logowanie audytowe czy klucze szyfrowania zarządzane przez klienta różnią się między wersjami, ale główny czynnik ceny pozostaje stały: minuty przetworzonego dźwięku, a nie typ treści czy język.
Istnieje również opcja On-Prem, wyceniana według dźwięku przetworzonego miesięcznie, z żądaniami zaokrąglanymi w górę do 15-sekundowych przyrostów. Strona Google On-Prem pokazuje przykład, w którym trzy 7-sekundowe żądania są rozliczane jako 45 sekund (3 × 15 sekund) za łącznie 0,018 USD, co sugeruje efektywną stawkę około 0,006 USD za 15 sekund, czyli mniej więcej 0,024 USD za minutę jako wyliczone oszacowanie z tej podanej opłaty. On-Prem jest zbudowany dla zablokowanych, samodzielnie zarządzanych środowisk i generalnie ma znaczenie tylko dla regulowanych przedsiębiorstw z surowymi wymogami rezydencji danych lub pracy offline.
Co obejmuje, a czego nie obejmuje stawka za minutę
Cena za minutę kupuje określony wycinek stosu. Obejmuje transkrypcję dźwięku na tekst przy użyciu wybranych modeli (standard, Chirp itd.), dostęp do rozpoznawania wsadowego lub strumieniowego zgodnie z wybraną wersją i konfiguracją oraz 60-minutowy miesięczny bezpłatny pakiet dla standardowego logowanego użytkowania chmurowego. Nowe konta Google Cloud często otrzymują również ogólny kredyt w wysokości 300 USD na weryfikacje koncepcji w różnych usługach, który można zastosować do Speech-to-Text podczas wczesnego testowania.
To, czego stawka za minutę nie obejmuje, to miejsce, gdzie zwykle kryją się niespodziewane koszty:
- Cloud Storage używane do przechowywania Twoich plików dźwiękowych.
- Ruch wychodzący sieci do serwowania lub eksportowania dźwięku i transkrypcji.
- Inne usługi Google Cloud w Twoim procesie, takie jak Cloud Functions, Pub/Sub czy bazy danych.
- Podatki i regionalne korekty rozliczeniowe.
Google wymaga również włączenia rozliczeń, aby korzystać z API mowy i tekstu, choć nie jesteś obciążany, dopóki nie przekroczysz bezpłatnego limitu lub ogólnych kredytów na Twoim koncie. Dla twórcy, którego prawdziwym celem jest „wgraj wideo, uzyskaj transkrypcję, a następnie zdubbinguj", te wykluczone koszty infrastruktury stanowią różnicę między schludną pozycją za minutę a wielousługowym rachunkiem wymagającym ciągłego monitorowania.
Rozliczanie za minuty vs. nasze Speech to Text oparte na kredytach
Nasze Speech to Text znajduje się w jednej platformie do tworzenia i lokalizacji mediów, która obejmuje również AI Dubbing, Voice Cloning, Text to Speech, Speech Separator, Text to Image oraz Image to Video. Zamiast rozliczania infrastruktury za minutę, używamy kredytów platformowych z przenoszeniem, bezpłatnego pakietu i planów enterprise. Ta strukturalna różnica to prawdziwe porównanie, a nie bezpośrednie starcie na jednej liczbie.
| Wymiar | Google cloud Speech-to-Text | Nasze Speech to Text |
|---|---|---|
| Jednostka rozliczeniowa | Minuty/sekundy dźwięku na konto, w USD | Kredyty platformowe możliwe do wykorzystania w różnych narzędziach |
| Zakres | Infrastruktura transkrypcji, którą składasz samodzielnie | Transkrypcja jako jeden krok w procesie lokalizacji |
| Dodatkowe koszty | Przechowywanie, sieć, inne usługi Cloud rozliczane osobno | Pokryte w ramach jednego salda kredytów |
| Kształt budżetu | Skaluje się liniowo z minutami plus użycie chmury | Przedpłacone kredyty, które się przenoszą |
| Najlepsze dopasowanie | Programiści chcący głębokiej kontroli nad API/infrastrukturą | Twórcy i programiści chcący jednego procesu |
Praktycznym wnioskiem jest przewidywalność. Przy rozliczaniu za minuty koszty skalują się liniowo z przetworzonym dźwiękiem i z każdym innym produktem Cloud, którego dotykasz, więc monitorujesz metryki użycia i logi w sposób ciągły. Przy kredytach przedpłacasz saldo, śledzisz zużycie w różnych narzędziach i przenosisz to, czego nie wykorzystasz, co upraszcza prognozowanie, gdy Twój miesiąc łączy wideo, podcasty i kursy. Obsługujemy obie grupy odbiorców: twórcy dostają jeden interfejs, podczas gdy programiści mogą zintegrować transkrypcję poprzez nasze API obok Text to Speech i AI Dubbing.
Zamiast ponownie wyjaśniać, jak działa transkrypcja mechanicznie, nasze przewodniki na temat jak transkrybować dźwięk na tekst oraz wyboru API speech to text omawiają proces; użyj tej strony do matematyki pieniężnej.
Dokładne dane potrzebne do rzetelnej wyceny
Aby przekształcić cennik google speech to text w realny miesięczny budżet po stronie chmury, zbierz osiem danych: szacunkowe płatne minuty miesięcznie na projekt i konto (po pierwszych 60 bezpłatnych), Twoją decyzję o logowaniu danych, wersję API i model, czy używasz rozpoznawania wsadowego, strumieniowego czy obu, Twoją konfigurację kanałów dźwiękowych (mono vs. stereo i liczba kanałów), Twoją strategię przechowywania surowego dźwięku i transkrypcji, Twoje plany dotyczące ruchu wychodzącego sieci przy eksportowaniu tych plików oraz wpływ zaokrąglania Twojego miksu żądań (wiele krótkich klipów vs. mniej długich plików). Mając to, mnożysz płatne minuty przez poprawną stawkę USD i dodajesz osobne pozycje infrastrukturalne.
Dla porównywalnego oszacowania po naszej stronie powiedz nam, ile łącznie minut spodziewasz się transkrybować miesięcznie według typu treści, języki źródłowe i docelowe, jeśli łączysz transkrypcję z dubbingiem, czy planujesz również korzystać z Voice Cloning, Text to Speech, Speech Separation lub Image to Video w tym samym procesie, wielkość Twojego zespołu i współbieżność, Twój podział między użyciem API a pulpitem nawigacyjnym oraz Twój poziom jakości (transkrypcje na poziomie edycyjnym vs. napisy gotowe do produkcji). Te odpowiedzi pozwalają nam zarekomendować pakiet kredytów, który pokrywa transkrypcję i powiązane narzędzia w ramach jednego salda, zamiast osobnych budżetów minutowych na produkt. Jeśli któreś z tych danych są wciąż nieznane, wyślij to, co masz, a my dobierzemy pakiet wokół tego.
Opracowane przykłady cenowe
Wszystkie poniższe wartości są uproszczonymi oszacowaniami przy użyciu opublikowanej przez Google stawki za minutę i zakładają modele standardowe z włączonym logowaniem danych; rzeczywiste rachunki różnią się w zależności od wyboru modelu, logowania i innych usług oraz wykluczają koszty Cloud Storage i sieci.
Twórca YouTube, jedno cotygodniowe 20-minutowe wideo. Miesięczny dźwięk to 4 × 20 = 80 minut. Pierwsze 60 jest bezpłatne, pozostawiając 20 płatnych minut po 0,016 USD, co daje szacunkowe 0,32 USD miesięcznie za transkrypcję.
Producent podcastów, 10 godzin miesięcznie. To 600 minut; 60 bezpłatnych pozostawia 540 płatnych minut. Szacunek to 540 × 0,016 USD = 8,64 USD miesięcznie.
Zespół szkoleniowy, 50 godzin webinarów miesięcznie. To 3000 minut; 60 bezpłatnych pozostawia 2940 płatnych minut, co daje szacunkowe 2940 × 0,016 USD ≈ 47,04 USD miesięcznie.
Każdy z tych przykładów pokazuje jedynie opłatę za transkrypcję. Dodaj przechowywanie i ruch wychodzący po stronie chmury i pamiętaj, że mieszany miesiąc lokalizacji, w którym transkrypcje zasilają dubbing i lektora, to dokładnie scenariusz, który pojedyncze przenoszone saldo kredytów ma wygładzić.
Najczęściej zadawane pytania
Czy Google Speech-to-Text jest bezpłatny?
Google oferuje 60 minut transkrypcji miesięcznie bezpłatnie na modelach standardowych z włączonym logowaniem danych, na konto rozliczeniowe. Nowi użytkownicy Cloud mogą również otrzymać osobny kredyt w wysokości 300 USD na szersze eksperymenty w różnych usługach Google.
Czy modele rozszerzone są droższe niż standardowe?
Nie. Notatki o wydaniu Google stwierdzają, że modele rozszerzone nie są już wyceniane inaczej niż modele standardowe; użycie wszystkich modeli jest raportowane i wyceniane jak modele standardowe.
Jak teraz rozliczane są krótkie klipy?
Wszystkie chmurowe żądania Speech-to-Text są zaokrąglane w górę do najbliższej jednej sekundy, bez minimalnej długości dźwięku, zastępując starsze zaokrąglanie do 15 sekund dla użytkowania chmurowego. Odniesienia On-Prem mogą wciąż używać 15-sekundowych przyrostów.
Czy cena za minutę obejmuje przechowywanie i sieć?
Nie. Stawka za minutę obejmuje jedynie transkrypcję. Cloud Storage, ruch wychodzący sieci i inne usługi Google Cloud są rozliczane osobno według własnego cennika.
Jak to wypada w porównaniu z Waszym Speech to Text?
Google nalicza opłaty za minutę (lub sekundę) dźwięku z osobnymi kosztami infrastruktury, podczas gdy my używamy modelu opartego na kredytach, który obejmuje Speech to Text plus dubbing, text to speech, klonowanie głosu i powiązane narzędzia w ramach jednego procesu, z przenoszonymi kredytami i opcjami enterprise dla większych zespołów.