Se você está calculando o custo de transcrição, a resposta honesta é que não existe um preço único e fixo para o Google Speech-to-Text. Em 6 de outubro de 2026 (USD), a API de nuvem principal começa com 60 minutos gratuitos por mês e depois cobra cerca de US$ 0,016 por minuto de áudio em modelos padrão com registro de dados ativado, o que resulta em aproximadamente US$ 0,96 por hora antes de quaisquer outras cobranças do Google Cloud. Esse número é apenas o ponto de partida, porque sua conta real muda conforme a versão da API, a escolha de registro, o armazenamento, a rede e como seu áudio é dividido em requisições. Esta análise detalha os fatores por trás da precificação do google speech to text, o que a tarifa por minuto cobre e o que não cobre, e como esse cálculo baseado em minutos se compara ao nosso próprio fluxo de trabalho de Speech to Text baseado em créditos.
Índice
A faixa honesta e por que um preço fixo único não existe
Para um criador típico que envia áudio registrado padrão para a API de nuvem, a faixa efetiva fica entre US$ 0 e cerca de US$ 0,96 por hora de áudio transcrito antes que quaisquer serviços adicionais do Google Cloud entrem em cena. A faixa gratuita cobre os primeiros 60 minutos de áudio por mês por conta de cobrança, e acima disso cada minuto é cobrado a US$ 0,016 USD em 6 de outubro de 2026. Multiplique 60 minutos por essa tarifa e você chega ao valor de ~US$ 0,96 por hora.
O motivo de não haver um preço fixo universal é que seis variáveis alteram o número final: quantos minutos cobráveis você envia além da camada gratuita, se você ativa o registro de dados, qual versão da API e modelo você escolhe, se você roda na nuvem ou na opção On-Prem, quantos outros serviços do Google Cloud você anexa, e a regra de arredondamento que converte cada requisição em segundos cobráveis. Como todos esses fatores variam por conta e podem mudar ao longo do tempo, qualquer orçamento deve estar vinculado à página atual de preços do Google Cloud e ao seu volume mensal real, em vez de a um número lembrado.
Como o Google cobra o Speech-to-Text em nuvem
O Google precifica o Speech-to-Text em nuvem com base na quantidade de áudio processado com sucesso, medida em tempo e não em caracteres. A unidade de cobrança importa mais do que a maioria das planilhas de planejamento assume. De acordo com as notas de versão do Speech-to-Text, em 2026 todos os modelos são cobrados com a mesma regra: cada requisição é arredondada para cima até o segundo mais próximo, sem duração mínima de áudio. Isso substituiu uma abordagem anterior que arredondava cada requisição para cima até os 15 segundos mais próximos, que ainda aparece em algumas referências On-Prem e exemplos mais antigos.
O arredondamento de um segundo muda a economia de conteúdos curtos. Um gancho social de três segundos ou um clipe de micro-aprendizagem é cobrado como três segundos, não quinze, então criadores que publicam muitos arquivos curtos não pagam mais uma penalidade de preenchimento em cada requisição.
Na divisão entre gratuito e pago, o Google lista um SKU padrão "com registro de dados" onde os primeiros 60 minutos de áudio por mês são gratuitos por conta de cobrança. Além disso, cada minuto adicional é cobrado a US$ 0,016 USD em 6 de outubro de 2026.
O registro de dados é sua própria alavanca de custo. Historicamente, o Google oferece tarifas diferentes dependendo de você optar por registrar dados para melhoria do modelo. Resumos de terceiros baseados na documentação do Google Cloud relatam modelos padrão a cerca de US$ 0,004 por 15 segundos (cerca de US$ 0,016 por minuto) com o registro ativado, e cerca de US$ 0,006 por 15 segundos (cerca de US$ 0,024 por minuto) sem ele. Como a tarifa sem registro não está totalmente exposta no trecho público de preços, trate-a como "ligeiramente mais alta do que a registrada" e confirme o valor exato na página atual de preços antes de comprometer um orçamento.
A versão da API e o conjunto de recursos também entram na conversa. A página principal do Speech-to-Text do Google observa que a precificação depende da versão da API, canais e métodos em lote, e descreve uma API V2 com modelos Chirp mais opções de residência de dados, com preço em torno de US$ 0,016 por minuto para determinados casos de uso, alinhando-se à tarifa padrão registrada. Recursos como registro de auditoria ou chaves de criptografia gerenciadas pelo cliente diferem entre versões, mas o principal fator de preço permanece constante: minutos de áudio processados, não o tipo de conteúdo ou idioma.
Há também uma opção On-Prem, precificada por áudio processado por mês, com requisições arredondadas para cima em incrementos de 15 segundos. A página On-Prem do Google mostra um exemplo onde três requisições de 7 segundos são cobradas como 45 segundos (3 × 15 segundos) por US$ 0,018 USD no total, o que implica uma tarifa efetiva de cerca de US$ 0,006 por 15 segundos, ou aproximadamente US$ 0,024 por minuto como uma estimativa calculada a partir dessa cobrança listada. O On-Prem é feito para ambientes restritos e autogerenciados e geralmente importa apenas para empresas reguladas com requisitos rígidos de residência de dados ou offline.
O que a tarifa por minuto inclui e exclui
O preço por minuto compra uma fatia específica da pilha. Ele cobre a transcrição de áudio em texto usando os modelos selecionados (padrão, Chirp e assim por diante), acesso ao reconhecimento em lote ou por streaming conforme a versão e configuração escolhidas, e a camada gratuita mensal de 60 minutos para uso padrão registrado em nuvem. Novas contas do Google Cloud também costumam receber um crédito geral de US$ 300 USD para provas de conceito em todos os serviços, que pode ser aplicado ao Speech-to-Text durante os testes iniciais.
O que a tarifa por minuto não inclui é onde os custos surpresa geralmente se escondem:
- Cloud Storage usado para armazenar seus arquivos de áudio.
- Saída de rede para servir ou exportar áudio e transcrições.
- Outros serviços do Google Cloud no seu pipeline, como Cloud Functions, Pub/Sub ou bancos de dados.
- Impostos e ajustes de cobrança regionais.
O Google também exige que você ative a cobrança para usar as APIs de fala e texto, embora você não seja cobrado a menos que exceda a cota gratuita ou os créditos gerais da sua conta. Para um criador cujo objetivo real é "enviar um vídeo, obter uma transcrição e depois dublar", esses custos de infraestrutura excluídos são a diferença entre uma linha de item organizada por minuto e uma conta de múltiplos serviços que precisa de monitoramento contínuo.
Cobrança por minuto vs. nosso Speech to Text baseado em créditos
Nosso Speech to Text está dentro de uma plataforma de criação de mídia e localização que também cobre Dublagem com IA, Clonagem de Voz, Text to Speech, Separador de Fala, Text to Image e Image to Video. Em vez de cobrança de infraestrutura por minuto, usamos créditos de plataforma com rollover, uma camada gratuita e planos empresariais. Essa diferença estrutural é a verdadeira comparação, não um confronto direto sobre um único número.
| Dimensão | Google nuvem Speech-to-Text | Nosso Speech to Text |
|---|---|---|
| Unidade de cobrança | Minutos/segundos de áudio por conta, em USD | Créditos de plataforma utilizáveis em várias ferramentas |
| Escopo | Infraestrutura de transcrição que você monta | Transcrição como uma etapa em um pipeline de localização |
| Custos extras | Armazenamento, rede e outros serviços de nuvem cobrados separadamente | Cobertos dentro de um único saldo de créditos |
| Formato do orçamento | Escala linearmente com minutos mais uso de nuvem | Créditos pré-comprados que acumulam |
| Melhor adequação | Desenvolvedores que querem controle profundo de API/infraestrutura | Criadores e desenvolvedores que querem um único fluxo de trabalho |
O resultado prático é a previsibilidade. Com a cobrança por minuto, os custos escalam linearmente com o áudio processado e com cada outro produto de nuvem que você toca, então você monitora métricas de uso e logs continuamente. Com créditos, você pré-compra um saldo, acompanha o consumo entre ferramentas e acumula o que não usa, o que simplifica a previsão quando seu mês mistura vídeos, podcasts e cursos. Atendemos ambos os públicos: criadores têm uma interface única, enquanto desenvolvedores podem integrar a transcrição através de nossas APIs junto com Text to Speech e Dublagem com IA.
Em vez de reexplicar como a transcrição funciona mecanicamente, nossos guias sobre como transcrever áudio em texto e como escolher uma API de speech to text cobrem o fluxo de trabalho; use esta página para o cálculo do dinheiro.
Dados exatos que você precisa para um orçamento confiável
Para transformar a precificação do google speech to text em um orçamento mensal real no lado da nuvem, reúna oito dados: minutos cobráveis estimados por mês por projeto e conta (após os primeiros 60 gratuitos), sua decisão sobre registro de dados, a versão da API e o modelo, se você usa reconhecimento em lote, streaming ou ambos, sua configuração de canais de áudio (mono vs. estéreo e quantidade de canais), sua estratégia de armazenamento para áudio bruto e transcrições, seus planos de saída de rede para exportar esses arquivos, e o impacto do arredondamento no seu mix de requisições (muitos clipes curtos vs. poucos arquivos longos). Com isso, você multiplica os minutos cobráveis pela tarifa correta em USD e adiciona as linhas de item separadas de infraestrutura.
Para uma estimativa equivalente do nosso lado, conte-nos o total de minutos que você espera transcrever mensalmente por tipo de conteúdo, os idiomas de origem e destino se você combinar transcrição com dublagem, se você também planeja usar Clonagem de Voz, Text to Speech, Separação de Fala ou Image to Video no mesmo fluxo de trabalho, o tamanho da sua equipe e a concorrência, sua divisão entre uso de API e painel, e seu padrão de qualidade (transcrições de nível de edição vs. legendas prontas para produção). Essas respostas nos permitem recomendar um pacote de créditos que cobre a transcrição e as ferramentas relacionadas sob um único saldo, em vez de orçamentos de minutos separados por produto. Se algum desses ainda for desconhecido, envie o que você tem e nós dimensionaremos um pacote em torno disso.
Exemplos práticos de precificação
Todos os valores abaixo são estimativas simplificadas usando a tarifa por minuto publicada pelo Google e assumem modelos padrão com registro de dados ativado; as contas reais variam com a escolha do modelo, registro e outros serviços, e excluem custos de Cloud Storage e de rede.
Criador do YouTube, um vídeo semanal de 20 minutos. O áudio mensal é 4 × 20 = 80 minutos. Os primeiros 60 são gratuitos, deixando 20 minutos cobráveis a US$ 0,016, totalizando uma estimativa de US$ 0,32 por mês em transcrição.
Produtor de podcast, 10 horas por mês. Isso são 600 minutos; 60 gratuitos deixam 540 minutos cobráveis. A estimativa é 540 × US$ 0,016 = US$ 8,64 por mês.
Equipe de treinamento, 50 horas de webinars por mês. Isso são 3.000 minutos; 60 gratuitos deixam 2.940 minutos cobráveis, totalizando uma estimativa de 2.940 × US$ 0,016 ≈ US$ 47,04 por mês.
Cada um desses mostra apenas a cobrança de transcrição. Adicione armazenamento e saída de rede no lado da nuvem, e lembre-se de que um mês de localização mista, onde as transcrições alimentam a dublagem e a locução, é exatamente o cenário que um único saldo de créditos rotativo foi feito para suavizar.
Perguntas frequentes
O Google Speech-to-Text é gratuito?
O Google oferece 60 minutos de transcrição por mês gratuitamente em modelos padrão com registro de dados ativado, por conta de cobrança. Novos usuários de nuvem também podem receber um crédito separado de US$ 300 USD para experimentação mais ampla nos serviços do Google.
Os modelos aprimorados são mais caros que os padrão?
Não. As notas de versão do Google afirmam que os modelos aprimorados não são mais precificados de forma diferente dos modelos padrão; o uso de todos os modelos é reportado e precificado como modelos padrão.
Como os clipes curtos são cobrados agora?
Todas as requisições do Speech-to-Text em nuvem são arredondadas para cima até o segundo mais próximo, sem duração mínima de áudio, substituindo o antigo arredondamento de 15 segundos para uso em nuvem. As referências On-Prem ainda podem usar incrementos de 15 segundos.
O preço por minuto inclui armazenamento e rede?
Não. A tarifa por minuto cobre apenas a transcrição. Cloud Storage, saída de rede e outros serviços do Google Cloud são cobrados separadamente sob sua própria precificação.
Como isso se compara ao seu Speech to Text?
O Google cobra por minuto (ou segundo) de áudio com custos de infraestrutura separados, enquanto nós usamos um modelo baseado em créditos que cobre Speech to Text mais dublagem, text to speech, clonagem de voz e ferramentas relacionadas dentro de um único fluxo de trabalho, com créditos rotativos e opções empresariais para equipes maiores.