รายละเอียดราคาบริการแปลงเสียงเป็นข้อความของ Google

หากคุณกำลังประเมินราคาสำหรับการถอดเสียง คำตอบที่ตรงไปตรงมาคือไม่มีราคาป้ายเดียวสำหรับ Google Speech-to-Text ณ วันที่ 6 ตุลาคม 2026 (USD) API คลาวด์หลักเริ่มต้นด้วย 60 นาทีฟรีต่อเดือน จากนั้นคิดค่าบริการประมาณ $0.016 ต่อนาทีของเสียงบนโมเดลมาตรฐานที่เปิดใช้งานการบันทึกข้อมูล ซึ่งเท่ากับประมาณ $0.96 ต่อชั่วโมงก่อนค่าบริการ Google Cloud อื่น ๆ ตัวเลขนั้นเป็นเพียงจุดเริ่มต้น เพราะบิลจริงของคุณจะเปลี่ยนไปตามเวอร์ชัน API ตัวเลือกการบันทึก พื้นที่จัดเก็บ เครือข่าย และวิธีที่เสียงของคุณถูกแบ่งออกเป็นคำขอ บทวิเคราะห์นี้จะพาคุณไปดูปัจจัยที่อยู่เบื้องหลังราคา google speech to text ว่าอัตราต่อนาทีครอบคลุมและไม่ครอบคลุมอะไรบ้าง และการคำนวณแบบต่อนาทีนั้นเปรียบเทียบกับเวิร์กโฟลว์ Speech to Text แบบใช้เครดิตของเราอย่างไร

สารบัญ

ช่วงราคาที่ตรงไปตรงมาและเหตุใดจึงไม่มีราคาคงที่เดียว

สำหรับครีเอเตอร์ทั่วไปที่ส่งเสียงมาตรฐานแบบบันทึกข้อมูลไปยัง API คลาวด์ ช่วงราคาที่แท้จริงจะอยู่ระหว่าง $0 ถึงประมาณ $0.96 ต่อชั่วโมงของเสียงที่ถอดความ ก่อนที่บริการ Google Cloud เพิ่มเติมใด ๆ จะเข้ามาเกี่ยวข้อง แถบฟรีครอบคลุม 60 นาทีแรกของเสียงต่อเดือนต่อบัญชีการเรียกเก็บเงิน และเกินกว่านั้นแต่ละนาทีจะถูกเรียกเก็บที่ $0.016 USD ณ วันที่ 6 ตุลาคม 2026 คูณ 60 นาทีด้วยอัตรานั้นคุณจะได้ตัวเลขรายชั่วโมงประมาณ $0.96

เหตุผลที่ไม่มีราคาคงที่สากลคือมีตัวแปรหกอย่างที่เปลี่ยนแปลงตัวเลขสุดท้าย ได้แก่ จำนวนนาทีที่เรียกเก็บได้ที่คุณส่งเกินระดับฟรี ว่าคุณเปิดใช้งานการบันทึกข้อมูลหรือไม่ เวอร์ชัน API และโมเดลที่คุณเลือก ว่าคุณใช้งานบนคลาวด์หรือตัวเลือก On-Prem จำนวนบริการ Google Cloud อื่น ๆ ที่คุณเชื่อมต่อ และกฎการปัดเศษที่แปลงแต่ละคำขอเป็นวินาทีที่เรียกเก็บได้ เนื่องจากทั้งหมดนี้เปลี่ยนแปลงไปในแต่ละบัญชีและอาจเปลี่ยนแปลงไปตามกาลเวลา งบประมาณใด ๆ ควรยึดตามหน้าราคาปัจจุบันของ Google Cloud และปริมาณการใช้งานรายเดือนที่แท้จริงของคุณมากกว่าตัวเลขที่จำได้

Google คิดค่าบริการ Speech-to-Text บนคลาวด์อย่างไร

Google คิดราคา Speech-to-Text บนคลาวด์ตามปริมาณเสียงที่ประมวลผลสำเร็จ โดยวัดเป็นเวลามากกว่าตัวอักษร หน่วยการเรียกเก็บเงินมีความสำคัญมากกว่าที่สเปรดชีตการวางแผนส่วนใหญ่คาดไว้ ตามบันทึกการเผยแพร่ของ Speech-to-Text ณ ปี 2026 ทุกโมเดลถูกเรียกเก็บด้วยกฎเดียวกัน คือแต่ละคำขอจะถูกปัดขึ้นเป็นหนึ่งวินาทีที่ใกล้ที่สุด โดยไม่มีความยาวเสียงขั้นต่ำ ซึ่งแทนที่แนวทางก่อนหน้าที่ปัดแต่ละคำขอขึ้นเป็น 15 วินาทีที่ใกล้ที่สุด ซึ่งยังปรากฏในเอกสารอ้างอิง On-Prem บางส่วนและตัวอย่างเก่า ๆ

การปัดเศษหนึ่งวินาทีเปลี่ยนเศรษฐศาสตร์ของเนื้อหาสั้น ๆ ฮุคโซเชียลหรือคลิปไมโครเลิร์นนิงยาวสามวินาทีจะถูกเรียกเก็บเป็นสามวินาที ไม่ใช่สิบห้าวินาที ดังนั้นครีเอเตอร์ที่เผยแพร่ไฟล์สั้น ๆ จำนวนมากจะไม่ต้องจ่ายค่าปรับส่วนเกินในแต่ละคำขออีกต่อไป

ในการแบ่งระหว่างฟรีและจ่ายเงิน Google ระบุ SKU มาตรฐาน "พร้อมการบันทึกข้อมูล" ที่ 60 นาทีแรกของเสียงต่อเดือนฟรีต่อบัญชีการเรียกเก็บเงิน เกินกว่านั้น ทุกนาทีเพิ่มเติมจะถูกเรียกเก็บที่ $0.016 USD ณ วันที่ 6 ตุลาคม 2026

การบันทึกข้อมูลเป็นตัวแปรต้นทุนในตัวเอง Google เสนออัตราที่แตกต่างกันในอดีตขึ้นอยู่กับว่าคุณเลือกเปิดใช้งานการบันทึกเพื่อปรับปรุงโมเดลหรือไม่ บทสรุปจากบุคคลที่สามที่อ้างอิงจากเอกสารประกอบ Google Cloud รายงานว่าโมเดลมาตรฐานอยู่ที่ประมาณ $0.004 ต่อ 15 วินาที (ประมาณ $0.016 ต่อนาที) เมื่อเปิดใช้งานการบันทึก และประมาณ $0.006 ต่อ 15 วินาที (ประมาณ $0.024 ต่อนาที) เมื่อไม่เปิดใช้งาน เนื่องจากอัตราแบบไม่บันทึกไม่ได้เปิดเผยอย่างเต็มที่ในส่วนราคาสาธารณะ ให้ถือว่าเป็น "สูงกว่าแบบบันทึกเล็กน้อย" และยืนยันตัวเลขที่แน่นอนในหน้าราคาปัจจุบันก่อนที่คุณจะกำหนดงบประมาณ

เวอร์ชัน API และชุดคุณสมบัติก็เข้ามาในการสนทนาด้วย หน้า Speech-to-Text หลักของ Google ระบุว่าราคาขึ้นอยู่กับเวอร์ชัน API ช่องสัญญาณ และวิธีแบบแบตช์ และอธิบาย API V2 พร้อมโมเดล Chirp รวมถึงตัวเลือกการอยู่อาศัยของข้อมูล ราคาอยู่ที่ประมาณ $0.016 ต่อนาทีสำหรับกรณีการใช้งานบางอย่าง ซึ่งสอดคล้องกับอัตรามาตรฐานแบบบันทึก คุณสมบัติเช่นการบันทึกการตรวจสอบหรือคีย์การเข้ารหัสที่ลูกค้าจัดการแตกต่างกันในแต่ละเวอร์ชัน แต่ตัวขับเคลื่อนราคาหลักยังคงที่ คือนาทีของเสียงที่ประมวลผล ไม่ใช่ประเภทเนื้อหาหรือภาษา

ยังมีตัวเลือก On-Prem ด้วย ซึ่งคิดราคาตามเสียงที่ประมวลผลต่อเดือน โดยคำขอจะถูกปัดขึ้นเป็นช่วงละ 15 วินาที หน้า On-Prem ของ Google แสดงตัวอย่างที่คำขอยาว 7 วินาทีสามครั้งถูกเรียกเก็บเป็น 45 วินาที (3 × 15 วินาที) รวม $0.018 USD ซึ่งบ่งบอกถึงอัตราที่แท้จริงประมาณ $0.006 ต่อ 15 วินาที หรือประมาณ $0.024 ต่อนาทีเป็นค่าประมาณที่คำนวณได้จากค่าบริการที่ระบุนั้น On-Prem ถูกสร้างขึ้นสำหรับสภาพแวดล้อมที่ถูกล็อกและจัดการด้วยตนเอง และโดยทั่วไปจะมีความสำคัญเฉพาะกับองค์กรที่อยู่ภายใต้การกำกับดูแลซึ่งมีข้อกำหนดด้านการอยู่อาศัยของข้อมูลที่เข้มงวดหรือข้อกำหนดแบบออฟไลน์

อัตราต่อนาทีครอบคลุมและไม่ครอบคลุมอะไรบ้าง

ราคาต่อนาทีซื้อส่วนเฉพาะของสแตก มันครอบคลุมการถอดเสียงเป็นข้อความโดยใช้โมเดลที่เลือก (มาตรฐาน Chirp และอื่น ๆ) การเข้าถึงการรู้จำแบบแบตช์หรือสตรีมมิงตามเวอร์ชันและการกำหนดค่าที่คุณเลือก และระดับฟรี 60 นาทีต่อเดือนสำหรับการใช้งานคลาวด์มาตรฐานแบบบันทึก บัญชี Google Cloud ใหม่มักจะได้รับเครดิตทั่วไป $300 USD สำหรับการพิสูจน์แนวคิดในบริการต่าง ๆ ซึ่งสามารถนำไปใช้กับ Speech-to-Text ในระหว่างการทดสอบระยะแรกได้ด้วย

สิ่งที่อัตราต่อนาทีไม่รวมคือจุดที่ต้นทุนที่น่าประหลาดใจมักจะซ่อนอยู่:

• Cloud Storage ที่ใช้เก็บไฟล์เสียงของคุณ
• Network egress สำหรับการให้บริการหรือส่งออกเสียงและสำเนาถอดความ
• บริการ Google Cloud อื่น ๆ ในไปป์ไลน์ของคุณ เช่น Cloud Functions, Pub/Sub หรือฐานข้อมูล
• ภาษีและการปรับการเรียกเก็บเงินตามภูมิภาค

Google ยังกำหนดให้คุณเปิดใช้งานการเรียกเก็บเงินเพื่อใช้ speech และ text API แม้ว่าคุณจะไม่ถูกเรียกเก็บเงินเว้นแต่คุณจะเกินโควตาฟรีหรือเครดิตทั่วไปในบัญชีของคุณ สำหรับครีเอเตอร์ที่เป้าหมายที่แท้จริงคือ "อัปโหลดวิดีโอ รับสำเนาถอดความ แล้วพากย์เสียง" ต้นทุนโครงสร้างพื้นฐานที่ไม่รวมเหล่านั้นคือความแตกต่างระหว่างรายการต่อนาทีที่เป็นระเบียบกับบิลหลายบริการที่ต้องติดตามอย่างต่อเนื่อง

การคิดค่าบริการต่อนาที เทียบกับ Speech to Text แบบใช้เครดิตของเรา

Speech to Text ของเราอยู่ภายในแพลตฟอร์มการสร้างและการแปลสื่อเดียวที่ครอบคลุม AI Dubbing, Voice Cloning, Text to Speech, Speech Separator, Text to Image และ Image to Video ด้วย แทนที่จะเป็นการเรียกเก็บเงินโครงสร้างพื้นฐานต่อนาที เราใช้เครดิตแพลตฟอร์มที่มีการโรลโอเวอร์ ระดับฟรี และแผนองค์กร ความแตกต่างเชิงโครงสร้างนั้นคือการเปรียบเทียบที่แท้จริง ไม่ใช่การเทียบตัวต่อตัวบนตัวเลขเดียว

ผลลัพธ์เชิงปฏิบัติคือความสามารถในการคาดการณ์ ด้วยการเรียกเก็บเงินต่อนาที ต้นทุนจะขยายเป็นเส้นตรงตามเสียงที่ประมวลผลและตามผลิตภัณฑ์คลาวด์อื่น ๆ ทุกตัวที่คุณใช้ ดังนั้นคุณจึงต้องตรวจสอบเมตริกการใช้งานและบันทึกอย่างต่อเนื่อง ด้วยเครดิต คุณซื้อยอดล่วงหน้า ติดตามการใช้งานข้ามเครื่องมือ และโรลโอเวอร์สิ่งที่คุณไม่ได้ใช้ ซึ่งทำให้การคาดการณ์ง่ายขึ้นเมื่อเดือนของคุณผสมวิดีโอ พอดแคสต์ และคอร์ส เราให้บริการทั้งสองกลุ่ม ครีเอเตอร์ได้อินเทอร์เฟซเดียว ในขณะที่นักพัฒนาสามารถผสานการถอดเสียงผ่าน API ของเราควบคู่ไปกับ Text to Speech และ AI Dubbing

แทนที่จะอธิบายซ้ำว่าการถอดเสียงทำงานอย่างไรเชิงกลไก คู่มือของเราเกี่ยวกับ วิธีถอดเสียงเป็นข้อความ และ การเลือก speech to text API ครอบคลุมเวิร์กโฟลว์ ใช้หน้านี้สำหรับการคำนวณเรื่องเงิน

ข้อมูลที่แน่นอนที่คุณต้องมีเพื่อให้ได้ใบเสนอราคาที่เชื่อถือได้

ในการเปลี่ยนราคา google speech to text ให้เป็นงบประมาณรายเดือนที่แท้จริงในฝั่งคลาวด์ ให้รวบรวมข้อมูลแปดอย่าง ได้แก่ จำนวนนาทีที่เรียกเก็บได้โดยประมาณต่อเดือนต่อโปรเจกต์และบัญชี (หลังจาก 60 นาทีฟรีแรก) การตัดสินใจเรื่องการบันทึกข้อมูลของคุณ เวอร์ชัน API และโมเดล ว่าคุณใช้การรู้จำแบบแบตช์ สตรีมมิง หรือทั้งสอง การกำหนดค่าช่องสัญญาณเสียงของคุณ (โมโนเทียบกับสเตอริโอและจำนวนช่องสัญญาณ) กลยุทธ์การจัดเก็บของคุณสำหรับเสียงดิบและสำเนาถอดความ แผน network egress ของคุณสำหรับการส่งออกไฟล์เหล่านั้น และผลกระทบของการปัดเศษจากการผสมคำขอของคุณ (คลิปสั้นจำนวนมากเทียบกับไฟล์ยาวจำนวนน้อย) ด้วยข้อมูลเหล่านั้น คุณคูณนาทีที่เรียกเก็บได้ด้วยอัตรา USD ที่ถูกต้องและบวกรายการโครงสร้างพื้นฐานที่แยกต่างหาก

สำหรับการประมาณการแบบเทียบเท่ากันในฝั่งของเรา บอกเราถึงจำนวนนาทีทั้งหมดที่คุณคาดว่าจะถอดเสียงต่อเดือนตามประเภทเนื้อหา ภาษาต้นทางและภาษาปลายทางหากคุณจับคู่การถอดเสียงกับการพากย์ ว่าคุณยังวางแผนจะใช้ Voice Cloning, Text to Speech, Speech Separation หรือ Image to Video ในเวิร์กโฟลว์เดียวกันหรือไม่ ขนาดทีมและการทำงานพร้อมกันของคุณ การแบ่งระหว่างการใช้ API และแดชบอร์ด และมาตรฐานคุณภาพของคุณ (สำเนาถอดความระดับแก้ไขเทียบกับคำบรรยายพร้อมใช้งานจริง) คำตอบเหล่านั้นช่วยให้เราแนะนำชุดเครดิตที่ครอบคลุมการถอดเสียงและเครื่องมือที่เกี่ยวข้องภายใต้ยอดเดียวแทนที่จะเป็นงบประมาณนาทีแยกต่อผลิตภัณฑ์ หากข้อมูลเหล่านี้ยังไม่ทราบ ส่งสิ่งที่คุณมีมา แล้วเราจะปรับขนาดชุดให้เหมาะกับมัน

ตัวอย่างการคำนวณราคา

ตัวเลขทั้งหมดด้านล่างเป็นค่าประมาณแบบง่ายโดยใช้อัตราต่อนาทีที่ Google เผยแพร่ และสมมติว่าใช้โมเดลมาตรฐานที่เปิดใช้งานการบันทึกข้อมูล บิลจริงจะแตกต่างกันไปตามตัวเลือกโมเดล การบันทึก และบริการอื่น ๆ และไม่รวมค่าใช้จ่าย Cloud Storage และเครือข่าย

ครีเอเตอร์ YouTube หนึ่งวิดีโอยาว 20 นาทีต่อสัปดาห์ เสียงรายเดือนคือ 4 × 20 = 80 นาที 60 นาทีแรกฟรี เหลือ 20 นาทีที่เรียกเก็บได้ที่ $0.016 คิดเป็นประมาณ $0.32 ต่อเดือนสำหรับการถอดเสียง

ผู้ผลิตพอดแคสต์ 10 ชั่วโมงต่อเดือน นั่นคือ 600 นาที 60 นาทีฟรีเหลือ 540 นาทีที่เรียกเก็บได้ ประมาณการคือ 540 × $0.016 = $8.64 ต่อเดือน

ทีมฝึกอบรม เว็บบินาร์ 50 ชั่วโมงต่อเดือน นั่นคือ 3,000 นาที 60 นาทีฟรีเหลือ 2,940 นาทีที่เรียกเก็บได้ คิดเป็นประมาณ 2,940 × $0.016 ≈ $47.04 ต่อเดือน

แต่ละตัวอย่างแสดงเฉพาะค่าบริการการถอดเสียงเท่านั้น เพิ่มพื้นที่จัดเก็บและ egress ในฝั่งคลาวด์ และจำไว้ว่าเดือนที่มีการแปลแบบผสม ซึ่งสำเนาถอดความป้อนเข้าสู่การพากย์และเสียงบรรยาย เป็นสถานการณ์ที่ยอดเครดิตแบบโรลโอเวอร์เดียวถูกสร้างมาเพื่อทำให้ราบรื่นอย่างแท้จริง

คำถามที่พบบ่อย

Google Speech-to-Text ฟรีหรือไม่?

Google เสนอการถอดเสียง 60 นาทีต่อเดือนฟรีบนโมเดลมาตรฐานที่เปิดใช้งานการบันทึกข้อมูล ต่อบัญชีการเรียกเก็บเงิน ผู้ใช้คลาวด์ใหม่อาจได้รับเครดิตแยกต่างหาก $300 USD สำหรับการทดลองที่กว้างขึ้นในบริการต่าง ๆ ของ Google ด้วย

โมเดลขั้นสูงมีราคาแพงกว่าโมเดลมาตรฐานหรือไม่?

ไม่ บันทึกการเผยแพร่ของ Google ระบุว่าโมเดลขั้นสูงไม่ได้ถูกคิดราคาแตกต่างจากโมเดลมาตรฐานอีกต่อไป การใช้งานโมเดลทั้งหมดถูกรายงานและคิดราคาเหมือนโมเดลมาตรฐาน

คลิปสั้นถูกเรียกเก็บเงินอย่างไรในตอนนี้?

คำขอ Speech-to-Text บนคลาวด์ทั้งหมดถูกปัดขึ้นเป็นหนึ่งวินาทีที่ใกล้ที่สุดโดยไม่มีความยาวเสียงขั้นต่ำ แทนที่การปัดเศษ 15 วินาทีแบบเก่าสำหรับการใช้งานคลาวด์ เอกสารอ้างอิง On-Prem อาจยังใช้ช่วงละ 15 วินาที

ราคาต่อนาทีรวมพื้นที่จัดเก็บและเครือข่ายหรือไม่?

ไม่ อัตราต่อนาทีครอบคลุมการถอดเสียงเท่านั้น Cloud Storage, network egress และบริการ Google Cloud อื่น ๆ ถูกเรียกเก็บแยกต่างหากภายใต้ราคาของตนเอง

สิ่งนี้เปรียบเทียบกับ Speech to Text ของคุณอย่างไร?

Google คิดค่าบริการต่อนาที (หรือวินาที) ของเสียงพร้อมต้นทุนโครงสร้างพื้นฐานที่แยกต่างหาก ในขณะที่เราใช้โมเดลแบบใช้เครดิตที่ครอบคลุม Speech to Text บวกการพากย์ text to speech การโคลนเสียง และเครื่องมือที่เกี่ยวข้องภายในเวิร์กโฟลว์เดียว พร้อมเครดิตแบบโรลโอเวอร์และตัวเลือกองค์กรสำหรับทีมขนาดใหญ่