Nếu bạn đang tính toán chi phí phiên âm, câu trả lời thành thật là không có một mức giá cố định duy nhất cho Google Speech-to-Text. Tính đến ngày 6 tháng 10 năm 2026 (USD), API đám mây cốt lõi bắt đầu với 60 phút miễn phí mỗi tháng và sau đó tính phí khoảng $0,016 mỗi phút âm thanh trên các mô hình tiêu chuẩn khi bật ghi nhật ký dữ liệu, tương đương khoảng $0,96 mỗi giờ trước khi có bất kỳ khoản phí Google Cloud nào khác. Con số đó chỉ là điểm khởi đầu, bởi vì hóa đơn thực tế của bạn thay đổi theo phiên bản API, lựa chọn ghi nhật ký, lưu trữ, mạng và cách âm thanh của bạn được chia thành các yêu cầu. Bài phân tích này đi qua các yếu tố đằng sau giá google speech to text, những gì mức phí theo phút bao gồm và không bao gồm, cùng cách phép tính dựa trên phút đó so sánh với quy trình Speech to Text dựa trên tín dụng của riêng chúng tôi.
Mục lục
Khoảng giá thành thật và lý do không tồn tại một mức giá cố định
Đối với một người sáng tạo nội dung điển hình gửi âm thanh tiêu chuẩn có ghi nhật ký đến API đám mây, khoảng giá thực tế rơi vào giữa $0 và khoảng $0,96 mỗi giờ âm thanh được phiên âm trước khi có bất kỳ dịch vụ Google Cloud bổ sung nào xuất hiện. Dải miễn phí bao gồm 60 phút âm thanh đầu tiên mỗi tháng trên mỗi tài khoản thanh toán, và vượt quá đó mỗi phút được tính phí $0,016 USD tính đến ngày 6 tháng 10 năm 2026. Nhân 60 phút với mức phí đó và bạn có được con số ~$0,96 mỗi giờ.
Lý do không có mức giá cố định phổ quát là vì sáu biến số ảnh hưởng đến con số cuối cùng: bạn gửi bao nhiêu phút tính phí vượt quá bậc miễn phí, bạn có bật ghi nhật ký dữ liệu hay không, bạn chọn phiên bản API và mô hình nào, bạn chạy trên đám mây hay tùy chọn On-Prem, bạn gắn thêm bao nhiêu dịch vụ Google Cloud khác, và quy tắc làm tròn chuyển mỗi yêu cầu thành số giây tính phí. Bởi vì tất cả những yếu tố này thay đổi theo từng tài khoản và có thể thay đổi theo thời gian, bất kỳ ngân sách nào cũng nên gắn liền với trang giá Google Cloud hiện tại và khối lượng hàng tháng thực tế của bạn thay vì một con số được ghi nhớ.
Cách Google tính phí Speech-to-Text trên đám mây
Google tính giá Speech-to-Text trên đám mây theo lượng âm thanh được xử lý thành công, đo bằng thời gian chứ không phải ký tự. Đơn vị tính phí quan trọng hơn hầu hết các bảng tính lập kế hoạch giả định. Theo ghi chú phát hành của Speech-to-Text, tính đến năm 2026 tất cả các mô hình đều được tính phí theo cùng một quy tắc: mỗi yêu cầu được làm tròn lên đến giây gần nhất, không có độ dài âm thanh tối thiểu. Điều đó thay thế cách tiếp cận trước đó làm tròn mỗi yêu cầu lên đến 15 giây gần nhất, vẫn xuất hiện trong một số tài liệu tham khảo On-Prem và các ví dụ cũ hơn.
Làm tròn theo giây thay đổi tính kinh tế của nội dung ngắn. Một đoạn móc câu mạng xã hội ba giây hoặc clip học tập vi mô được tính phí là ba giây, không phải mười lăm, vì vậy những người sáng tạo xuất bản nhiều tệp ngắn không còn phải trả phí đệm thêm cho mỗi yêu cầu.
Về sự phân chia giữa miễn phí và trả phí, Google liệt kê một SKU tiêu chuẩn "có ghi nhật ký dữ liệu" trong đó 60 phút âm thanh đầu tiên mỗi tháng là miễn phí trên mỗi tài khoản thanh toán. Vượt quá đó, mỗi phút bổ sung được tính phí $0,016 USD tính đến ngày 6 tháng 10 năm 2026.
Ghi nhật ký dữ liệu là một đòn bẩy chi phí riêng. Google trong lịch sử cung cấp các mức phí khác nhau tùy thuộc vào việc bạn có chọn tham gia ghi nhật ký để cải thiện mô hình hay không. Các bản tóm tắt của bên thứ ba dựa trên tài liệu Google Cloud báo cáo các mô hình tiêu chuẩn ở mức khoảng $0,004 mỗi 15 giây (khoảng $0,016 mỗi phút) khi bật ghi nhật ký, và khoảng $0,006 mỗi 15 giây (khoảng $0,024 mỗi phút) khi không bật. Bởi vì mức phí không ghi nhật ký không được hiển thị đầy đủ trên đoạn giá công khai, hãy coi nó là "cao hơn một chút so với có ghi nhật ký" và xác nhận con số chính xác trên trang giá hiện tại trước khi bạn cam kết ngân sách.
Phiên bản API và bộ tính năng cũng tham gia vào cuộc trò chuyện. Trang Speech-to-Text chính của Google lưu ý rằng giá cả phụ thuộc vào phiên bản API, kênh và các phương pháp hàng loạt, và mô tả API V2 với các mô hình Chirp cùng các tùy chọn lưu trú dữ liệu, có giá khoảng $0,016 mỗi phút cho một số trường hợp sử dụng nhất định, phù hợp với mức phí tiêu chuẩn có ghi nhật ký. Các tính năng như ghi nhật ký kiểm toán hoặc khóa mã hóa do khách hàng quản lý khác nhau giữa các phiên bản, nhưng yếu tố giá cốt lõi vẫn không đổi: số phút âm thanh được xử lý, không phải loại nội dung hay ngôn ngữ.
Cũng có một tùy chọn On-Prem, được tính giá theo âm thanh được xử lý mỗi tháng với các yêu cầu được làm tròn lên theo mức tăng 15 giây. Trang On-Prem của Google hiển thị một ví dụ trong đó ba yêu cầu 7 giây được tính phí là 45 giây (3 × 15 giây) với tổng cộng $0,018 USD, ngụ ý mức phí hiệu quả khoảng $0,006 mỗi 15 giây, hoặc khoảng $0,024 mỗi phút như một ước tính được tính toán từ khoản phí được liệt kê đó. On-Prem được xây dựng cho các môi trường khóa chặt, tự quản lý và nói chung chỉ quan trọng đối với các doanh nghiệp được quản lý có yêu cầu nghiêm ngặt về lưu trú dữ liệu hoặc ngoại tuyến.
Mức phí theo phút bao gồm và không bao gồm những gì
Giá theo phút mua một phần cụ thể của ngăn xếp. Nó bao gồm việc phiên âm âm thanh thành văn bản bằng các mô hình đã chọn (tiêu chuẩn, Chirp, v.v.), truy cập vào nhận dạng hàng loạt hoặc luồng theo phiên bản và cấu hình bạn chọn, và bậc miễn phí 60 phút hàng tháng cho việc sử dụng đám mây tiêu chuẩn có ghi nhật ký. Các tài khoản Google Cloud mới cũng thường nhận được tín dụng chung $300 USD cho các bằng chứng khái niệm trên các dịch vụ, có thể được áp dụng cho Speech-to-Text trong quá trình thử nghiệm ban đầu.
Những gì mức phí theo phút không bao gồm là nơi các chi phí bất ngờ thường ẩn náu:
- Cloud Storage dùng để lưu trữ các tệp âm thanh của bạn.
- Lưu lượng truyền ra mạng để phục vụ hoặc xuất âm thanh và bản phiên âm.
- Các dịch vụ Google Cloud khác trong quy trình của bạn, chẳng hạn như Cloud Functions, Pub/Sub hoặc cơ sở dữ liệu.
- Thuế và các điều chỉnh thanh toán theo khu vực.
Google cũng yêu cầu bạn bật thanh toán để sử dụng các API nhận dạng giọng nói và văn bản, mặc dù bạn không bị tính phí trừ khi bạn vượt quá hạn ngạch miễn phí hoặc tín dụng chung trên tài khoản của bạn. Đối với một người sáng tạo mà mục tiêu thực sự là "tải lên một video, nhận bản phiên âm, sau đó lồng tiếng", những chi phí hạ tầng bị loại trừ đó là sự khác biệt giữa một mục chi phí gọn gàng theo phút và một hóa đơn đa dịch vụ cần giám sát liên tục.
Tính phí theo phút so với Speech to Text dựa trên tín dụng của chúng tôi
Speech to Text của chúng tôi nằm trong một nền tảng tạo và bản địa hóa phương tiện duy nhất cũng bao gồm AI Dubbing, Voice Cloning, Text to Speech, Speech Separator, Text to Image, và Image to Video. Thay vì tính phí hạ tầng theo phút, chúng tôi sử dụng tín dụng nền tảng có khả năng chuyển tiếp, một bậc miễn phí và các gói doanh nghiệp. Sự khác biệt về mặt cấu trúc đó mới là so sánh thực sự, chứ không phải một cuộc đối đầu trực tiếp trên một con số duy nhất.
| Khía cạnh | Google Speech-to-Text trên đám mây | Speech to Text của chúng tôi |
|---|---|---|
| Đơn vị tính phí | Phút/giây âm thanh mỗi tài khoản, bằng USD | Tín dụng nền tảng có thể chi tiêu trên các công cụ |
| Phạm vi | Hạ tầng phiên âm bạn tự lắp ráp | Phiên âm như một bước trong quy trình bản địa hóa |
| Chi phí bổ sung | Lưu trữ, mạng, các dịch vụ Cloud khác được tính phí riêng | Được bao gồm trong một số dư tín dụng duy nhất |
| Hình thức ngân sách | Tăng tuyến tính theo số phút cộng với mức sử dụng đám mây | Tín dụng mua trước có thể chuyển tiếp |
| Phù hợp nhất | Các nhà phát triển muốn kiểm soát sâu API/hạ tầng | Người sáng tạo và nhà phát triển muốn một quy trình duy nhất |
Kết quả thực tế là tính dự đoán được. Với tính phí theo phút, chi phí tăng tuyến tính theo âm thanh được xử lý và theo mọi sản phẩm Cloud khác mà bạn chạm vào, vì vậy bạn giám sát các số liệu sử dụng và nhật ký liên tục. Với tín dụng, bạn mua trước một số dư, theo dõi mức tiêu thụ trên các công cụ, và chuyển tiếp những gì bạn không sử dụng, điều này đơn giản hóa việc dự báo khi tháng của bạn pha trộn video, podcast và khóa học. Chúng tôi phục vụ cả hai đối tượng: người sáng tạo có được một giao diện duy nhất, trong khi các nhà phát triển có thể tích hợp phiên âm thông qua các API của chúng tôi cùng với Text to Speech và AI Dubbing.
Thay vì giải thích lại cách phiên âm hoạt động về mặt kỹ thuật, các hướng dẫn của chúng tôi về cách phiên âm âm thanh thành văn bản và chọn một API speech to text đề cập đến quy trình; hãy sử dụng trang này cho phần tính toán tiền bạc.
Những thông tin chính xác bạn cần để có báo giá đáng tin cậy
Để biến giá google speech to text thành một ngân sách hàng tháng thực tế ở phía đám mây, hãy thu thập tám thông tin đầu vào: số phút tính phí ước tính mỗi tháng cho mỗi dự án và tài khoản (sau 60 phút miễn phí đầu tiên), quyết định ghi nhật ký dữ liệu của bạn, phiên bản API và mô hình, việc bạn sử dụng nhận dạng hàng loạt, luồng hay cả hai, cấu hình kênh âm thanh của bạn (mono so với stereo và số lượng kênh), chiến lược lưu trữ của bạn cho âm thanh thô và bản phiên âm, kế hoạch truyền ra mạng của bạn để xuất các tệp đó, và tác động làm tròn của hỗn hợp yêu cầu của bạn (nhiều clip ngắn so với ít tệp dài hơn). Với những thông tin đó, bạn nhân số phút tính phí với mức phí USD chính xác và cộng thêm các mục chi phí hạ tầng riêng biệt.
Để có ước tính tương đương ở phía chúng tôi, hãy cho chúng tôi biết tổng số phút bạn dự kiến phiên âm hàng tháng theo loại nội dung, ngôn ngữ nguồn và đích nếu bạn kết hợp phiên âm với lồng tiếng, việc bạn có dự định sử dụng Voice Cloning, Text to Speech, Speech Separation, hay Image to Video trong cùng một quy trình hay không, quy mô nhóm và tính đồng thời của bạn, sự phân chia giữa việc sử dụng API và bảng điều khiển, và tiêu chuẩn chất lượng của bạn (bản phiên âm cấp độ chỉnh sửa so với phụ đề sẵn sàng sản xuất). Những câu trả lời đó cho phép chúng tôi đề xuất một gói tín dụng bao gồm phiên âm và các công cụ liên quan dưới một số dư thay vì các ngân sách phút riêng biệt cho mỗi sản phẩm. Nếu bất kỳ thông tin nào trong số này vẫn chưa biết, hãy gửi những gì bạn có và chúng tôi sẽ định kích thước gói xung quanh nó.
Các ví dụ tính giá cụ thể
Tất cả các con số dưới đây là các ước tính được đơn giản hóa sử dụng mức phí theo phút được công bố của Google và giả định các mô hình tiêu chuẩn có bật ghi nhật ký dữ liệu; hóa đơn thực tế thay đổi theo lựa chọn mô hình, ghi nhật ký và các dịch vụ khác, và không bao gồm chi phí Cloud Storage và mạng.
Người sáng tạo YouTube, một video 20 phút mỗi tuần. Âm thanh hàng tháng là 4 × 20 = 80 phút. 60 phút đầu tiên miễn phí, còn lại 20 phút tính phí với $0,016, ước tính $0,32 mỗi tháng cho phiên âm.
Nhà sản xuất podcast, 10 giờ mỗi tháng. Đó là 600 phút; 60 phút miễn phí còn lại 540 phút tính phí. Ước tính là 540 × $0,016 = $8,64 mỗi tháng.
Nhóm đào tạo, 50 giờ hội thảo trực tuyến mỗi tháng. Đó là 3.000 phút; 60 phút miễn phí còn lại 2.940 phút tính phí, ước tính 2.940 × $0,016 ≈ $47,04 mỗi tháng.
Mỗi ví dụ này chỉ thể hiện khoản phí phiên âm. Hãy cộng thêm lưu trữ và truyền ra mạng ở phía đám mây, và hãy nhớ rằng một tháng bản địa hóa hỗn hợp, nơi bản phiên âm cung cấp cho lồng tiếng và thuyết minh, chính xác là tình huống mà một số dư tín dụng chuyển tiếp duy nhất được xây dựng để làm mượt.
Câu hỏi thường gặp
Google Speech-to-Text có miễn phí không?
Google cung cấp 60 phút phiên âm mỗi tháng miễn phí trên các mô hình tiêu chuẩn có bật ghi nhật ký dữ liệu, cho mỗi tài khoản thanh toán. Người dùng Cloud mới cũng có thể nhận được tín dụng $300 USD riêng biệt để thử nghiệm rộng hơn trên các dịch vụ Google.
Các mô hình nâng cao có đắt hơn tiêu chuẩn không?
Không. Ghi chú phát hành của Google nêu rõ rằng các mô hình nâng cao không còn được định giá khác với các mô hình tiêu chuẩn; việc sử dụng tất cả các mô hình được báo cáo và định giá giống như các mô hình tiêu chuẩn.
Các clip ngắn được tính phí như thế nào bây giờ?
Tất cả các yêu cầu Speech-to-Text trên đám mây đều được làm tròn lên đến giây gần nhất không có độ dài âm thanh tối thiểu, thay thế cách làm tròn 15 giây cũ hơn cho việc sử dụng đám mây. Các tài liệu tham khảo On-Prem vẫn có thể sử dụng mức tăng 15 giây.
Giá theo phút có bao gồm lưu trữ và mạng không?
Không. Mức phí theo phút chỉ bao gồm phiên âm. Cloud Storage, truyền ra mạng và các dịch vụ Google Cloud khác được tính phí riêng theo giá riêng của chúng.
So sánh điều này với Speech to Text của bạn như thế nào?
Google tính phí theo phút (hoặc giây) âm thanh với các chi phí hạ tầng riêng biệt, trong khi chúng tôi sử dụng một mô hình dựa trên tín dụng bao gồm Speech to Text cộng với lồng tiếng, chuyển văn bản thành giọng nói, nhân bản giọng nói và các công cụ liên quan trong một quy trình duy nhất, với tín dụng chuyển tiếp và các tùy chọn doanh nghiệp cho các nhóm lớn hơn.