اسپیچ ٹو ٹیکسٹ کی قیمت سیدھی لگتی ہے: آڈیو کے فی منٹ ایک قیمت۔ عملی طور پر فراہم کنندگان فی منٹ، فی گھنٹہ یا فی سیکنڈ قیمت بتاتے ہیں، بیچ اور اسٹریمنگ کو الگ رکھتے ہیں، اور ڈائرائزیشن اور ریڈیکشن کو ایڈ آنز کے طور پر بیچتے ہیں۔ یہ صفحہ اہم API کو ایک ہی پیمانے پر رکھتا ہے، ان قیمتوں کے ساتھ جو ہم نے 14 اور 15 نومبر 2026 کو ہر آفیشل صفحے سے لیں (نیچے ہر ماخذ اپنی تاریخ بتاتا ہے)۔
جب تک الگ سے نہ بتایا جائے، تمام قیمتیں لسٹ قیمتیں ہیں، استعمال کے مطابق ادائیگی والی، امریکی ڈالر میں، بیچ (پری ریکارڈڈ) آڈیو کے لیے۔ حجم کی رعایتیں اور معاہدے شامل نہیں ہیں۔
اسپیچ ٹو ٹیکسٹ API کی قیمت فی منٹ اور فی 1,000 گھنٹے کتنی ہے؟
| فراہم کنندہ اور ماڈل | فی منٹ | فی گھنٹہ | فی 1,000 گھنٹے |
|---|---|---|---|
| Groq، Whisper Large v3 Turbo | تقریباً USD 0.00067 | USD 0.04 | USD 40 |
| DeepSeek ASR، محدود مدت کی قیمت (لسٹ سے 50% کم) | تقریباً USD 0.00097 | USD 0.058 | USD 58 |
| Soniox، async (فی ٹوکن بل؛ فی گھنٹہ ”تقریباً“) | تقریباً USD 0.00167 | تقریباً USD 0.10 | تقریباً USD 100 |
| Groq، Whisper Large v3 | تقریباً USD 0.00185 | USD 0.111 | USD 111 |
| DeepSeek ASR، لسٹ قیمت | تقریباً USD 0.00193 | USD 0.116 | USD 116 |
| BroadNet Transcribe (14 زبانیں) | $0.002 | $0.12 | $120.00 |
| AssemblyAI، Universal-2 | USD 0.0025 | USD 0.15 | USD 150 |
| OpenAI، gpt-4o-mini-transcribe (ڈیپریکیٹڈ، 2027-02-26 کو بند) | USD 0.003 | USD 0.18 | USD 180 |
| Google، V2 dynamic batch | USD 0.003 | USD 0.18 | USD 180 |
| AssemblyAI، Universal-3.5 Pro | USD 0.0035 | USD 0.21 | USD 210 |
| Speechmatics، Melia 1 multilingual (56 زبانیں) | USD 0.004 | USD 0.24 | USD 240 |
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| Deepgram، Nova-3 monolingual | USD 0.0043 | USD 0.258 | USD 258 |
| OpenAI، gpt-transcribe | USD 0.0045 | USD 0.27 | USD 270 |
| Deepgram، Nova-3 multilingual | USD 0.0052 | USD 0.312 | USD 312 |
| OpenAI، whisper-1 / gpt-4o-transcribe (ڈیپریکیٹڈ، 2027-02-26 کو بند) | USD 0.006 | USD 0.36 | USD 360 |
| AWS Transcribe، بیچ (US East) | USD 0.006 | USD 0.36 | USD 360 |
| Speechmatics، Standard | USD 0.0075 | USD 0.45 | USD 450 |
| Speechmatics، Enhanced | USD 0.0125 | USD 0.75 | USD 750 |
| Google، V2 standard (پہلے 500,000 منٹ) | USD 0.016 | USD 0.96 | USD 960 |
فی گھنٹہ اور فی 1,000 گھنٹے کے اعداد شائع شدہ یونٹ قیمت سے ہمارا حساب ہیں (فی منٹ x 60، پھر x 1,000)۔ Groq، DeepSeek، AssemblyAI اور Speechmatics فی گھنٹہ قیمتیں شائع کرتے ہیں؛ فی منٹ کالم کے لیے ہم نے 60 سے تقسیم کیا۔ DeepSeek کا قیمتوں کا صفحہ اس کے اسپیچ ٹو ٹیکسٹ API کو USD 0.116 فی گھنٹہ پر محدود مدت کی 50% رعایت کے ساتھ درج کرتا ہے اور کوئی اختتامی تاریخ نہیں دیتا، اس لیے بجٹ لسٹ قیمت پر بنائیں۔ Speechmatics کے ریٹس اس کی پری ریکارڈڈ لسٹ قیمتیں ہیں؛ اس کا قیمتوں کا صفحہ انہیں 33% ماڈل ٹریننگ رعایت اور 25% تک حجم کی رعایت لگا کر بھی دکھا سکتا ہے، جس سے Melia 1 تقریباً USD 0.12 فی گھنٹہ پر آ جاتا ہے۔ 33% رعایت آپٹ اِن ہے، اور آپٹ اِن کر کے آپ Speechmatics کو اپنی آڈیو اور ٹرانسکرپٹس سے اس کے ماڈلز بہتر بنانے کی اجازت دیتے ہیں (اس کا قیمتوں کا FAQ، 2026-11-15 کو جانچا گیا)۔
Soniox، DeepSeek ASR اور Groq کے Whisper اینڈپوائنٹس، تینوں فی گھنٹہ BroadNet کے دونوں ماڈلز سے سستے ہیں۔ Soniox کا قیمتوں کا صفحہ، 2026-11-14 کو جانچا گیا، فی ٹوکن بل کرتا ہے (async کے لیے فی 1M ان پٹ آڈیو ٹوکن USD 1.50 اور فی 1M آؤٹ پٹ ٹیکسٹ ٹوکن USD 3.50) اور کہتا ہے کہ یہ فائل اپ لوڈ کے لیے “about” (ترجمہ: ”تقریباً“) USD 0.10 فی گھنٹہ اور ریئل ٹائم اسٹریمنگ کے لیے USD 0.12 فی گھنٹہ بنتا ہے۔ اس کی زبانوں کی فہرست میں 60 سے زیادہ زبانوں میں عربی شامل ہے۔ یہ OpenAI کے /v1/audio/transcriptions ڈھانچے کی بجائے اپنا جاب پر مبنی API استعمال کرتا ہے، اس لیے اس پر منتقل ہونے کا مطلب ہے نیا کلائنٹ کوڈ۔
ایک تبدیلی جس کی منصوبہ بندی کرنی ہوگی: OpenAI کا ڈیپریکیشنز کا صفحہ، 2026-11-15 کو جانچا گیا، whisper-1، gpt-4o-transcribe، gpt-4o-mini-transcribe اور gpt-4o-transcribe-diarize کو ڈیپریکیٹڈ بتاتا ہے (نوٹس 26 اگست 2026 کو دیا گیا)، جو 26 فروری 2027 کو بند ہوں گے، اور ان کی جگہ gpt-transcribe یا gpt-live-transcribe تجویز کرتا ہے۔ اس کا قیمتوں کا صفحہ انہی چار ماڈلز کو ڈیپریکیٹڈ نشان زد کرتا ہے۔ اگر آپ آج OpenAI پائپ لائن کی قیمت نکال رہے ہیں، تو اسے USD 0.0045 فی منٹ والے gpt-transcribe پر نکالیں۔ یہ فی گھنٹہ BroadNet کے دونوں ماڈلز سے مہنگا ہے، لیکن OpenAI لائیو ٹرانسکرپشن بھی بیچتا ہے (gpt-live-transcribe، USD 0.017 فی منٹ)، جو BroadNet نہیں دیتا۔ یہ صفحہ صرف قیمتوں کا موازنہ کرتا ہے؛ اگر آپ whisper-1 سے ہٹ رہے ہیں، تو Whisper API متبادل گائیڈ بتاتی ہے کہ اپنی آڈیو پر نئے ماڈل کو کیسے ٹیسٹ کریں اور تبدیلی میں کیا ٹوٹتا ہے۔ اپنے حجم کو ان ریٹس پر چلانے کے لیے اسپیچ ٹو ٹیکسٹ کاسٹ کیلکولیٹر استعمال کریں۔
پوری تصویر کے لیے، ہمارا کھلا اسپیچ ٹو ٹیکسٹ API پرائس انڈیکس 20 سے زیادہ پروڈکٹس کی بیچ اور اسٹریمنگ قیمتیں، بلنگ انکریمنٹس اور عربی سپورٹ دکھاتا ہے، ہر ایک فراہم کنندہ کے اپنے قیمتوں کے صفحے سے جانچا گیا (CSV اور JSON)۔
بنیادی قیمت میں کیا شامل نہیں ہوتا؟
فی منٹ کا عدد شاذ و نادر ہی پورا بل ہوتا ہے۔ موازنے سے پہلے یہ جانچیں:
| مد | صفحات کیا کہتے ہیں |
|---|---|
| اسپیکر ڈائرائزیشن | Deepgram: پری ریکارڈڈ کے لیے شامل، اسٹریمنگ کے لیے USD 0.0020/منٹ اضافی۔ AWS: اسٹینڈرڈ قیمت میں شامل۔ AssemblyAI: +USD 0.02/گھنٹہ۔ OpenAI: الگ gpt-4o-transcribe-diarize ماڈل، USD 0.006/منٹ، ڈیپریکیٹڈ اور 2027-02-26 کو بند۔ |
| PII ریڈیکشن | Deepgram: USD 0.0020/منٹ۔ AWS: USD 0.0024/منٹ (ٹائر 1)۔ AssemblyAI: ٹیکسٹ ریڈیکشن Universal-2 پر +USD 0.08/گھنٹہ اور Universal-3.5 Pro پر +USD 0.12/گھنٹہ؛ آڈیو ریڈیکشن +USD 0.05/گھنٹہ۔ |
| اسٹریمنگ | AWS: USD 0.01/منٹ، جبکہ بیچ USD 0.006۔ Deepgram Nova-3 monolingual: اسٹریمنگ USD 0.0048 (2027-02-13 تک کارآمد پروموشنل قیمت)، جبکہ پری ریکارڈڈ USD 0.0043۔ Speechmatics Melia 1: ریئل ٹائم USD 0.40/گھنٹہ، جبکہ پری ریکارڈڈ USD 0.24/گھنٹہ۔ |
| بلنگ کی کم از کم حد | Groq ہر درخواست پر کم از کم 10 سیکنڈ بل کرتا ہے۔ AWS فی سیکنڈ بل کرتا ہے، بغیر کم از کم حد کے۔ Google ہر درخواست کو اگلے سیکنڈ تک راؤنڈ اپ کرتا ہے۔ |
| حجم کے ٹائرز | Google V2 standard ہر مہینے 500,000 منٹ کے بعد USD 0.01/منٹ پر آ جاتا ہے، اور 10 لاکھ سے اوپر مزید کم۔ AWS کی اسٹینڈرڈ بیچ اور اسٹریمنگ اب مقررہ ریٹ پر ہیں؛ اس کے حجم کے ٹائرز ریڈیکشن جیسے ایڈ آنز پر لاگو ہوتے ہیں۔ |
جس کال سینٹر کو ڈائرائزیشن اور ریڈیکشن چاہیے، اس کے لیے ریڈیکشن کے ساتھ Deepgram Nova-3 پری ریکارڈڈ USD 0.0063 فی منٹ ہو جاتا ہے، اور AWS USD 0.0084۔ مہنگے ایڈ آنز والی سستی بنیادی قیمت، ایڈ آنز شامل والی اونچی بنیادی قیمت سے ہار سکتی ہے۔
ہر مہینے 10,000 وائس نوٹس ٹرانسکرائب کرنے پر کتنا خرچ آتا ہے؟
فرض کریں کسی سپورٹ ان باکس میں ہر مہینے 30، 30 سیکنڈ کے 10,000 WhatsApp وائس نوٹس آتے ہیں۔ یعنی 5,000 منٹ۔
- USD 0.006 فی منٹ پر (AWS بیچ، یا OpenAI کا ڈیپریکیٹڈ whisper-1): USD 30۔
- USD 0.0045 پر (OpenAI gpt-transcribe): USD 22.50۔
- USD 0.0043 پر (Deepgram Nova-3): USD 21.50۔
- BroadNet Transcribe Arabic پر: $21.00۔
یہاں بلنگ کی کم از کم حد اہم ہے۔ Groq کی 10 سیکنڈ کی کم از کم حد ان 30 سیکنڈ کے نوٹس کا بل نہیں بدلتی، لیکن دو سیکنڈ کے ”ok“ نوٹ کو وہ 10 سیکنڈ کے طور پر بل کرتی ہے۔ 15 سیکنڈ کی کم از کم حد ہو تو وہی دو سیکنڈ کا نوٹ 15 سیکنڈ والے نوٹ جتنا پڑتا ہے۔ وائس نوٹس کے مکمل ورک فلو کے لیے کاروبار کے لیے وائس نوٹس سے متن دیکھیں۔
قیمت کے علاوہ اور کیا اہم ہے؟
جو سستا ماڈل ہر 5 میں سے 1 لفظ غلط کرتا ہے، وہ انسانی تصحیح میں جتنا بچاتا ہے اس سے زیادہ خرچ کرواتا ہے۔ تبدیلی سے پہلے ہر زبان کی اپنی 30 سے 50 ریکارڈنگز پر ورڈ ایرر ریٹ ناپیں۔ ہماری Whisper متبادل گائیڈ دکھاتی ہے کہ یہ ٹیسٹ ایک سہ پہر میں کیسے کریں، اور عربی اسپیچ ٹو ٹیکسٹ خریدار گائیڈ لہجہ بہ لہجہ اسکورنگ سمجھاتی ہے۔
قیمت کے علاوہ دوسرے سوال:
- زبانیں۔ BroadNet Transcribe 14 زبانوں کا احاطہ کرتا ہے (مکمل فہرست)؛ OpenAI کہتا ہے کہ Whisper (ڈیپریکیٹڈ
whisper-1) مختلف درستگی کے ساتھ 98 زبانیں سپورٹ کرتا ہے۔ - فائل کی حدیں۔ OpenAI اپ لوڈ کو 25 MB پر اور BroadNet 25 MiB پر محدود کرتا ہے، اس لیے لمبی کالز کو حصوں میں تقسیم کریں۔
- ریٹینشن۔ آڈیو اکثر متن سے زیادہ حساس ہوتی ہے۔ پوچھیں کہ آڈیو اور ٹرانسکرپٹس محفوظ کیے جاتے ہیں یا نہیں؛ دیکھیں LLM API ڈیٹا ریٹینشن کا موازنہ۔
BroadNet Transcribe کہاں فٹ بیٹھتا ہے
BroadNet Transcribe کی قیمت $0.002 فی منٹ ($0.12 فی گھنٹہ) ہے، 14 زبانوں میں: انگریزی، ہسپانوی، فرانسیسی، جرمن، اطالوی، پرتگالی، یونانی، ڈچ، پولش، چینی، جاپانی، کوریائی، ویتنامی اور عربی۔ BroadNet Transcribe Arabic کی قیمت $0.0042 فی منٹ ہے اور یہ عربی لہجوں کے لیے بنایا گیا ہے؛ BroadNet کے مطابق یہ Open Universal Arabic ASR Leaderboard پر 37 میں سے #2 (یہ ستمبر 2026 کی پوزیشن ہے؛ 15 نومبر، 2026 کو لائیو لیڈر بورڈ پر یہ 39 میں سے #4 تھا) ہے۔ دونوں OpenAI-compatible /v1/audio/transcriptions اینڈپوائنٹ استعمال کرتے ہیں، 25 MiB تک WAV یا MP3 قبول کرتے ہیں، اور نہ آڈیو محفوظ رکھتے ہیں نہ ٹرانسکرپٹس (زیرو ڈیٹا ریٹینشن)۔ $5 کا ابتدائی کریڈٹ تقریباً 1,190 منٹ کی عربی آڈیو کا احاطہ کرتا ہے؛ اپنی فائلیں ٹیسٹ کرنے کے لیے کلید بنائیں۔
یہ کہاں موزوں نہیں: BroadNet اسٹریمنگ ٹرانسکرپشن، بلٹ ان ڈائرائزیشن یا ریڈیکشن ایڈ آنز درج نہیں کرتا۔ اگر آپ کو API سے ہی لائیو کیپشنز یا اسپیکر لیبلز چاہئیں، تو Deepgram، AssemblyAI اور AWS دونوں دیتے ہیں۔ OpenAI لائیو ٹرانسکرپشن دیتا ہے، لیکن اس کا واحد اسپیکر لیبلنگ ماڈل ڈیپریکیٹڈ ہے۔ BroadNet کے دونوں ماڈلز کا آمنے سامنے موازنہ موازنے کے صفحے پر کریں، یا تمام قیمتیں قیمتوں کے صفحے پر دیکھیں۔
