स्पीच-टू-टेक्स्ट API मूल्य निर्धारण मॉडल स्पष्ट रूप से समझाए गए (2026)

2026 के लिए स्पीच-टू-टेक्स्ट API मूल्य निर्धारण मॉडलों को समझें और उनकी तुलना करें। अपने लिए सबसे उपयुक्त विकल्प खोजने के लिए प्रति-मिनट, उपयोग-आधारित और सदस्यता लागतों का पता लगाएं।
स्पीच-टू-टेक्स्ट API प्राइसिंग का मतलब रिकॉर्ड किए गए या लाइव ऑडियो को टेक्स्ट में बदलने की लागत से है। Smallest.ai Pulse प्री-रिकॉर्डेड और रियल-टाइम दोनों तरह के ट्रांसक्रिप्शन को सपोर्ट करता है, जिससे यह समझने के लिए एक व्यावहारिक उदाहरण बन जाता है कि प्रोसेसिंग मोड, ऑडियो की अवधि और फीचर्स ट्रांसक्रिप्शन की लागत को कैसे प्रभावित करते हैं।
कुल लागत केवल विज्ञापित दर पर ही निर्भर नहीं करती है। ऑडियो की अवधि, प्रोसेसिंग मोड, बिलिंग इंक्रीमेंट और उपयोग की मात्रा अंतिम बिल को प्रभावित करती है। स्पीकर डायराइजेशन और रिडेक्शन जैसे फीचर्स बेस रेट में शामिल हो सकते हैं या प्रदाता के आधार पर इनके लिए अलग से शुल्क लिया जा सकता है।
इस गाइड में, आप जानेंगे कि स्पीच-टू-टेक्स्ट API प्राइसिंग कैसे काम करती है, Smallest.ai Pulse का उपयोग करके ट्रांसक्रिप्शन लागत की गणना कैसे करें, और 12 प्रदाताओं के बीच मूल्य संरचनाएं कैसे भिन्न हैं।
स्पीच-टू-टेक्स्ट API प्राइसिंग क्या है?
एक स्पीच-टू-टेक्स्ट (STT) API, जिसे ऑटोमैटिक स्पीच रिकग्निशन (ASR) API भी कहा जाता है, एक ऑडियो फ़ाइल या लाइव ऑडियो स्ट्रीम लेता है और एक ट्रांसक्रिप्ट लौटाता है। डेवलपर्स वॉयस एजेंट, मीटिंग नोटटेकर, कॉल एनालिटिक्स, लाइव कैप्शन और वॉयस सर्च बनाने के लिए STT API का उपयोग करते हैं।
स्पीच-टू-टेक्स्ट API की तुलना करते समय, मूल्य निर्धारण के तीन मुख्य कारकों पर विचार करें:
एक बेस ट्रांसक्रिप्शन रेट, जो ऑडियो की प्रति यूनिट के अनुसार लिया जाता है, जैसे कि प्रति मिनट या प्रति घंटा।
एक प्रोसेसिंग मोड, जैसे कि बैच (प्री-रिकॉर्डेड ऑडियो) या रियल-टाइम (स्ट्रीमिंग), जो ट्रांसक्रिप्शन दर को प्रभावित कर सकता है।
वैकल्पिक फीचर्स, जैसे कि स्पीकर लेबल या रिडेक्शन, जिन्हें कुछ प्रदाता शामिल करते हैं और अन्य इसके लिए अलग से शुल्क लेते हैं।
Smallest.ai Pulse स्पीकर डायराइजेशन, वर्ड-लेवल टाइमस्टैम्प्स और वैकल्पिक PII व PCI रिडेक्शन जैसी सुविधाओं का समर्थन करता है। रिडेक्शन वर्तमान में अंग्रेजी और हिंदी ऑडियो के लिए समर्थित है और आवश्यकता होने पर इसे सक्षम किया जाना चाहिए। ट्रांसक्रिप्शन लागत का अनुमान लगाते समय, डेवलपर्स को केवल बेस रेट की तुलना करने के बजाय यह जांचना चाहिए कि उनके चुने हुए मॉडल और प्रोसेसिंग मोड के लिए कौन से फीचर्स उपलब्ध हैं।
Smallest.ai Pulse के साथ स्पीच-टू-टेक्स्ट API प्राइसिंग को समझना
Smallest.ai ट्रांसक्रिप्शन की विभिन्न आवश्यकताओं के लिए तीन स्पीच-टू-टेक्स्ट मॉडल प्रदान करता है। Pulse बहुभाषी बैच और रियल-टाइम ट्रांसक्रिप्शन का समर्थन करता है, जबकि Pulse Pro को प्री-रिकॉर्डेड ऑडियो के उच्च-सटीकता वाले अंग्रेजी ट्रांसक्रिप्शन के लिए डिज़ाइन किया गया है। Pulse 2.0 बिल्ट-इन एंड-ऑफ-टर्न डिटेक्शन के साथ केवल-अंग्रेजी रियल-टाइम ट्रांसक्रिप्शन का समर्थन करता है, जो इसे वॉयस एजेंटों और लाइव बातचीत के लिए उपयुक्त बनाता है।
Smallest.ai के साथ ट्रांसक्रिप्शन लागत का अनुमान लगाने के लिए, मॉडल और प्रोसेसिंग मोड का चयन करें, फिर बिल करने योग्य ऑडियो मिनटों को लागू प्रति-मिनट दर से गुणा करें। कुल उपयोग लागत का अनुमान लगाने के लिए किसी भी अतिरिक्त सेवा शुल्क और प्लान सीमाओं की समीक्षा करें। इससे डेवलपर्स को ट्रांसक्रिप्शन विकल्पों की तुलना करने और अपने मासिक API बजट की योजना बनाने में मदद मिलती है।
स्पीच-टू-टेक्स्ट API का बिल कैसे बनाया जाता है
लगभग हर स्पीच-टू-टेक्स्ट API प्रोसेस किए गए ऑडियो की अवधि पर बिल करता है, न कि ट्रांसक्रिप्ट में शब्दों की संख्या पर। 10 मिनट की शांत रिकॉर्डिंग और 10 मिनट की बातचीत की लागत आमतौर पर समान होती है।
बिलिंग इकाइयाँ: प्रति मिनट, प्रति घंटा और प्रति टोकन
प्रदाता तीन इकाइयों में से एक में कीमतों को कोट करते हैं:
इकाई | यह कैसे काम करता है | इसका उपयोग करने वाले प्रदाता |
|---|---|---|
प्रति मिनट | ऑडियो के प्रत्येक मिनट के लिए एक निश्चित दर | Smallest.ai, Deepgram, Google Cloud, Amazon Transcribe, OpenAI |
प्रति घंटा | ऑडियो के प्रत्येक घंटे के लिए एक निश्चित दर, आनुपातिक रूप से (प्रो-रेटेड) | AssemblyAI, Speechmatics, Azure, ElevenLabs, Gladia, Rev AI |
प्रति टोकन | ऑडियो और टेक्स्ट को टोकन के रूप में गिना जाता है, फिर अनुमानित प्रति घंटा दर में परिवर्तित किया जाता है | Soniox |
उनकी तुलना करने के लिए, सभी को एक ही इकाई में बदलें। एक घंटे में 60 मिनट होते हैं, इसलिए प्रति घंटा दर को 60 से विभाजित करें:
$0.24 प्रति घंटा / 60 = $0.004 प्रति मिनट
$0.15 प्रति घंटा / 60 = $0.0025 प्रति मिनट
बिलिंग इंक्रीमेंट
बिलिंग इंक्रीमेंट ऑडियो का सबसे छोटा हिस्सा होता है जिसके लिए कोई प्रदाता शुल्क लेता है। प्रति-सेकंड बिलिंग का मतलब है कि 14-सेकंड की क्लिप की लागत 14 सेकंड होगी। बड़े राउंडिंग का मतलब है कि आप उस समय के लिए भुगतान करते हैं जिसका आपने उपयोग नहीं किया।
Deepgram, Amazon Transcribe और Azure प्रति सेकंड बिल करते हैं। Google प्रत्येक अनुरोध को अगले पूर्ण सेकंड तक राउंड अप करता है। Speechmatics सेकंड तक क्रेडिट का उपभोग करता है।
न्यूनतम शुल्क
कुछ प्रदाता प्रति अनुरोध न्यूनतम शुल्क निर्धारित करते हैं। उदाहरण के लिए, Rev AI प्रत्येक स्वचालित फ़ाइल को 15-सेकंड के न्यूनतम शुल्क के साथ निकटतम सेकंड तक राउंड अप करता है, इसलिए 5-सेकंड के वॉयस कमांड का बिल 15 सेकंड के रूप में लिया जाता है। न्यूनतम शुल्क उन ऐप्स के लिए सबसे अधिक मायने रखता है जो कई छोटी क्लिप भेजते हैं।
स्ट्रीमिंग के लिए सत्र-आधारित बिलिंग
कुछ रियल-टाइम स्पीच-टू-टेक्स्ट API केवल प्रोसेस किए गए ऑडियो के बजाय कुल स्ट्रीमिंग सत्र अवधि के आधार पर शुल्क लेते हैं। उदाहरण के लिए, AssemblyAI उस पूरे समय के लिए बिल करता है जब तक कि WebSocket कनेक्शन खुला रहता है, जिसमें निष्क्रिय (idle) अवधियां भी शामिल हैं। अनावश्यक शुल्कों से बचने के लिए डेवलपर्स को अप्रयुक्त स्ट्रीमिंग कनेक्शन बंद कर देने चाहिए।
बैच बनाम रियल-टाइम ट्रांसक्रिप्शन प्राइसिंग
स्पीच-टू-टेक्स्ट API की कीमतें अक्सर बैच और रियल-टाइम ट्रांसक्रिप्शन के बीच भिन्न होती हैं। बैच प्रोसेसिंग प्री-रिकॉर्डेड ऑडियो को संभालती है, जबकि रियल-टाइम ट्रांसक्रिप्शन बोली जाने वाली भाषा को उसी समय प्रोसेस करता है। लागत का अंतर प्रदाता, चयनित मॉडल और शामिल सुविधाओं पर निर्भर करता है।
बैच (प्री-रिकॉर्डेड) ट्रांसक्रिप्शन
बैच ट्रांसक्रिप्शन प्री-रिकॉर्डेड ऑडियो को प्रोसेस करता है और प्रोसेसिंग पूरी होने के बाद ट्रांसक्रिप्ट लौटाता है। API के आधार पर, डेवलपर्स एक HTTP अनुरोध के माध्यम से ऑडियो फ़ाइलें सबमिट कर सकते हैं और परिणाम सीधे या वेबहुक के माध्यम से एसिंक्रोनस रूप से प्राप्त कर सकते हैं। Smallest.ai Pulse अपने स्पीच-टू-टेक्स्ट API के माध्यम से प्री-रिकॉर्डेड ट्रांसक्रिप्शन का समर्थन करता है।
सामान्य उपयोग के मामलों में कॉल रिकॉर्डिंग, पॉडकास्ट, साक्षात्कार, मीटिंग आर्काइव और मीडिया लाइब्रेरी शामिल हैं। बैच ट्रांसक्रिप्शन अक्सर रियल-टाइम प्रोसेसिंग की तुलना में अधिक किफायती होता है क्योंकि इसमें निरंतर लाइव ट्रांसक्रिप्शन की आवश्यकता नहीं होती है। हालांकि, वास्तविक लागत अंतर प्रदाता, मॉडल और मूल्य निर्धारण योजना पर निर्भर करता है।
रियल-टाइम (स्ट्रीमिंग) ट्रांसक्रिप्शन
रियल-टाइम ट्रांसक्रिप्शन ऑडियो आने के दौरान ही आंशिक और अंतिम ट्रांसक्रिप्ट लौटाता है, आमतौर पर WebSocket कनेक्शन के माध्यम से। वॉयस एजेंट, लाइव कैप्शन, एजेंट-असिस्ट टूल और वॉयस असिस्टेंट इसी पर निर्भर करते हैं।
रियल-टाइम ट्रांसक्रिप्शन की लागत अक्सर बैच ट्रांसक्रिप्शन से अधिक होती है क्योंकि यह ऑडियो को लगातार प्रोसेस करता है और कम विलंबता (latency) के साथ परिणाम लौटाता है। हालांकि, कीमत का अंतर प्रदाता और मॉडल के अनुसार भिन्न होता है। कुछ API दोनों प्रोसेसिंग मोड के लिए समान बेस रेट प्रदान करते हैं। लेटेंसी, जिसे भाषण से पहले ट्रांसक्रिप्ट तक के समय के रूप में मापा जाता है, आपके भुगतान का एक हिस्सा बन जाती है।
आपके उपयोग के मामले के लिए कौन सा मोड आवश्यक है?
बैच का उपयोग करें जब ट्रांसक्रिप्ट ऑडियो समाप्त होने के कुछ सेकंड या मिनट बाद आ सकता है: कॉल एनालिटिक्स, अनुपालन समीक्षा, पॉडकास्ट ट्रांसक्रिप्ट, खोजने योग्य आर्काइव।
रियल-टाइम का उपयोग करें जब ट्रांसक्रिप्ट यह तय करता है कि आगे क्या होगा: वॉयस एजेंट, लाइव कैप्शन, रियल-टाइम एजेंट असिस्ट, वॉयस-नियंत्रित ऐप्स।
दोनों का उपयोग करें जब किसी उत्पाद को कॉल के दौरान लाइव टेक्स्ट और बाद में एक स्पष्ट रिकॉर्ड की आवश्यकता होती है। कई टीमें लाइव अनुभव के लिए स्ट्रीम करती हैं और अंतिम ट्रांसक्रिप्ट के लिए रिकॉर्डिंग को बैच में फिर से चलाती हैं।
स्पीच-टू-टेक्स्ट API की लागत को क्या प्रभावित करता है?
बैच बनाम रियल-टाइम के अलावा, सात कारक यह तय करते हैं कि आप क्या भुगतान करते हैं।
1. मॉडल टियर
स्पीच-टू-टेक्स्ट प्रदाता अलग-अलग सटीकता, गति, भाषा समर्थन और मूल्य निर्धारण के साथ कई मॉडल पेश कर सकते हैं। उच्च-सटीकता वाले मॉडलों की लागत अधिक हो सकती है, लेकिन अंतिम दर प्रोसेसिंग मोड और शामिल सुविधाओं पर भी निर्भर करती है।
Smallest.ai तीन स्पीच-टू-टेक्स्ट मॉडल विकल्प प्रदान करता है। Pulse बहुभाषी बैच और रियल-टाइम ट्रांसक्रिप्शन का समर्थन करता है। Pulse Pro को प्री-रिकॉर्डेड ऑडियो के उच्च-सटीकता वाले अंग्रेजी ट्रांसक्रिप्शन के लिए डिज़ाइन किया गया है। Pulse 2.0 अंग्रेजी रियल-टाइम ट्रांसक्रिप्शन के लिए बनाया गया है और इसमें एंड-ऑफ-टर्न डिटेक्शन शामिल है। उपयुक्त मॉडल चुनने से डेवलपर्स को सटीकता, लेटेंसी, सुविधाओं और प्रोसेसिंग लागतों को संतुलित करने में मदद मिलती है।
AssemblyAI प्री-रिकॉर्डेड ऑडियो पर Universal-2 के लिए $0.15/घंटा और Universal-3.5 Pro के लिए $0.21/घंटा शुल्क लेता है।
2. भाषा कवरेज
कुछ मॉडल एक भाषा की सुविधा देते हैं; अन्य दर्जनों भाषाओं को संभालते हैं और वाक्य के बीच में उन्हें बदलते हैं (कोड-स्विचिंग)। भाषा समर्थन ट्रांसक्रिप्शन लागत को प्रभावित कर सकता है क्योंकि कुछ API बहुभाषी ऑडियो के लिए अलग-अलग मॉडल या दरों का उपयोग करते हैं। Smallest.ai Pulse बहुभाषी ट्रांसक्रिप्शन का समर्थन करता है, जिसमें भाषा की उपलब्धता इस बात पर निर्भर करती है कि ऑडियो को बैच में प्रोसेस किया गया है या रियल टाइम में। लागत का अनुमान लगाने से पहले डेवलपर्स को यह सत्यापित करना चाहिए कि उनकी आवश्यक भाषाएं और क्षेत्र समर्थित हैं या नहीं।
3. फीचर्स और ऐड-ऑन
सादे टेक्स्ट से परे की सुविधाओं में ही कीमतें सबसे अधिक भिन्न होती हैं। सामान्य फीचर्स में शामिल हैं:
स्पीकर डायराइजेशन: मल्टी-स्पीकर ऑडियो में यह लेबल करता है कि किसने क्या कहा।
वर्ड-लेवल टाइमस्टैम्प्स: प्रत्येक शब्द के लिए प्रारंभ और समाप्ति समय, कैप्शन और खोज के लिए उपयोग किया जाता है।
PII और PCI रिडेक्शन: ट्रांसक्रिप्ट में व्यक्तिगत और भुगतान-कार्ड डेटा को मास्क करता है।
कीवर्ड बूस्टिंग: नामों, उत्पादों और तकनीकी शब्दों की पहचान में सुधार करता है।
ऑडियो इंटेलिजेंस: सेंटिमेंट, सारांश, एंटिटी डिटेक्शन और टॉपिक टैगिंग।
कुछ ट्रांसक्रिप्शन API अपनी बेस दरों के भीतर कई फीचर्स शामिल करते हैं, जबकि अन्य विशिष्ट ऐड-ऑन के लिए शुल्क लेते हैं। Smallest.ai Pulse स्पीकर डायराइजेशन, टाइमस्टैम्प्स, कीवर्ड बूस्टिंग और वैकल्पिक संवेदनशील-डेटा रिडेक्शन का समर्थन करता है। Pulse का उपयोग करते समय रिडेक्शन वर्तमान में अंग्रेजी और हिंदी के लिए समर्थित है, और यह Pulse Pro के माध्यम से उपलब्ध नहीं है।
4. ऑडियो चैनल
ऑडियो चैनल कॉन्फ़िगरेशन ट्रांसक्रिप्शन लागत को प्रभावित कर सकता है। कुछ प्रदाता प्रोसेस किए गए प्रत्येक चैनल के लिए अलग से शुल्क लेते हैं, जिसका अर्थ है कि 10 मिनट की स्टीरियो रिकॉर्डिंग का बिल 20 मिनट के ऑडियो के रूप में लिया जा सकता है। अन्य प्रदाता, जैसे कि Amazon Transcribe, मानक ट्रांसक्रिप्शन दर के भीतर दो चैनलों तक शामिल करते हैं। डेवलपर्स को लागत का अनुमान लगाने से पहले मल्टीचैनल बिलिंग नियमों की जांच करनी चाहिए।
5. वॉल्यूम
कुछ स्पीच-टू-टेक्स्ट API प्रदाता स्वचालित उपयोग स्तरों (टियर्स) या कमिटेड मूल्य निर्धारण योजनाओं के माध्यम से उच्च उपयोग मात्रा के लिए कम दरों की पेशकश करते हैं। उदाहरण के लिए, Google Cloud Speech-to-Text V2 मानक मूल्य निर्धारण $0.016 प्रति मिनट से शुरू होता है और प्रति माह 2 मिलियन मिनट से अधिक के अपने उच्चतम प्रकाशित उपयोग स्तर पर घटकर $0.004 प्रति मिनट हो जाता है। Smallest.ai उच्च-मात्रा वाले वर्कलोड के लिए कस्टम एंटरप्राइज मूल्य निर्धारण भी प्रदान करता है। डेवलपर्स को उपलब्ध वॉल्यूम छूट या संविदात्मक प्रतिबद्धताओं के साथ मानक दरों की तुलना करनी चाहिए।
6. समवर्तीता (Concurrency)
समवर्तीता यह है कि एक साथ कितने स्ट्रीम या अनुरोध चल सकते हैं। सेल्फ़-सर्व प्लान इसे सीमित करते हैं, उदाहरण के लिए Smallest.ai पे-एज़-यू-गो पर 100 समवर्ती स्पीच-टू-टेक्स्ट स्ट्रीम और Deepgram पे-एज़-यू-गो पर 150। उच्च सीमाओं के लिए आमतौर पर एक ग्रोथ या एंटरप्राइज प्लान की आवश्यकता होती है।
7. अनुपालन और परिनियोजन (Deployment)
स्वास्थ्य सेवा, वित्त और सरकारी कार्यभारों के लिए अक्सर HIPAA समझौतों, शून्य डेटा प्रतिधारण (zero data retention), निजी क्लाउड या ऑन-प्रेमिस परिनियोजन की आवश्यकता होती है। ये आमतौर पर एंटरप्राइज योजनाओं में शामिल होते हैं या इनके लिए शुल्क लगता है। उदाहरण के लिए, Smallest.ai, पे-एज़-यू-गो पर HIPAA ज़ीरो डेटा रिटेंशन के लिए $1,000 प्रति माह लेता है और इसे ऑन-प्रेमिस परिनियोजन के साथ एंटरप्राइज में शामिल करता है।
सामान्य स्पीच-टू-टेक्स्ट मूल्य निर्धारण मॉडल
प्रदाता समान प्रति-मिनट दरों को कुछ मानक तरीकों से पैकेज करते हैं। यह जानना कि आप किस मॉडल पर हैं, आपको बताता है कि बिल कितना अनुमानित होगा।
मूल्य निर्धारण मॉडल | यह कैसे काम करता है | उदाहरण |
|---|---|---|
पे एज़ यू गो (Pay as you go) | बिना किसी प्रतिबद्धता के, जो आप उपयोग करते हैं उसके लिए सूचीबद्ध दर का भुगतान करें | Smallest.ai Pulse, AssemblyAI, Deepgram pay as you go |
प्रीपेड क्रेडिट | अग्रिम क्रेडिट खरीदें, अक्सर बोनस या छूट के साथ, और उनका उपयोग करें | Gladia टॉप-अप बोनस, Speechmatics क्रेडिट पैक |
कमिटेड प्लान | कम दरों और उच्च सीमाओं के लिए वार्षिक खर्च की प्रतिबद्धता करें | Deepgram Growth $4,000 प्रति वर्ष से, 20% तक की छूट |
वॉल्यूम टियर | निर्धारित मासिक वॉल्यूम पार होने पर दर स्वचालित रूप से कम हो जाती है | Google Cloud V2, Amazon Transcribe रिडेक्शन |
टोकन-आधारित | ऑडियो और टेक्स्ट टोकन को मापा जाता है, फिर प्रति घंटा अनुमान के रूप में व्यक्त किया जाता है | Soniox |
एंटरप्राइज | कस्टम दरें, SLAs, अनुपालन शर्तें और परिनियोजन विकल्प | Smallest.ai Enterprise, ऑन-प्रेमिस परिनियोजन और 99.99% अपटाइम SLA के साथ |
स्पीच-टू-टेक्स्ट API प्राइसिंग: 12-प्रदाताओं की संदर्भ तालिका
स्पीच-टू-टेक्स्ट API का मूल्य निर्धारण ट्रांसक्रिप्शन मॉडल, प्रोसेसिंग मोड और शामिल सुविधाओं के आधार पर भिन्न होता है। नीचे दी गई तालिका प्राथमिक उदाहरण के रूप में Smallest.ai Pulse के साथ, 12 प्रदाताओं की प्रकाशित कीमतों की तुलना करती है। लागत का अनुमान लगाते समय इन दरों का एक संदर्भ के रूप में उपयोग करें, और निर्णय लेने से पहले लागू मॉडल, बिलिंग योजना और ऐड-ऑन शुल्कों की जांच करें।
प्रदाता | बैच (प्री-रिकॉर्डेड) | रियल-टाइम (स्ट्रीमिंग) | स्पीकर डायराइजेशन |
|---|---|---|---|
$0.003/मिनट ($0.18/घंटा); Pulse Pro $0.0035/मिनट | $0.004/मिनट ($0.24/घंटा) | शामिल है | |
Deepgram | Nova-3 $0.0043/मिनट ($0.26/घंटा) | Nova-3 या Flux $0.0077/मिनट ($0.46/घंटा) | +$0.0020/मिनट |
AssemblyAI | Universal-2 $0.15/घंटा; Universal-3.5 Pro $0.21/घंटा | Universal-Streaming $0.15/घंटा; Universal-3.6 Pro Realtime $0.45/घंटा | +$0.02/घंटा बैच; +$0.12/घंटा स्ट्रीमिंग |
Speechmatics | Melia 1 $0.24/घंटा सूची | मॉडल के अनुसार बदलता है | शामिल है |
Google Cloud | डायनामिक बैच $0.003/मिनट ($0.18/घंटा) | V2 स्टैंडर्ड $0.016/मिनट ($0.96/घंटा), वॉल्यूम पर कम | कोई अलग शुल्क सूचीबद्ध नहीं है |
Amazon Transcribe | $0.006/मिनट ($0.36/घंटा) | $0.01/मिनट ($0.60/घंटा) | शामिल है |
Azure AI Speech | $0.18/घंटा | $1.00/घंटा | बैच में शामिल; रियल-टाइम में लगभग $0.30/घंटा |
OpenAI | gpt-transcribe $0.0045/मिनट | gpt-live-transcribe $0.017/मिनट ($1.02/घंटा) | प्राइसिंग पेज पर सूचीबद्ध नहीं है |
ElevenLabs | Scribe v2 $0.22/घंटा | Scribe v2 Realtime $0.39/घंटा | कोई अलग शुल्क सूचीबद्ध नहीं है |
Soniox | लगभग $0.10/घंटा | लगभग $0.12/घंटा | शामिल है |
Gladia | Solaria-3 €0.16/घंटा; Solaria-1 €0.27/घंटा | €0.68/घंटा | शामिल है (केवल async) |
Rev AI | Reverb $0.20/घंटा (अंग्रेजी) | प्राइसिंग पेज पर सूचीबद्ध नहीं है | प्राइसिंग पेज पर सूचीबद्ध नहीं है |
कुछ प्रमुख बातें सामने आती हैं:
बैच दरें काफी करीब हैं। अधिकांश $0.10 और $0.36 प्रति घंटे के बीच हैं, इसलिए बैच का चुनाव अक्सर कीमत के बजाय सटीकता और सुविधाओं पर निर्भर करता है।
रियल-टाइम दरों में बड़ा अंतर है। वे लगभग $0.12 से $1.02 प्रति घंटे तक जाती हैं, जो कि 8 गुना से भी अधिक का अंतर है।
फ़ीचर बंडलिंग अलग-अलग है। Smallest.ai, Speechmatics, Soniox और Amazon Transcribe डायराइजेशन को शामिल करते हैं, जबकि Deepgram, AssemblyAI और Azure रियल-टाइम इसके लिए शुल्क लेते हैं।
अपनी स्पीच-टू-टेक्स्ट API लागत की गणना कैसे करें
अपनी मासिक स्पीच-टू-टेक्स्ट API लागत की गणना करने के लिए, प्रोसेस किए गए ऑडियो का अनुमान लगाएं, ट्रांसक्रिप्शन मॉडल चुनें, और अतिरिक्त सुविधाओं तथा बिलिंग नियमों को ध्यान में रखें।
प्रति प्रोसेसिंग मोड लागत = बिल योग्य ऑडियो मिनट × (प्रति मिनट बेस दर + प्रति मिनट लागू ऐड-ऑन दरें)
कुल मासिक लागत = बैच ट्रांसक्रिप्शन लागत + रियल-टाइम ट्रांसक्रिप्शन लागत + कोई भी अतिरिक्त निश्चित शुल्क
मासिक ऑडियो मिनटों का अनुमान लगाएं। प्रति माह सत्रों या फ़ाइलों को उनकी औसत अवधि से गुणा करें। उदाहरण के लिए, प्रति माह 20 मिनट की 5,000 कॉल 100,000 मिनट होती हैं।
मोड के अनुसार विभाजित करें। उन मिनटों को अलग करें जिन्हें रियल-टाइम ट्रांसक्रिप्शन की आवश्यकता है, उनसे जो बैच में चल सकते हैं, क्योंकि प्रत्येक की अपनी दर होती है।
अपनी ज़रूरत के फीचर्स की सूची बनाएं। डायराइजेशन, रिडेक्शन, कीवर्ड बूस्टिंग और किसी भी ऑडियो इंटेलिजेंस को नोट करें, फिर देखें कि क्या प्रत्येक शामिल है या उसके लिए शुल्क लिया गया है।
बिलिंग नियमों के अनुसार समायोजित करें। स्टीरियो ऑडियो के लिए मिनट दोगुने करें यदि प्रदाता प्रति चैनल बिल करता है, और यदि आप कई छोटी क्लिप भेजते हैं तो न्यूनतम सीमाओं को ध्यान में रखें।
उदाहरण 1: मीटिंग नोटटेकर के लिए बैच ट्रांसक्रिप्शन
एक नोटटेकर ऐप प्रति माह 10,000 मिनट की मीटिंग रिकॉर्ड करता है और उसे स्पीकर लेबल की आवश्यकता होती है। इसे लाइव टेक्स्ट की आवश्यकता नहीं है।
प्रदाता | बेस दर | डायराइजेशन | ऑल-इन प्रति मिनट | मासिक लागत |
|---|---|---|---|---|
Smallest.ai Pulse | $0.0030 | शामिल है | $0.0030 | $30.00 |
मासिक बैच ट्रांसक्रिप्शन के 10,000 मिनट के लिए, Smallest.ai Pulse की अनुमानित लागत की गणना बिल योग्य मिनटों को लागू बैच दर से गुणा करके की जाती है। स्पीकर डायराइजेशन Pulse द्वारा समर्थित है, इसलिए डेवलपर्स अलग से डायराइजेशन शुल्क माने बिना आवश्यकता पड़ने पर स्पीकर लेबल को सक्षम कर सकते हैं।
उदाहरण 2: वॉयस एजेंट के लिए रियल-टाइम ट्रांसक्रिप्शन
एक कस्टमर-सपोर्ट वॉयस एजेंट प्रति माह 100,000 मिनट स्ट्रीम करता है। प्रत्येक कॉल के लिए स्पीकर लेबल और PII रिडेक्शन की आवश्यकता होती है।
प्रदाता | स्ट्रीमिंग | डायराइजेशन | PII रिडेक्शन | ऑल-इन प्रति मिनट | मासिक लागत |
|---|---|---|---|---|---|
Smallest.ai Pulse | $0.0040 | शामिल है | शामिल है | $0.0040 | $400 |
AssemblyAI Universal-Streaming | $0.0025 | $0.0020 | $0.0020 | $0.0065 | $650 |
Deepgram Nova-3 | $0.0077 | $0.0020 | $0.0020 | $0.0117 | $1,170 |
Amazon Transcribe | $0.0100 | शामिल है | $0.0024 | $0.0124 | $1,240 |
यह उदाहरण दिखाता है कि डेवलपर्स को विज्ञापित बेस रेट के बजाय कुल ट्रांसक्रिप्शन लागत की तुलना क्यों करनी चाहिए। Smallest.ai Pulse स्पीकर डायराइजेशन और PII रिडेक्शन का समर्थन करता है, जिससे यह इन सुविधाओं की आवश्यकता वाले रियल-टाइम वॉयस एप्लिकेशन की लागत का अनुमान लगाने के लिए उपयोगी बन जाता है। अंतिम लागत लागू स्ट्रीमिंग दर, भाषा समर्थन और सक्षम सुविधाओं पर निर्भर करती है।
AssemblyAI की दरों को $0.12 प्रति घंटा प्रति फ़ीचर से बदला गया है, और Amazon की रिडेक्शन दर इसका पहला टियर है। Smallest.ai का रिडेक्शन वर्तमान में अंग्रेजी और हिंदी ऑडियो का समर्थन करता है।
उदाहरण 3: 1 मिलियन मिनट तक स्केलिंग
प्रति माह 1 मिलियन ऑडियो मिनट पर, प्रति-मिनट ट्रांसक्रिप्शन दरों में छोटे अंतर भी कुल लागत को महत्वपूर्ण रूप से प्रभावित कर सकते हैं। उदाहरण के लिए, प्रति मिनट $0.001 का अंतर मासिक बिल में $1,000 जोड़ता है। चयनित प्रोसेसिंग मोड और आवश्यक सुविधाओं के आधार पर लागत का अनुमान लगाने के लिए Smallest.ai Pulse का उपयोग किया जा सकता है। इस वॉल्यूम पर, डेवलपर्स को कस्टम एंटरप्राइज मूल्य निर्धारण, समवर्तीता सीमाओं और परिनियोजन आवश्यकताओं की भी समीक्षा करनी चाहिए।
स्पीच-टू-टेक्स्ट API प्राइसिंग में छिपी हुई लागतें (Hidden Costs)
छिपी हुई लागत | यह क्यों होता है | उदाहरण |
|---|---|---|
ऐड-ऑन स्टैकिंग | कुछ प्रदाता वैकल्पिक सुविधाओं के लिए अलग से शुल्क लेते हैं, जिससे कुल ट्रांसक्रिप्शन लागत बढ़ जाती है। | AssemblyAI Universal-Streaming: $0.15/घंटा बेस + $0.12/घंटा डायराइजेशन + $0.12/घंटा PII टेक्स्ट रिडेक्शन = $0.39/घंटा। |
मल्टीचैनल ऑडियो | प्रत्येक चैनल को अलग ऑडियो के रूप में बिल किया जाता है | AssemblyAI, Google या Deepgram पर 20 मिनट के रूप में बिल की गई 10 मिनट की स्टीरियो कॉल |
निष्क्रिय (Idle) स्ट्रीमिंग सत्र | कुछ स्ट्रीमिंग का बिल कनेक्शन समय पर बनाया जाता है | AssemblyAI WebSocket सत्र की अवधि पर स्ट्रीमिंग का बिल करता है |
न्यूनतम सीमाएं और राउंडिंग | छोटे अनुरोधों को राउंड अप किया जाता है | Rev AI 5-सेकंड की क्लिप का बिल 15 सेकंड के रूप में लेता है |
समवर्तीता (Concurrency) अपग्रेड | सेल्फ़-सर्व सीमाएं बड़े पैमाने पर प्लान बदलने के लिए मजबूर करती हैं | Smallest.ai पे-एज़-यू-गो पर 100 समवर्ती STT स्ट्रीम का समर्थन करता है, जिसमें कस्टम एंटरप्राइज सीमाएं हैं। अन्य प्रदाता भी प्लान-विशिष्ट समवर्तीता सीमाएं निर्धारित करते हैं। |
अनुपालन शर्तें | सुरक्षा, डेटा-प्रतिधारण और नियामक आवश्यकताओं के लिए अतिरिक्त शुल्क, समझौतों या एंटरप्राइज योजनाओं की आवश्यकता हो सकती है। | Smallest.ai HIPAA ज़ीरो-डेटा रिटेंशन को $1,000/माह पे-एज़-यू-गो ऐड-ऑन के रूप में सूचीबद्ध करता है और इसे एंटरप्राइज में शामिल करता है। HIPAA बिजनेस एसोसिएट एग्रीमेंट्स और पात्रता की अलग से पुष्टि की जानी चाहिए। |
प्रशिक्षण ऑप्ट-इन (Training opt-ins) | कुछ प्रदाता मॉडल प्रशिक्षण की अनुमति देने के लिए छूट प्रदान करते हैं, जबकि अन्य कुछ योजनाओं पर डिफ़ॉल्ट रूप से प्रशिक्षण सक्षम करते हैं। | Speechmatics सक्षम होने पर 33% मॉडल-प्रशिक्षण छूट प्रदान करता है। Gladia Starter डिफ़ॉल्ट रूप से प्रशिक्षण के लिए ग्राहक ऑडियो का उपयोग कर सकता है, लेकिन उपयोगकर्ता ऑप्ट आउट कर सकते हैं। Gladia Growth और Enterprise डिफ़ॉल्ट रूप से प्रशिक्षण को बाहर रखते हैं। |
मुद्रा और क्षेत्र | बिलिंग मुद्रा और क्लाउड क्षेत्र के अनुसार कीमतें भिन्न होती हैं | Gladia यूरो में बिल करता है; यहां Amazon की दरें US East (N. Virginia) के लिए हैं |
आसपास का इंफ्रास्ट्रक्चर | स्टोरेज, लॉगिंग और डेटा ट्रांसफर का बिल अलग से दिया जाता है | Google स्पीच-टू-टेक्स्ट से अलग क्लाउड स्टोरेज का बिल करता है |
अप्रत्याशित खर्चों से बचने का सबसे सुरक्षित तरीका यह है कि प्रत्येक आवश्यक सुविधा को सक्षम करके अपने चुने हुए API के माध्यम से वास्तविक ट्रैफ़िक का एक सप्ताह चलाएं, और फिर चालान (invoice) की तुलना अपने अनुमान से करें।
स्पीच-टू-टेक्स्ट API लागत को कैसे कम करें
अधिकांश बचत मोड, मॉडल और सुविधाओं को आपके उत्पाद के प्रत्येक हिस्से की वास्तविक आवश्यकता से मिलाने से होती है।
केवल लाइव-महत्वपूर्ण ऑडियो को ही रियल-टाइम में भेजें। यदि कॉल समाप्त होने के बाद ट्रांसक्रिप्ट आ सकता है, तो इसे बैच में ट्रांसक्राइब करें। जहां बैच ट्रांसक्रिप्शन सस्ता है, गैर-ज़रूरी ऑडियो वर्कलोड को स्ट्रीमिंग से बैच में ले जाने से ट्रांसक्रिप्शन लागत कम हो सकती है।
ऐड-ऑन के मुकाबले बंडल किए गए फीचर्स को प्राथमिकता दें। यदि आपको अधिकांश ऑडियो पर डायराइजेशन या रिडेक्शन की आवश्यकता है, तो ऐसी दर जिसमें वे पहले से शामिल हैं, जैसे कि Smallest.ai Pulse, अक्सर कम बेस रेट और प्रति-फ़ीचर शुल्क की तुलना में सस्ती होती है।
प्रति वर्कलोड मॉडल टियर चुनें। प्रीमियम मॉडल केवल उस ऑडियो के लिए आरक्षित रखें जहां सटीकता की स्पष्ट व्यावसायिक लागत हो। Smallest.ai के साथ, डेवलपर्स बहुभाषी बैच या रियल-टाइम ट्रांसक्रिप्शन के लिए Pulse का, उच्च-सटीकता वाले अंग्रेजी बैच ट्रांसक्रिप्शन के लिए Pulse Pro का, और अंतर्निहित एंड-ऑफ-टर्न डिटेक्शन से लाभान्वित होने वाले अंग्रेजी रियल-टाइम अनुप्रयोगों के लिए Pulse 2.0 का उपयोग कर सकते हैं।
ऑडियो को ट्रिम और तैयार करें। बैच ट्रांसक्रिप्शन से पहले रिकॉर्डिंग से लंबे साइलेंस को हटा दें, और जब आप अलग-अलग चैनलों के बजाय डायराइजेशन पर निर्भर हों तो मोनो ऑडियो भेजें।
निष्क्रिय स्ट्रीम बंद करें। बातचीत के मोड़ों को अंतिम रूप देने के लिए वॉयस एक्टिविटी डिटेक्शन और एंड-ऑफ-अटरेंस सेटिंग्स का उपयोग करें, और बातचीत समाप्त होने पर WebSocket कनेक्शन बंद कर दें।
छोटी क्लिपों को समूहित (group) करें। यदि आपके प्रदाता के पास प्रति-अनुरोध न्यूनतम शुल्क है, तो बहुत छोटी रिकॉर्डिंग को एक अनुरोध में जोड़ें।
उपयोग का अनुमान लगने के बाद कमिट करें। जब मासिक वॉल्यूम स्थिर हो जाता है, तो प्रीपेड क्रेडिट, कमिटेड प्लान या एंटरप्राइज समझौते आमतौर पर पे-एज़-यू-गो दरों से बेहतर होते हैं।
उपयोग की निगरानी करें। बजट अलर्ट सेट करें और साप्ताहिक रूप से उपयोग डैशबोर्ड की समीक्षा करें ताकि गलत कॉन्फ़िगर की गई स्ट्रीम या पुनः प्रयास लूप (retry loop) का जल्दी पता चल सके।
मुख्य बातें (Key Takeaways)
स्पीच-टू-टेक्स्ट API ऑडियो अवधि पर बिल करते हैं, जिनकी दरें लगभग $0.10 से $1.02 प्रति घंटे तक होती हैं।
रियल-टाइम ट्रांसक्रिप्शन की लागत बैच से अधिक होती है; प्रदाता के आधार पर प्रीमियम लगभग 1.3x से 5.6x तक होता है।
डायराइजेशन और रिडेक्शन जैसे ऐड-ऑन यह बदल सकते हैं कि कौन सा प्रदाता सबसे सस्ता है, इसलिए केवल बेस रेट के बजाय ऑल-इन दरों की तुलना करें।
बिलिंग इंक्रीमेंट, प्रति-चैनल बिलिंग, सत्र-आधारित स्ट्रीमिंग और न्यूनतम सीमाएं सभी वास्तविक बिल को प्रभावित करते हैं।
एक सरल सूत्र, मिनट x (बेस दर + ऐड-ऑन), वास्तविक ऑडियो के साथ परीक्षण करने से पहले एक विश्वसनीय पहला अनुमान देता है।
Smallest.ai Pulse के साथ अपनी ट्रांसक्रिप्शन लागत का अनुमान लगाएं
स्पीच-टू-टेक्स्ट API प्राइसिंग को समझना आपके ऑडियो वॉल्यूम, प्रोसेसिंग मोड और आवश्यक सुविधाओं को जानने से शुरू होता है। Smallest.ai Pulse डेवलपर्स को अपने अनुप्रयोगों के लिए आवश्यक सुविधाओं का मूल्यांकन करते हुए बैच और रियल-टाइम ट्रांसक्रिप्शन को एक्सप्लोर करने का एक व्यावहारिक तरीका प्रदान करता है।
आरंभ करने के लिए, Smallest.ai Pulse को एक्सप्लोर करें, नवीनतम मॉडल मूल्य निर्धारण की समीक्षा करें, या अपनी पहली ऑडियो फ़ाइल को ट्रांसक्राइब करने के लिए स्पीच-टू-टेक्स्ट API क्विकस्टार्ट का पालन करें।
अक्सर पूछे जाने वाले प्रश्न
Smallest.ai Pulse की कीमत कितनी है?
मुझे कौन सा Smallest.ai स्पीच-टू-टेक्स्ट मॉडल चुनना चाहिए?
प्रति मिनट और प्रति घंटा मूल्य निर्धारण (प्राइसिंग) के बीच क्या अंतर है?
क्या स्पीकर डायराइजेशन (स्पीकर की पहचान) के लिए अतिरिक्त शुल्क लगता है?
मैं अपनी मासिक स्पीच-टू-टेक्स्ट लागत का अनुमान कैसे लगाऊं?


