Speech-to-Text

Cennik jest niemal zawsze za minutę audio. Modele flagship (Whisper Large V3, Deepgram Nova-3, ElevenLabs Scribe) kosztują około €0,005-€0,015 za minutę. Transkrypcja godzinnego podcastu kosztuje €0,30-€0,90 zależnie od tieru. Niektórzy dostawcy pobierają dodatkowo za funkcje premium, jak diaryzacja mówców, znaczniki czasu na poziomie słowa, podsumowania albo tłumaczenie, więc licz koszty z włączonymi funkcjami, których naprawdę potrzebujesz.

Kompromis to dokładność, opóźnienie i bogactwo funkcji. Whisper Large V3 prowadzi w surowym word-error-rate w benchmarkach i jest open-weights, więc można go self-hostować. Deepgram Nova-3 i AssemblyAI Universal prowadzą w opóźnieniu streamingu (sub-300ms do pierwszego tokenu) i jakości diaryzacji. ElevenLabs Scribe prowadzi w pokryciu wielojęzycznym i code-switchingu (gdy mówcy przełączają języki w środku zdania). Dla transkrypcji batch Whisper zwykle wygrywa na koszcie i dokładności. Dla transkrypcji rozmów w czasie rzeczywistym wygrywa dostawca streaming-first.

Uwaga na zaszumione audio: word-error-rate mniej więcej się podwaja poniżej 20 dB SNR w każdym modelu, a nakładający się mówcy degradują diaryzację nawet we flagshipach. Pre-processuj modelem redukcji szumu (RNNoise, Krisp), jeśli źródło jest nieprzewidywalne. Uwaga też na nazwy własne: każdy model wciąż błędnie transkrybuje rzadkie nazwiska, terminy techniczne i nazwy marek. Większość dostawców akceptuje listę `keywords` do nakierowania dekodera — używaj jej.

Top picks powyżej obejmują najdokładniejszy model, najtańszego konia roboczego, model wspierający najdłuższe audio oraz najszybszą opcję streamingową.