语音转文字 API 一小时多少钱？从录音时长算到整批预算

按 2026 年 10 月 21 日核对的 Ofox 公开目录费率，一小时输入音频使用 openai/gpt-transcribe 约为 0.27 美元，使用 elevenlabs/scribe_v2 约为 0.22 美元。 如果有 100 小时录音，对应的基础转录预算分别为 27 美元和约 22 美元。这只算了转录一步，摘要、存储、重复提交和人工校对还可能产生其他成本。

本文面向准备处理采访、会议录音或字幕任务的开发者和小团队，讨论的是已有音频文件转文字，不是文字生成配音，也不是持续在线的实时语音助手。Ofox 是本文发布方；我们给出可复算的目录价格，不把它写成独立的全市场最低价评选。本篇没有新增付费转录调用，也没有拿真实账户账单验证最终扣款。

先看每小时价格从哪里来

价格来源是 Ofox 公开模型目录，同时核对了仓库中的字段定义和实际模型页。下面的单位是美元／输入音频秒，不是服务器处理请求所用的秒数。

Scribe 的目录小数乘以 3600，实际算式结果是 0.21999996 美元。表格为了便于阅读显示为约 0.22 美元，这个显示精度不代表每次请求实际扣款时采用的舍入规则。

2026 年 10 月 21 日截取的真实公开模型页，保留英文界面。截图证明当时页面的价格展示，不是已完成转录的消费凭据。

目录中有基础 pricing，部分模型还有 provider_price。本次快照里，GPT Transcribe 列出的 Azure Foundry 供应商音频秒费率与基础费率相同。Scribe 的目录记录没有单独的 provider_price 对象，因此这里只引用它的基础牌价；公开模型页也显示约 0.22 美元／小时。供应商价格对象为空，不代表免费或没有供应商。

准备购买或运行大批任务时，重新打开 GPT Transcribe 模型页 或 Scribe v2 模型页 核对现价。后文假设计费输入时长适用上述基础费率，不含账户特殊调整或功能附加费，也不含税费、汇率换算和账户充值要求。它是一份使用预算，不是结账报价，也没有说明最低充值金额。

秒、分钟、小时怎么换算才不会算错

先看单价后面的单位，再代入同一单位的音频长度：

音频秒数 × 每音频秒价格 = 基础转录费用
音频分钟数 × 每音频分钟价格 = 基础转录费用
音频小时数 × 每音频小时价格 = 基础转录费用

例如一段 45 分钟录音等于 2700 秒，按本次 GPT Transcribe 秒费率计算：

2700 × 0.000075 = 0.2025 美元

即使服务器只用 5 分钟处理完，按时长计算的预算仍然基于这段 45 分钟录音。反过来，看到每分钟价格时，不能直接乘以 3600；一小时只有 60 分钟。

预算应该使用实际文件时长。一场安排为一小时的会议，最后可能只有 48 分钟录音，也可能录了 75 分钟。如果要分段上传，应累计真正发送的音频，包括为了保留上下文而重复的片段。如果平台按不同计费时长、最低单位或舍入粒度扣费，还需先对账，才能把估算用于控制支出。

1、10、100、1000 小时分别要多少预算

下表是算术场景，不是已购买的批次。假设每份音频只有一次计费处理，没有重复输入、功能附加费或后处理。

处理 100 小时音频时，按显示精度计算，两种基础费率相差约 5 美元。仅凭这点差价，还不能判断哪种方案交付成品更划算。如果某条流程需要更多人工改错，或缺少任务必需的时间戳，API 之外的成本就可能超过费率差。

举一个明确的预算假设：校对人员成本为每小时 20 美元，某条流程在整个 100 小时批次里多花了 15 分钟人工校对，这部分就是 5 美元。这里的人力单价和校对时间都是假设，并不是两个模型的实测表现。这个例子用来计算收支平衡点，不用来证明哪个模型更准确。

为什么小时单价不是整条流程的总成本

把转录和周边工作分开记账：

总预算 = 基础转录 + 额外计费音频
       + 可选功能 + 存储／传输
       + 摘要或信息提取调用 + 人工校对

重复提交与失败重试

假设有 100 小时原始音频，另预留 10 小时用于额外需要计费的提交。总计 110 小时，GPT Transcribe 的预算为 29.70 美元，Scribe 约为 24.20 美元。

这不表示每次失败请求都会收费。尚未处理就被拒绝、处理已完成但客户端没有收到响应、主动把同一个文件再发一次，是不同情况。重试前应检查请求状态和用量记录。只有核实账户实际计费规则后，才能把重试预留量与真实消费对应起来。

分段时重复的音频

把一小时录音切成六段，在五个衔接处各重复 10 秒，总共会多发送 50 秒音频。累计提交长度是 3650 秒。按每秒 0.000075 美元算，预算是 0.27375 美元，而不是 0.27 美元。

单个文件的差额很小，但批量流程应采用正确公式。不要把重叠音频当成免费，也不要为了省几分钱就删掉有助于识别边界词语的片段；同时检查转录质量和实际提交长度。

摘要和行动项提取

转录得到的是文字。如果接着调用语言模型写摘要、提取决定或生成后续任务，这一步有自己的费用和质量验收。不能把音频秒单价套到文本模型上，而应使用该模型真实的输入、输出 token 费率及用量。

已有的会议转录与行动项教程展示了为什么“转成文字”和“提取可执行任务”是两个环节。保留转录结果也有实际价值：想换一种摘要格式时，通常没必要重新转录同一段录音。

功能和套餐差异

说话人标签、词级时间戳、自定义词汇、实时传输不是同一个需求。ElevenLabs 转录接口文档列出了多种可选字段，但不能据此推断某个网关全部支持，也不能推断某条路由怎样收取附加费用。在把全部需求套进基础价表前，要核对自己准备发送的参数和需要收到的结果。

如果拿订阅套餐和 API 单价比较，应写清必付订阅费、包含小时数、未用完的额度和超额单价。厂商直购套餐与 Ofox 计费分开看；不能把促销套餐价格除以最大配额，就称为任何人都能获得的按量 API 单价。

为什么没有把 Mini 和 Diarize 都列成固定小时价

模型名称相近，不代表计费单位相同。Ofox 目录里的 openai/gpt-4o-mini-transcribe 和 openai/gpt-4o-transcribe-diarize 提供 token 价格字段，而不是前表所用的明确 input_audio_per_second 字段。本篇也没有对这两条路由做代表性账户账单核验，因此不把其 token 价格包装成保证成立的每小时报价。

按 token 计费时，基本形式是：

各计费类别分别计算：计费 token 数 × 对应的每 token 单价
把实际适用的各项费用相加

只计算路由实际收费的类别，不能凭猜测同时叠加文本与音频费用，也不能默认任何录音每分钟都生成相同数量的 token。上游厂商列出的每分钟估算值，也不自动成为另一服务商端点的计费约定。

此外还要考虑模型生命周期。OpenAI 当前的弃用通知列明，GPT-4o 转录系列及 whisper-1 将于 2027 年 2 月 26 日从其 API 移除。这是 OpenAI 上游通知，不是已经确认的 Ofox 或 Azure 下线时间。新建长期使用的流程时，需同时核对所选路由的生命周期、功能和价格。

下载离线计算器，代入自己的音频时长

下载 Python 预算计算器。它不会调用 API，不需要 Key，也没有第三方包依赖。内置本篇核对的两条 10 月 21 日费率，分别接受原始音频小时数和额外计费音频小时数。习惯表格的读者也可以下载预算场景 CSV。

python3 estimate.py --hours 100
python3 estimate.py --hours 100 --extra-hours 10

第一条命令显示 27.00 美元和约 22.00 美元；第二条显示 29.70 美元和约 24.20 美元。脚本结果标签为英文，单位是美元。如果现价变了，可以用自己重新核实的美元／秒价格覆盖内置费率：

python3 estimate.py --hours 100 --rate-per-second 0.000075

脚本会拒绝负数和非有限数。它不控制钱包限额，不估算按 token 收费的模型，不知道最低计费时长，也没有自动加入附加费。公式已经通过本地计算检查；这是算术验证，不是线上 API 扣费测试。

最后按成品要求选择，不只比费率

做字幕时，先看已有的 Scribe 转录生成 SRT 教程，不要假设任何模型都能直接接受 response_format=srt。OpenAI 也分别说明了文件转录和实时音频流程。

首次处理大批录音前，选择一份自己有权处理的代表性文件。记录实际时长、精确模型 ID、供应商、参数，以及可获得的请求标识。先检查转录是否符合任务要求，再对照用量记录中的计费单位和扣款。如果结果与预算不同，先排查计费时长舍入、供应商选择、功能附加费，或是否实际走了 token 计费，再扩大批次。

下一步，打开当前 GPT Transcribe 和 Scribe v2 模型页，下载计算器，代入自己的音频小时数。先选能交付所需结果的路由，再用一个小任务核对真实扣款，最后运行整批队列。