Лучшие модели транскрипции в 2026 году: точность, цена и ценность

Сто часов записей можно расшифровать за $4 с Groq Whisper Large V3 Turbo или за $18 с Mistral Voxtral Mini Transcribe 2 без дополнений. Дешёвый счёт привлекателен, но выгодность зависит от нужного результата: текста для поиска, протокола с именами говорящих или субтитров, совпадающих с записью.

Наш бюджетный выбор для базовой расшифровки записей — Whisper Large V3 Turbo на Groq. Для встреч с метками говорящих и временными метками слов в бюджетный список входит Voxtral Mini Transcribe 2, а ElevenLabs Scribe v2 стоит сравнить, если снижение ошибок важнее минимальной ставки. Ниже — цены и основания.

MAI-Transcribe-2 привлекает ценой и опубликованной точностью, но не является нашей производственной рекомендацией: интеграция Azure всё ещё в public preview, без SLA, и Microsoft не советует её для production. Это ограничение не менее важно, чем балл бенчмарка.

Цены и документация проверены 4 сентября 2026 года. Это редакционное сравнение открытой документации API и независимых бенчмарков, а не наш тест всех моделей. В центре — готовые записи, а не подписки приложений встреч или живые голосовые агенты.

Цены API транскрипции

Единица сравнения — модель у конкретного поставщика в конкретном режиме. Одного «цена Whisper» недостаточно. Открытые веса, облачный API и настольное приложение с ними имеют разные расходы.

Ниже базовые тарифы файловой транскрипции, а не гарантированные счета. Суммы в USD без налогов, хранения, повторов, функций, бесплатных кредитов и скидок. «Около» означает токенную оценку; Scribe показывает стоимость использования до сборов или кредитов плана.

Есть более дешёвый кандидат, если сервис подходит региону и языку: StepFun указывает StepAudio 2.5 ASR по CNY 0.15 за час, то есть CNY 15 за 100 часов. Мы сохраняем валюту, не делая из пересчёта глобального ценового победителя.

Это репрезентативный список публичных тарифов, а не все речевые сервисы. Облачный договор, регион или специальный словарь могут оправдать другой набор.

Что на самом деле измеряют рейтинги точности

Рейтинг транскрипции OpenRouter помогает увидеть используемые модели, но ранжирует объём запросов, а не точность. Популярность — повод исследовать модель, а не доказательство правильного распознавания имён клиентов.

Для сопоставимого сигнала качества используем снимок таблицы non-streaming AA-WER v2 от Artificial Analysis:

Word error rate считает замены, удаления и вставки относительно эталона. Это не вероятность правильности конкретного предложения. Неверная сумма или потерянное «не» могут быть важнее нескольких безвредных различий форматирования.

Методика бенчмарка использует около восьми часов из трёх наборов с весами 50%, 25% и 25%. Есть английская парламентская речь и отчёты компаний; длинные файлы иногда делятся по лимитам. Результаты не устанавливают победителя для китайского, арабского или всех языков и не измеряют правильность меток говорящих.

Сужайте список по таблице, но проверяйте собственное аудио. Сохраняйте версию и поставщика: результат Universal-3 Pro нельзя переименовать в Universal-3.5 Pro.

Что выбрали бы мы?

Whisper Turbo на Groq: бюджетный вариант базовой расшифровки

При $4 за 100 часов это первый кандидат для поискового архива или черновой расшифровки. Его преимущество — низкая облачная цена и документированный API, а не обещание незначительных ошибок.

Документация Groq разделяет Turbo и Large V3: Turbo поддерживает многоязычную транскрипцию, но не эндпоинт перевода. Запросы короче 10 секунд всё равно оплачиваются как 10. Для интервью это мелочь, для множества крошечных клипов — существенно.

Выбирайте его, когда главным результатом нужен недорогой текст и образец проходит проверку. Для надёжного «кто что сказал» сравнивайте полное решение с диаризацией, а не принимайте базовый тариф за цену готового процесса.

Voxtral и Scribe: функции встреч или меньше текстовых ошибок

Voxtral Mini Transcribe 2 — наш первый бюджетный кандидат для встреч с говорящими. Mistral документирует диаризацию, временные метки слов и 13 языков. Диаризация разделяет говорящих, чтобы правильно приписать реплики.

Есть ограничение: при наложении речи Mistral обычно расшифровывает одного говорящего. Наличие меток не означает полный захват одновременной речи.

Scribe v2 — альтернатива с упором на точность. Базовая стоимость всего на $4 выше за 100 часов, а WER в снимке ниже. Поэтому при важном времени правок нужен прямой тест. ElevenLabs отдельно берёт за подсказки терминов и распознавание сущностей; сравнивайте план и функции, не только $0.22/час. Бенчмарк не решает, кто лучше метит говорящих вашей встречи.

MAI-Transcribe-2: сильный preview, но не production по умолчанию

Анонс Microsoft от 3 сентября предлагает $0.10/час до конца 2026 года. Вместе со снимком качества это привлекательный экспериментальный вариант.

Но документация Azure Speech явно помечает интеграцию public preview без SLA и не рекомендует production. Оценивайте для прототипа при подходящем регионе и условиях. Не стройте автономный процесс на акции и не переносите цену в 2027 год.

OpenAI и Google: сравнивайте специализированные модели

В OpenAI GPT-Transcribe — новый специализированный вариант. GPT-4o Mini Transcribe остаётся дешевле, около $0.18/час. Сначала сравните их, а не выбирайте старую GPT-4o Transcribe только из-за знакомого «4o».

Gemini 3.5 Transcribe добавляет диаризацию и метки слов. Оценка Google около $0.005/минуту объединяет аудиовход и текстовый выход. Модель стоит сравнить в существующем Google API, но это не Transcribe Live и не общий Gemini-чат с аудиофайлом.

Soniox, Qwen, AssemblyAI и Deepgram: зачем сохранять альтернативы

Soniox входит в дешёвое сравнение, но $0.10/час — оценка. Оплата включает аудиовход, текстовый контекст и выход; больший выход или перевод меняет счёт.

Для китайского процесса включите Qwen в образец, не распространяя английский бенчмарк. Тариф Alibaba Cloud зависит от региона и модели. Открытая Qwen3-ASR-1.7B — отдельное развёртывание, не Flash API под другим именем. Локальный хостинг убирает счёт вызовов, но не оборудование и поддержку.

Документация AssemblyAI указывает Universal-3.5 Pro по $0.21/час и Universal-2 по $0.15/час для записей. Проверяйте язык и версию, не заимствуйте старые оценки. Цена Nova-3 Deepgram включает диаризацию записи, а многоязычная ставка выше одноязычной. Оба сервиса нужны в сравнении одинаковых функций, даже без победы по базовой цене.

Реальная стоимость 100 часов

Допустим, в месяц есть 100 часов одноканальных интервью. Первый результат — текст, резюме позже. По тарифам Groq Turbo стоит $4, Voxtral $18, GPT-Transcribe $27 до дополнений. Это расчёт, а не наблюдаемый счёт.

При стоимости проверяющего $20/час наценка Voxtral $14 покупает 42 минуты проверки за весь месяц. Если он экономит больше, высокая цена окупается. Мы это не измеряли; 42 минуты — проверяемая точка безубыточности.

Три детали меняют сравнение:

• Малые запросы: минимум Groq 10 секунд повышает цену сильно раздробленного аудио.
• Обязательные функции: ElevenLabs оценивает подсказки терминов дополнительно в $0.05/час — ещё $5 за 100 часов до прочего.
• Каналы: Deepgram считает каналы отдельно; десятиминутная двухканальная запись может считаться как 20 минут.

Источники: лимиты Groq, тарифы ElevenLabs и оплата Deepgram. Используйте реальную конфигурацию.

Живая транскрипция требует отдельного сравнения. Например, стриминг AssemblyAI считает время подключения, а не только загруженное аудио. Скорость обработки готового файла не показывает задержку первых или финальных слов для живого слушателя.

Добавьте стоимость резюме и перевода

API транскрипции создаёт исходный текст. Если LLM превращает его в протокол, переводит или извлекает задачи, это новый счёт. Сравнение моделей суммаризации объясняет проверку решений и условий в сокращённых заметках.

Для текстового этапа используйте калькулятор цен LLM AILesson. Допустим, месячные расшифровки и промпты дают 1,5 млн входных токенов, резюме — 0,15 млн выходных. Введите 1.5 и 0.15. Это условные токены, не постоянный пересчёт 100 часов аудио.

Калькулятор оценивает токены, а не минуты аудио. Добавьте его сумму к транскрипции, функциям, хранению, повторам и проверке. При разбиении длинных текстов и финальном проходе учитывайте повторные входы.

Выберите двух кандидатов и проверьте сложное

Для базового текста начните с Groq Turbo и более точной альтернативы. Для встреч сравните Voxtral и Scribe; MAI добавляйте только при допустимом preview. Для китайской или смешанной речи включите Qwen, не перенося английский порядок.

Используйте разрешённые записи: чистый образец, шумный или перекрывающийся разговор, материал с именами, суммами или терминами. Давайте одинаковое аудио и равноценные инструкции. Проверяйте пропуски, важные слова, смену говорящих, метки и время исправлений, а не только гладкость текста.

До передачи частных записей проверьте хранение, обучение и региональную обработку поставщика. Затем выберите самый дешёвый вариант, проходящий реальные требования. Расшифровка за $4, которую чинят часами, не является бюджетным победителем.

Источники

• Рейтинг OpenRouter — популярность, не тест точности.
• Таблица Artificial Analysis и методика — снимок качества и ограничения.
• Документация Groq — тарифы Whisper, различия и минимум оплаты.
• Документация Voxtral и релиз — цена, функции встреч и наложение речи.
• Цены ElevenLabs API — Scribe и дополнения.
• Условия запуска Microsoft и документация Azure — акция и preview.
• Цены OpenAI и Google Developer API — специализированные модели и оценки.
• Soniox, Alibaba Cloud и StepFun — альтернативные схемы и региональные ставки.
• Модели AssemblyAI и цены Deepgram — режимы и функции.
• Карточка Qwen3-ASR-1.7B — отдельное развёртывание открытых весов.