Cennik Whisper API: Co dodaje etap tekstu

Koszt zadania po stronie tekstowej

Zamiana mowy na tekst i generowanie tekstu są wyceniane w różnych jednostkach, więc warto rozpatrywać je osobno. Ta strona dotyczy części tekstowej, ponieważ to ona jest sprzedawana przez tę usługę. Poniższe liczby pochodzą bezpośrednio z cennika: $0,15 za milion tokenów wejściowych i $0,50 za milion tokenów wyjściowych.

Zadanie	Tokeny wejściowe	Tokeny wyjściowe	Koszt
10-minutowe spotkanie, krótkie streszczenie	2 000	300	$0,00045
Spotkanie 1-godzinne, streszczenie i punkty do wykonania	12 000	800	$0.0022
Warsztaty 3-godzinne, uporządkowane notatki	36 000	1 500	$0.00615
Prawie pełne okno kontekstu, długi raport	96 000	4 000	$0.0164

Liczby tokenów tutaj to szacunki. Przybliżona zasada dla języka angielskiego mówi, że jedna godzina mówienia generuje około 9 000 słów, co daje około 12 000 tokenów, ale rzeczywiste liczby zależą od mówcy i formatowania transkrypcji.

Jak to działa

Rozważ spotkanie trwające godzinę. Dane wejściowe to 12 000 tokenów, więc 12 000 / 1 000 000 x $0,15 = $0,0018. Dane wyjściowe to 800 tokenów, więc 800 / 1 000 000 x $0,50 = $0,0004. Łącznie $0,0018 + $0,0004 = $0.0022, czyli nieco ponad dwie dziesiąte centa.

Tokeny wyjściowe kosztują ponad trzy razy więcej niż tokeny wejściowe, co wyznacza strategię: czytanie długiej transkrypcji jest tanie, a pisanie długiej odpowiedzi to tam, gdzie idą pieniądze. Streszczenie stanowiące 5% długości transkrypcji kosztuje znacznie mniej niż przepisanie całej transkrypcji.

To samo obliczenie jako funkcja, na wypadek gdybyś chciał uruchomić ją na swoich własnych wolumenach:

Copy# Base URL https://api.whisperapis.com/v1, model "uncensored"
def text_cost(input_tokens, output_tokens):
    # $0.15 per 1M input tokens, $0.50 per 1M output tokens
    return input_tokens * 0.15 / 1_000_000 + output_tokens * 0.50 / 1_000_000

print(round(text_cost(12_000, 800), 6))    # one-hour meeting -> 0.0022
print(round(text_cost(36_000, 1_500), 6))  # three-hour workshop -> 0.00615

Sprawdź również rachunek dla największego wiersza: 96 000 x $0,15 / 1M = $0,0144, a 4 000 x $0,50 / 1M = $0,002, co daje łącznie $0.0164.

Strona audio to osobna pozycja

Usługa nie transkrybuje dźwięku, więc nie ma ceny za minutę nagrań. Do tego celu będziesz potrzebować własnej usługi opartej na Whisper. Zdalna transkrypcja od różnych dostawców zazwyczaj rozliczana jest za każdą minutę lub godzinę dźwięku, podczas gdy rozwiązanie samodzielne zamienia tę opłatę na koszt czasu GPU lub CPU oraz własny serwis. Ceny często się zmieniają, więc sprawdź ich aktualną ofertę, a nie polegaj na liczbie skopiowanej z bloga.

Do budżetowania dodaj obie strony: godziny audio razy stawka za mowę, plus transkrypcje razy stawka za token wyżej. W większości potoków przetwarzających spotkania, pozycja transkrypcji jest większa z dwóch powodów, ponieważ krok tekstowy na 1-godzinnym połączeniu kosztuje ułamek centa. Jeśli uruchamiasz Whisper samodzielnie na sprzęcie, który już posiadasz, API tekstowe może być jedyną bezpośrednią opłatą, którą zobaczysz.

Jeśli chcesz poznać szczegóły konfiguracji, quickstart pokazuje format żądania dla etapu tekstowego.

Przedpłacony kredyt, brak darmowego planu

Nie ma darmowego poziomu ani subskrypcji. Płacisz z przedpłaconego kredytu, a kredyt nie wygasa. Nowi użytkownicy mają jeden sposób na przetestowanie bez płacenia: po rejestracji na stronie klucza API znajduje się przycisk do jednorazowego uzyskania $0,50 kredytu próbnego. Jest jeden na osobę, ważny przez 7 dni i nie wymaga karty.

Te $0,50 idą dalej, niż się wydaje. Przy koszcie $0.0022 za godzinowe spotkanie, pokrywa ono około 227 streszczeń (0,50 / 0,0022 = 227,3). Klucz próbny jest ograniczony do 2 równoległych zapytań i 60 zapytań na minutę, co jest wystarczające do przetestowania potoku na partii nagrań.

Po zakończeniu okresu próbnego doładowujesz dowolną kwotą całkowitą od $20 do $500. Płacisz kartą (Visa, Mastercard, Apple Pay, Google Pay) lub kryptowalutami (USDT w sieci TRC20, USDC na Base). Większe doładowania otrzymują bonus do otrzymanego kredytu:

Doładowanie	Bonus	Przyznany kredyt
$20	brak	$20,00
$50	+5%	$52,50
$100	+10%	$110,00
$200	+15%	$230,00

Strona z cenami zawiera aktualną listę w jednym miejscu.

Ile kosztuje miesiąc spotkań

Załóżmy, że zespół nagrywa 40 godzinnych spotkań w tygodniu. To około 173 w miesiącu (40 x 52 / 12 = 173,3). Każde kosztuje $0.0022 po stronie tekstowej, więc miesięczny całkowity koszt to około 173,3 x $0.0022 = $0,38. Doładowanie na $20 pokryłoby ponad cztery lata takiego obciążenia, a kredyt nie ma daty ważności.

Teraz cięższy przypadek: usługa przetwarzająca 5 000 godzinnych nagrań w miesiącu z 12 000-tokenowym promptem i 800-tokenowym podsumowaniem. To 5 000 x $0.0022 = $11. Zwiększ dane wyjściowe do 3 000 tokenów na nagranie, ponieważ klienci chcą szczegółowych notatek, a koszt danych wyjściowych na nagranie wynosi 3 000 x $0,50 / 1M = $0,0015, więc łączny koszt jednego nagrania to $0,0018 + $0,0015 = $0,0033, a miesięczny koszt to $16,50.

Zauważ, co zmieniło rachunek. Długość transkrypcji się nie zmieniła, zmieniła się tylko długość odpowiedzi. Jeśli koszty rosną szybciej niż oczekiwano, sprawdź najpierw wielkość wyjścia.

Porównanie z pracą ręczną

Uczciwe porównanie dotyczy Twojego własnego czasu. Asystent, który słucha godzinowego nagrania i przepisuje notatki, spędza godzinę lub więcej. Model czyta tę samą godzinę jako tekst w kilka sekund i pisze notatki w około pół minuty. Przy koszcie $0.0022 za godzinę spotkania, etap tekstowy nie jest miejscem, gdzie idą pieniądze; transkrypcja audio, czas inżynieryjny na zbudowanie potoku i przegląd wyników kosztują więcej.

Model popełnia również błędy, więc budżetuj krótką weryfikację przez człowieka dla wszystkiego, co ma znaczenie. Recenzent, który przelatuje wzrokiem po wygenerowanych notatkach przez dwie minuty, jest nadal szybszy niż pisanie ich od zera, a kontrola łapie okazjonalnie wymyślonych właścicieli lub błędnie usłyszane liczby. Nieudane lub odrzucone zapytania nic nie kosztują, więc jedynym wydatkiem na tekst jest to, za co faktycznie otrzymałeś odpowiedź.

Sposoby na zmniejszenie rachunku za tekst

• Ogranicz odpowiedź. Ustaw max_tokens, gdy potrzebujesz tylko krótkiego streszczenia. Jest to opcjonalne, ale zapobiega niekontrolowanej odpowiedzi na dziwnej transkrypcji.
• Nie wysyłaj ponownie transkrypcji. Jeśli potrzebujesz trzech wyników z jednego spotkania, poproś o nie w jednym żądaniu jako obiekt JSON, zamiast trzech wywołań, z których każde płaci za 12,000 tokenów wejściowych.
• Sprawdzaj użycie z odpowiedzi. Blok usage raportuje tokeny promptu i uzupełnienia, a odpowiedzi strumieniowe zawierają użycie na końcu. Nagłówek odpowiedzi X-Balance-USD pokazuje Twój pozostały kredyt.
• Powtórne próby są tanie. Nieudane lub odrzucone zapytania nie są rozliczane, więc pętla ponownych prób przy błędach nie zwiększa rachunku.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.whisperapis.com/v1", api_key="YOUR_KEY")
messages = [{"role": "user", "content": "Summarize in five bullets: ..."}]

resp = client.chat.completions.create(
    model="uncensored",
    messages=messages,
    max_tokens=900,
)
u = resp.usage
print(u.prompt_tokens, u.completion_tokens)
print(text_cost(u.prompt_tokens, u.completion_tokens))

Połącz te nawyki z codziennym sprawdzaniem nagłówka z saldem, a problem kosztowy zauważysz w ciągu dnia, a nie pod koniec miesiąca. dokumentacja wymienia nagłówki odpowiedzi i kody błędów.

Więcej przewodników

• Serwer Whisper API: Opcje konfiguracji i krok tekstowy
• Notatki z spotkań LLM API: Transkrypcja na streszczenie w Pythonie
• API Midjourney: Rozwiązywanie problemów i alternatywy