Preço da API Whisper: O que a etapa de texto adiciona

Custo por trabalho no lado do texto

Fala para texto e geração de texto são precificados em unidades diferentes, então ajuda analisá-los separadamente. Esta página cobre a parte do texto, porque essa é a parte que este serviço vende. Os números abaixo vêm direto da lista de preços: $0,15 por milhão de tokens de entrada e $0,50 por milhão de tokens de saída.

Função	Tokens de entrada	Tokens de saída	Custo
Standup de 10 minutos, resumo curto	2,000	300	$0.00045
Reunião de 1 hora, resumo e itens de ação	12,000	800	$0.0022
Workshop de 3 horas, notas estruturadas	36,000	1,500	$0.00615
Janela quase cheia, relatório longo	96,000	4,000	$0.0164

As contagens de tokens aqui são estimativas. Uma regra aproximada para fala em inglês é que uma hora de fala produz cerca de 9.000 palavras, o que equivale a cerca de 12.000 tokens, mas os números reais dependem do falante e do formato da transcrição.

Como a matemática funciona

Pegue a reunião de uma hora. A entrada tem 12.000 tokens, então 12.000 / 1.000.000 x $0,15 = $0,0018. A saída tem 800 tokens, então 800 / 1.000.000 x $0,50 = $0,0004. O total é $0,0018 + $0,0004 = $0,0022, um pouco mais de dois décimos de centavo.

Tokens de saída custam mais de três vezes mais que tokens de entrada, o que define a estratégia: ler uma transcrição longa é barato, escrever uma resposta longa é onde o custo está. Um resumo que é 5% do comprimento da transcrição custa muito menos que uma reescrita da transcrição inteira.

O mesmo cálculo como função, caso você queira executá-la sobre seus próprios volumes:

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

Verifique a aritmética na maior linha também: 96.000 x $0,15 / 1M = $0,0144, e 4.000 x $0,50 / 1M = $0,002, que somam $0,0164.

O lado do áudio é um item separado

Este serviço não transcreve áudio, então não tem preço por minuto de áudio. Você precisará de um serviço baseado em Whisper de sua própria escolha para isso. Transcrição hospedada de vários provedores geralmente cobra por minuto ou hora de áudio, enquanto uma configuração auto-hospedada substitui essa taxa pelo custo de uma GPU ou tempo de CPU, mais sua própria manutenção. Os preços mudam frequentemente, então verifique seus preços atuais em vez de confiar em um número copiado de um blog.

Para orçamento, some os dois lados: horas de áudio vezes a taxa de fala, mais transcrições vezes a taxa de token acima. Na maioria dos pipelines que processam reuniões, a linha de transcrição é a maior das duas, porque a etapa de texto em uma chamada de uma hora custa uma fração de centavo. Se você executar o Whisper você mesmo em hardware que já possui, a API de texto pode ser a única conta direta que você vê.

Se você quiser os detalhes de configuração, o início rápido mostra o formato de solicitação para a etapa de texto.

Crédito pré-pago, sem plano gratuito

Não há plano gratuito nem assinatura. Você paga com crédito pré-pago e o crédito nunca expira. Novos usuários têm uma única maneira de testar sem pagar: após o cadastro, a página da chave de API tem um botão de um clique para $0,50 de crédito de teste. É um por pessoa, válido por 7 dias e não precisa de cartão.

Esse $0,50 rende mais do que parece. A $0,0022 por reunião de uma hora, isso cobre cerca de 227 resumos (0,50 / 0,0022 = 227,3). A chave de teste está limitada a 2 requisições simultâneas e 60 requisições por minuto, o que é mais do que suficiente para testar um pipeline em um lote de gravações.

Após o teste, você recarrega com qualquer valor inteiro de $20 a $500. Você paga por cartão (Visa, Mastercard, Apple Pay, Google Pay) ou cripto (USDT na TRC20, USDC na Base). Recargas maiores recebem um bônus no crédito que você recebe:

Recarga	Bônus	Crédito recebido
$20	nenhum	$20.00
$50	+5%	$52.50
$100	+10%	$110.00
$200	+15%	$230.00

A página de preços tem a lista atual em um só lugar.

Quanto custa um mês de reuniões

Suponha que uma equipe grave 40 reuniões de uma hora por semana. Isso é cerca de 173 por mês (40 x 52 / 12 = 173,3). Cada uma custa $0,0022 no lado do texto, então o total mensal é aproximadamente 173,3 x $0,0022 = $0,38. Uma recarga de $20 cobriria mais de quatro anos dessa carga de trabalho, e o crédito não tem data de expiração.

Agora um caso mais pesado: um serviço que processa 5.000 gravações de uma hora em um mês com 12.000 tokens de entrada e um resumo de 800 tokens cada. Isso é 5.000 x $0,0022 = $11. Aumente a saída para 3.000 tokens por gravação porque os clientes querem notas detalhadas, e o custo de saída por gravação se torna 3.000 x $0,50 / 1M = $0,0015, então o total por gravação é $0,0018 + $0,0015 = $0,0033, e o mês chega a $16,50.

Observe o que mudou na conta. O comprimento da transcrição não mudou, apenas o comprimento da resposta. Se os custos crescerem mais rápido do que o esperado, olhe para o tamanho da saída antes de qualquer outra coisa.

Comparando com fazer à mão

A comparação honesta é contra o seu próprio tempo. Um assistente que ouve uma gravação de uma hora e digita as notas gasta uma hora ou mais. O modelo lê a mesma hora como texto em alguns segundos e escreve as notas em talvez meio minuto. A $0.0022 por hora de reunião, a etapa de texto não é onde o dinheiro vai; a transcrição de áudio, o tempo de engenharia para construir o pipeline e a revisão da saída custam mais.

O modelo também comete erros, então reserve tempo para uma breve verificação humana em qualquer coisa que seja importante. Um revisor que folheia as notas geradas por dois minutos ainda é mais rápido do que escrevê-las do zero, e a verificação captura o proprietário inventado ou a figura mal ouvida ocasionais. Requisições falhas ou recusadas não custam nada, então o único gasto de texto é nas respostas que você realmente recebeu.

Maneiras de manter a conta de texto pequena

• Limite a resposta. Defina max_tokens quando você precisar apenas de um resumo curto. É opcional, mas impede uma resposta descontrolada em uma transcrição estranha.
• Não reenvie a transcrição. Se você precisar de três saídas de uma reunião, peça-as em uma única solicitação como um objeto JSON em vez de três chamadas que pagam cada uma por 12.000 tokens de entrada.
• Leia os dados de uso na resposta. O bloco usage relata tokens de prompt e conclusão, e as respostas em streaming incluem o uso no final. O cabeçalho de resposta X-Balance-USD mostra seu crédito restante.
• Mantenha as tentativas baratas. Requisições falhas ou recusadas não são cobradas, então um loop de tentativas em erros não adiciona à conta.

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))

Combine esses hábitos com uma verificação diária do cabeçalho de saldo e você verá um problema de custo dentro de um dia, não no final do mês. A documentação lista os cabeçalhos de resposta e códigos de erro.

Mais guias

• Servidor da API Whisper: Opções de Configuração e a Fase de Texto
• Anotações de reunião da API LLM: transcrição para resumo em Python
• API do Midjourney: solução de problemas e alternativas