Deepgram или OpenAI: евтиният запис не е евтиният разговор на живо

За готов запис OpenAI gpt-4o-mini-transcribe има по-ниска ориентировъчна цена от Deepgram Nova-3 Monolingual. При непрекъснат текст, който пристига още докато човекът говори, съотношението се обръща спрямо OpenAI gpt-live-transcribe. В тарифата на Deepgram Nova-3 Monolingual струва 0,0043 щ.д. на минута за готов запис и промоционални 0,0048 щ.д. за поток при план Pay As You Go.

Тарифата на OpenAI дава ориентир от 0,003 щ.д. на минута за gpt-4o-mini-transcribe, 0,0045 щ.д. за gpt-transcribe и 0,006 щ.д. за gpt-4o-transcribe при файловата транскрипция. За gpt-live-transcribe тя посочва 0,017 щ.д. на минута. Изборът зависи и от момента, в който приложението трябва да получи текста: след края на записа, след всяка реплика или по време на самата реч.

Готов файл, приключила реплика и непрекъснат поток

Трите начина на работа решават различни задачи. При готов файл приложението изпраща завършен запис. То може да получава части от резултата по време на обработката, но звукът вече е записан. При разговор на живо звукът продължава да пристига и текстът трябва да се появява, докато репликата още тече. Ръководството на OpenAI за транскрипция разделя изрично поточното извеждане на резултат от готов файл от транскрипцията на живо.

Има и междинен вариант: gpt-transcribe може да работи в Realtime сесия, но започва транскрипцията след подаване на приключила аудиореплика. Неговата ориентировъчна цена затова заслужава внимание при разговори с ясно отделени реплики, без да се приема за цена на непрекъснати надписи. За субтитри по време на говорене сравнявайте Nova-3 в режим streaming с gpt-live-transcribe и измервайте кога се появява четимият текст.

Сметката за готови записи

Следващите суми са продължителността, умножена по публикуваната цена на минута. Те сравняват базова транскрипция при Pay As You Go за Deepgram и ориентировъчните разходи за моделите на OpenAI. Сумите са в щатски долари, без данъци, промоционални кредити, договорени отстъпки и допълнителни функции; действителното таксуване на OpenAI може да се различава от оценката на минута.

• За 100 минути: gpt-4o-mini-transcribe — около 0,30 щ.д.; Nova-3 Monolingual — 0,43 щ.д.; gpt-transcribe — около 0,45 щ.д.; gpt-4o-transcribe — около 0,60 щ.д.
• За 1000 минути: съответно около 3,00 щ.д., 4,30 щ.д., 4,50 щ.д. и 6,00 щ.д.
• За 10 000 минути: съответно около 30,00 щ.д., 43,00 щ.д., 45,00 щ.д. и 60,00 щ.д.

При този товар mini моделът има най-ниската публикувана ориентировъчна цена в разгледаната група. Разликата с Nova-3 е 13 щ.д. за 10 000 минути базова транскрипция. Тя може да изглежда скромна спрямо разхода за ръчна поправка на грешки, но такъв разход зависи от записите и не следва от ценовите таблици. Затова цената на минута е начална бюджетна сметка, а не заместител на проверката за точност.

Сметката за текст по време на разговор

При непрекъснат поток базовата ставка на Nova-3 Monolingual е по-ниска от тази на gpt-live-transcribe. Сметките използват промоционалната цена на Deepgram за streaming и ориентировъчната цена на OpenAI за live transcription; не включват гласов отговор, езиков модел за диалог или телефонна инфраструктура.

• За 100 минути: Deepgram — 0,48 щ.д.; OpenAI — около 1,70 щ.д.
• За 1000 минути: Deepgram — 4,80 щ.д.; OpenAI — около 17,00 щ.д.
• За 10 000 минути: Deepgram — 48,00 щ.д.; OpenAI — около 170,00 щ.д.

Промоционалният характер на ставката има значение за дълъг договор: в същата таблица редовната цена за потока на Nova-3 Monolingual е 0,0077 щ.д. на минута. При условно запазен обем от 10 000 минути това би дало 77 щ.д. вместо 48 щ.д. и би намалило разликата спрямо gpt-live-transcribe. Ако продуктът може да изчака края на всяка реплика, отделно сравнение с gpt-transcribe е уместно; то трябва да отчете чакането до края на репликата.

Функциите, които променят цената

При Deepgram интелигентното форматиране е включено и в двата режима. Разделянето по говорители е включено за готов запис, но добавя 0,0020 щ.д. на минута при поток. Подсказването на ключови термини струва още 0,0013 щ.д. на минута, а редактирането на чувствителни данни — още 0,0020 щ.д. на минута. Това са отделни позиции от базовата цена, затова бюджет само по реда за модела подценява приложение, което действително използва тези функции.

Условно, поток с Nova-3 Monolingual, обозначени говорители и подсказани термини струва 0,0081 щ.д. на минута, или 8,10 щ.д. за 1000 минути. Ако се добави и редактиране на чувствителни данни, сборът става 0,0101 щ.д. на минута. При готов запис с подсказани термини цената на Nova-3 Monolingual става 0,0056 щ.д. на минута. Сравняването на обикновен текст с текст с обозначени говорители или премахнати лични данни би смесило различни крайни резултати.

При OpenAI gpt-live-transcribe приема контекст и подсказки за ключови думи, но не връща етикети за говорители, времеви маркери за отделни думи или оценки за увереност. Ако тези полета са задължителни за продукта, необходимата допълнителна обработка също влиза в крайната сметка. Наличието на подсказки и при двата доставчика не означава, че еднакви термини ще бъдат разпознати с еднаква точност.

Българският език и реалното закъснение

Списъкът с езици на Deepgram посочва български с код bg за Nova-3. Режимът multi на същия модел изброява отделен набор от езици, в който българският не фигурира. Така разговор с редуване на български и друг език не бива автоматично да се смята за решен чрез многоезичната тарифа. Публикуваната поддръжка на език също не дава измерена точност за конкретни български акценти, телефонни линии или специализирани термини.

Документацията на OpenAI за транскрипция на живо описва междинен текст, окончателен резултат след приключване на репликата и настройка на закъснението: по-ранният текст оставя по-малко аудиоконтекст за разпознаване. Сравнимата проба трябва да използва едни и същи откъси, микрофони и правила за край на репликата. При файловете мерете времето от изпращане до готов текст; при потока — времето до първи четим текст и до окончателния резултат.

• Шум: включете телефонно аудио, фонов говор и реплики, в които участниците се прекъсват.
• Акценти и езици: използвайте представителна българска реч и откъси със смяна на езика, ако това се случва в продукта.
• Терминология: проверете имена, съкращения, числа и ефекта от подсказките, като включите цената им.
• Закъснение: отчетете празни и закъснели резултати, както и поправките в междинния текст, които зрителят или операторът ще види.

За договорена конфигурация сравнявайте цената на нужния резултат и допустимото закъснение върху представителна българска реч. Така става видимо дали спестените минути таксуване се запазват след платените функции и дали текстът пристига навреме за конкретното приложение.

Прочетете също:

• n8n, Make или Zapier: евтиният избор зависи от броя стъпки
• Airtable или Notion: евтиният план зависи от това кой редактира
• Агенти на OpenAI публикуваха 53 потребителски изображения онлайн