Сколько стоит расшифровать час созвона через API: Whisper и GPT-transcribe в рублях

На 5 октября 2026 года час записи через whisper-1 у российских провайдеров стоит от 26 до 93 ₽, через gpt-4o-mini-transcribe — от 21 до 72 ₽. Модель с разделением по спикерам обойдётся в 93–180 ₽ за час. Открытые модели вроде Parakeet и Whisper Large V3 Turbo расшифровывают час за 2–18 ₽. Готовый сервис с редактором дороже в пересчёте на минуту, но на больших объёмах его подписка бывает дешевле API у дорогого провайдера.

Настольный микрофон и наушники рядом с листом, на котором звуковая волна переходит в ровные строки

Час созвона через API стоит от 2,4 до 192 ₽. Разброс задают две вещи: модель и провайдер. Ниже цены на минуту, час и 100 часов в месяц у российских провайдеров, официальные цены OpenAI, Google, Яндекса и Сбера, и что ещё влияет на счёт: разделение по спикерам, размер файла, округление и итоговое резюме встречи.

Цены провайдеров взяты из каталога LLMFinder по данным на 4 октября 2026 года. Доллары пересчитаны по курсу ЦБ на 3 октября 2026 года — 83,4839 ₽ (ЦБ РФ).

Цена минуты: Whisper, GPT-4o Transcribe и GPT-transcribe

У OpenAI на 5 октября 2026 года пять моделей для расшифровки готовых записей (цены OpenAI):

Модель Официальная цена за минуту В рублях Polza.ai ProxyAPI AITUNNEL
whisper-1 $0,006 0,50 ₽ 0,43 ₽ 1,55 ₽ 1,2 ₽
gpt-4o-mini-transcribe $0,003 0,25 ₽ 0,35 ₽ 0,77 ₽ 0,9–1,2 ₽
gpt-4o-transcribe $0,006 0,50 ₽ 0,70 ₽ 1,55 ₽ 1,8–2,4 ₽
gpt-4o-transcribe-diarize $0,006 0,50 ₽ — 1,55 ₽ 2,2–3 ₽
gpt-transcribe $0,0045 0,38 ₽ — — 0,9 ₽

ProxyAPI указывает цены с НДС 5 %. У Polza.ai и AITUNNEL ставка НДС в нашем каталоге не указана. Официальные цены OpenAI — без НДС. Как сравнивать цены с разным НДС, разобрано в статье про наценку провайдеров.

У Polza.ai whisper-1 стоит дешевле официальной цены OpenAI, пересчитанной по курсу ЦБ. Остальные модели у всех трёх провайдеров дороже официальной цены.

Почему у AITUNNEL две цены за минуту

Модели семейства gpt-4o-transcribe OpenAI тарифицирует не по минутам, а по токенам: за аудио на входе и за текст на выходе. Цена за минуту на странице OpenAI — оценка, она так и подписана: «Estimated cost».

AITUNNEL берёт за эти модели тоже по токенам. Например, у gpt-4o-mini-transcribe аудио на входе стоит 600 ₽ за 1 млн токенов, текст на выходе — 1 000 ₽ (страница модели). Два числа за минуту — это, по документации AITUNNEL, «ориентир цены за минуту аудио в рублях»: нижняя и верхняя оценка (документация). Сколько списали на самом деле, видно в ответе API: поле usage.cost_rub. За whisper-1 и gpt-transcribe AITUNNEL берёт поминутно, и цена у них одна.

ZvenoAI публикует для gpt-4o-transcribe и его вариантов только цену за токены: от 1 100 ₽ за 1 млн входных и от 1 833 ₽ за 1 млн выходных (страница модели). Сколько токенов уходит на минуту записи, ZvenoAI не пишет, поэтому в таблицу мы его не включили.

Сколько стоит час и 100 часов в месяц

100 часов — это 6 000 минут. Примерно столько набирается у команды, которая расшифровывает по пять часов звонков в рабочий день.

Модель и провайдер 1 час 100 часов в месяц
gpt-4o-mini-transcribe, Polza.ai 21 ₽ 2 107 ₽
whisper-1, Polza.ai 26 ₽ 2 592 ₽
gpt-4o-transcribe, Polza.ai 42 ₽ 4 214 ₽
gpt-4o-mini-transcribe, ProxyAPI 46 ₽ 4 639 ₽
gpt-transcribe, AITUNNEL 54 ₽ 5 400 ₽
whisper-1, AITUNNEL 72 ₽ 7 200 ₽
whisper-1, ProxyAPI 93 ₽ 9 300 ₽
gpt-4o-transcribe-diarize, ProxyAPI 93 ₽ 9 300 ₽
gpt-4o-transcribe-diarize, AITUNNEL 132–180 ₽ 13 200–18 000 ₽

Минимальное пополнение — 100 ₽ у Polza.ai и 500 ₽ у AITUNNEL. Прежде чем пополнять на месяц вперёд, проверьте, что будет с остатком: у кого баланс сгорает и кто возвращает деньги.

Что дешевле Whisper

Кроме моделей OpenAI, у тех же провайдеров есть открытые модели расшифровки и модели российских разработчиков. Они в разы дешевле:

Модель Провайдер За минуту 1 час 100 часов
Whisper Large V3 Turbo AITUNNEL 0,04 ₽ 2,40 ₽ 240 ₽
Parakeet TDT 0.6B v3 Polza.ai 0,11 ₽ 6,48 ₽ 648 ₽
Aiesa Транскрипция Polza.ai 0,12 ₽ 7,20 ₽ 720 ₽
GigaAM-v3 Polza.ai 0,25 ₽ 15 ₽ 1 505 ₽
Chirp 3 Polza.ai 1,15 ₽ 69 ₽ 6 918 ₽

Официальные цены для сравнения. Parakeet — открытая модель NVIDIA под лицензией CC BY 4.0, она распознаёт 25 европейских языков, включая русский и украинский (карточка модели). В прайсе Together AI она стоит $0,0015 за минуту аудио, около 0,13 ₽ (цены Together AI). Chirp 3 работает в Google Cloud Speech-to-Text V2, там минута стоит $0,016 при объёме до 500 тысяч минут в месяц, около 1,34 ₽ (цены Google Cloud).

Качество на ваших записях эти цены не покажут. Перед тем как отправлять архив, расшифруйте одну и ту же типичную запись двумя-тремя моделями и сравните текст.

Яндекс и Сбер: официальные тарифы

У Yandex SpeechKit цена указана за 15 секунд аудио с НДС (тарифы SpeechKit):

Режим За 15 секунд За минуту 1 час 100 часов
Асинхронное распознавание файлов 0,1515 ₽ 0,61 ₽ 36 ₽ 3 636 ₽
Асинхронное, отложенный режим 0,0381 ₽ 0,15 ₽ 9,14 ₽ 914 ₽
Синхронное распознавание 0,1626 ₽ 0,65 ₽ 39 ₽ 3 902 ₽

В отложенном режиме файл встаёт в очередь с низким приоритетом. По документации, асинхронное распознавание в обоих режимах может длиться от нескольких минут до 24 часов. Файл передаётся ссылкой на бакет Object Storage, максимум 1 ГБ и 4 часа (документация SpeechKit).

SaluteSpeech от Сбера с 15 июля 2026 года не подключает новых клиентов: физлицам перестали продавать пакеты, а юрлицам — пакеты и оплату по факту (тарифы для физлиц, для юрлиц). В тарифах для юрлиц распознавание в пакете стоит 0,6 ₽ за минуту с НДС.

Округление: за что платите на коротких записях

На часовой записи округление ничего не меняет. На голосовых сообщениях по 5–10 секунд оно может увеличить счёт в разы. Что сказано в официальных документах на 5 октября 2026 года:

  • Yandex SpeechKit, асинхронный режим: тарифицируется каждая секунда, но минимум 15 секунд на запрос. Моно- и стереозапись стоят одинаково: число каналов округляется до чётного. В синхронном режиме единица — 15 секунд, 1 секунда превращается в 15 (тарифы).
  • Google Cloud Speech-to-Text: каждый запрос округляется вверх до целой секунды (цены).
  • ProxyAPI: оплачиваются секунды звучания, паузы и тишина оплачиваются так же, как речь (документация).
  • SaluteSpeech при оплате по факту: секунды за месяц суммируются и округляются до целого; двухканальная запись стоит вдвое больше одноканальной (тарифы для юрлиц).

Если про округление в документах провайдера ничего нет, отправьте десяток коротких файлов и сверьте списание с длительностью. У AITUNNEL длительность и стоимость приходят в ответе API, в полях usage.seconds и usage.cost_rub.

Раз платите и за тишину, обрежьте длинные паузы в начале и конце записи до отправки.

Как разделить запись по спикерам

Модели whisper-1, gpt-4o-transcribe и gpt-transcribe возвращают сплошной текст без указания, кто говорит. Разделить реплики можно так:

  • gpt-4o-transcribe-diarize. Возвращает реплики с меткой говорящего и временем начала и конца. Можно передать до четырёх образцов голосов по 2–10 секунд, чтобы модель подписала реплики именами, а не буквами. Подсказки (prompt) эта модель не принимает. Для записей длиннее 30 секунд нужен параметр chunking_strategy (документация OpenAI).
  • Aiesa Транскрипция у Polza.ai. Разметка говорящих включена по умолчанию, метки технические, вроде SPEAKER_01, сопоставить их с людьми нужно самому. Обработка асинхронная (страница модели).
  • Yandex SpeechKit. Размечает дикторов только в монозаписи и не больше двух (документация).
  • Chirp 3. Google заявляет разметку говорящих (описание моделей). В каталоге AITUNNEL у chirp-3 стоит отметка, что разметки нет (каталог). Если она нужна, уточните у провайдера.
  • Стерео. Если телефония или программа записи пишет каждого собеседника на свой канал, разделите каналы и отправьте их отдельными файлами. Метки не понадобятся, а модель можно взять любую.

Лимит 25 МБ: когда резать запись

OpenAI принимает файлы до 25 МБ в форматах mp3, mp4, mpeg, mpga, m4a, wav и webm. Для записей больше OpenAI советует сжать звук или разрезать файл на куски до 25 МБ и не резать посреди фразы (документация). У посредников тот же лимит: AITUNNEL прямо пишет про 25 МБ и советует куски по 5–10 минут, чтобы при ошибке повторять только кусок (документация).

Сколько минут помещается в 25 МБ, зависит от формата:

Формат Примерно минут в 25 МБ
MP3 или M4A, моно, 64 кбит/с 50
MP3, 128 кбит/с 26
WAV, 16 кГц, 16 бит, моно 13

Запись часового созвона в MP3 64 кбит/с придётся разрезать на два куска, а в WAV на пять.

Если режете запись для gpt-4o-transcribe-diarize, передайте в каждом запросе одни и те же образцы голосов. Тогда реплики из разных кусков получат одинаковые подписи. Для остальных моделей OpenAI предлагает передавать в prompt контекст из предыдущего куска.

Резюме встречи: сколько стоит текстовая модель

Расшифровку обычно отдают текстовой модели, чтобы получить итоги и список задач. Это стоит меньше, чем сама расшифровка моделями OpenAI.

Для расчёта возьмём час разговора как 50 тысяч знаков текста. Это допущение: темп речи у всех разный, точное число покажет ваша первая расшифровка. У токенизатора o200k_base это около 12 тысяч токенов на входе, по нашему замеру для русского текста. Резюме на страницу — около 1 500 токенов на выходе.

Модель Провайдер Цена за 1 млн токенов, вход / выход Резюме часа
GPT 6 Luna Polza.ai 5,85 / 29,27 ₽ 0,11 ₽
GPT 6 Luna ProxyAPI 30 / 150 ₽ 0,59 ₽
GPT 6 Sol Polza.ai 117 / 585 ₽ 2,28 ₽
GPT 6 Sol ProxyAPI 420 / 2 100 ₽ 8,19 ₽
GigaChat 2 Pro GigaChat 500 / 500 ₽ 5,75 ₽

Для GigaChat вход посчитан как 10 тысяч токенов: его токенизатор укладывает русский текст плотнее. Даже на дорогой модели резюме обходится в единицы рублей.

Когда готовый сервис дешевле API

С API нужен код: нарезать файлы, отправить, собрать текст. Готовый сервис даёт редактор, разметку спикеров и резюме из коробки. Цены двух российских сервисов на 5 октября 2026 года:

  • Teamlogs: от 10 ₽ за минуту при разовой покупке до 6 ₽ при пакете от 5 000 минут. Час — 360–600 ₽, купленные минуты не сгорают (тарифы).
  • Speech2Text: для компаний тариф «Старт» без абонентской платы — 2 ₽ за минуту, «Базовый» — 2 300 ₽ в месяц за 90 часов. Для физлиц «Старт» — 500 ₽ в месяц за 6 часов (тарифы).

Час через Speech2Text на «Старте» стоит 120 ₽, через Teamlogs — от 360 ₽. Это дороже любого варианта из таблиц выше.

На больших объёмах картина другая. «Базовый» у Speech2Text при полном расходе 90 часов выходит около 0,43 ₽ за минуту. Это столько же, сколько whisper-1 у Polza.ai, и дешевле whisper-1 у AITUNNEL и ProxyAPI. Если расшифровок много, а писать интеграцию некому, подписка может обойтись дешевле API у дорогого провайдера.

Разовые записи без интеграции удобнее расшифровывать в сервисе. Поток записей, который должен сам попадать в CRM или базу знаний, удобнее вести через API: там вы платите только за минуты.

Персональные данные в записях

В записи звонка с клиентом есть его голос, имя, иногда телефон и детали заказа. Поэтому до отправки записи посреднику стоит выяснить три вещи.

Где обрабатываются данные

Российский провайдер передаёт запрос к модели OpenAI или Google дальше, разработчику модели или другой площадке. В нашем каталоге ни у одного предложения whisper-1 и gpt-4o-transcribe нет отметки «Данные хранятся в РФ». У Polza.ai такая отметка стоит у Aiesa Транскрипции и GigaAM-v3, у Aiesa ещё и «152-ФЗ: да» (страница Aiesa, GigaAM-v3). В каталоге есть фильтр «Данные хранятся в РФ».

Что говорит закон

Поручить обработку персональных данных другому лицу оператор может с согласия человека и по договору с этим лицом (152-ФЗ, ч. 3 ст. 6). До начала трансграничной передачи оператор обязан уведомить Роскомнадзор (ст. 12). Как это применяется к вашим записям, решит юрист: многое зависит от того, кто записан и на что он давал согласие.

Есть ли согласие на запись

Правила записи разговоров зависят от того, кто записывает, с кем говорит и зачем. Проверьте их с юристом до того, как расшифровки станут частью рабочего процесса.

Как компании выбрать провайдера с договором, закрывающими документами и НДС, разобрано в статье «API нейросетей для юрлиц и ИП» и на странице для бизнеса. Вопросы провайдеру о хранении данных есть в чек-листе перед пополнением.

Как выбрать

  • Голосовые сообщения и черновые расшифровки. Whisper Large V3 Turbo или Parakeet: 2–7 ₽ за час. Если сообщения короткие, учитывайте минимум за запрос.
  • Созвоны, где важно, кто что сказал. gpt-4o-transcribe-diarize, Aiesa Транскрипция или запись в стерео с разделением каналов.
  • Обычная расшифровка. OpenAI рекомендует для неё gpt-transcribe. Если важна цена, начните с gpt-4o-mini-transcribe или whisper-1 у недорогого провайдера.
  • Субтитры. whisper-1: у OpenAI таймкоды по словам есть только у него (документация), а через AITUNNEL он отдаёт форматы srt и vtt.
  • Записи с персональными данными клиентов. Модели с отметкой о данных в РФ и разговор с юристом до запуска.
  • Много часов без разработчика. Готовый сервис с подпиской: на объёме он сравним с API.

Цены всех моделей расшифровки по провайдерам собраны на странице «Речь → текст». Если цена у провайдера заметно ниже официальной, проверить, какая модель отвечает на самом деле, помогут способы из статьи о подмене моделей. Чем провайдеры различаются, кроме цены, показывает рейтинг провайдеров.

Частые вопросы

Сколько стоит расшифровать час записи через API?

На 5 октября 2026 года через whisper-1 — 26 ₽ у Polza.ai, 72 ₽ у AITUNNEL и 93 ₽ у ProxyAPI. Через gpt-4o-mini-transcribe — 21, 46 и 54–72 ₽. Открытые модели дешевле: Parakeet у Polza.ai — 6,48 ₽ за час, Whisper Large V3 Turbo у AITUNNEL — 2,40 ₽. Официальная цена OpenAI для whisper-1 — $0,006 за минуту, около 30 ₽ за час по курсу ЦБ на 3 октября.

Какая модель разделяет запись по спикерам?

Из моделей OpenAI — только gpt-4o-transcribe-diarize: у ProxyAPI она стоит 1,55 ₽ за минуту, у AITUNNEL — 2,2–3 ₽. У Polza.ai есть Aiesa Транскрипция за 0,12 ₽ за минуту, в ней разметка говорящих включена по умолчанию. Yandex SpeechKit размечает до двух дикторов и только в монозаписи. Если звонок записан в стерео и каждый собеседник на своём канале, разделение получается без отдельной модели.

Нужно ли резать длинную запись на части?

Для whisper-1 и моделей gpt-4o-transcribe — да, если файл больше 25 МБ: это лимит OpenAI и посредников, которые передают ей запрос. В MP3 с битрейтом 64 кбит/с в 25 МБ помещается около 50 минут. Резать лучше по паузам, а не посреди фразы. Yandex SpeechKit в асинхронном режиме принимает файлы до 1 ГБ и до 4 часов.

Когда готовый сервис расшифровки выгоднее API?

Когда записей много, а API берёте у дорогого провайдера. Speech2Text на тарифе «Базовый» для компаний даёт 90 часов в месяц за 2 300 ₽, это около 0,43 ₽ за минуту при полном расходе. Это дешевле whisper-1 у ProxyAPI (1,55 ₽) и сравнимо с Polza.ai (0,43 ₽). Цены на 5 октября 2026 года. На разовых задачах готовый сервис дороже: у Teamlogs минута стоит от 6 до 10 ₽.

Читайте также