Preços do Google Cloud STT em 2026: $0,003 a $0,016 por minuto

O Google Cloud Speech-to-Text V2 cobra US$ 0,016 por minuto para transcrição em tempo real e a partir de ~US$ 0,003 por minuto no Dynamic Batch, a camada com prazo de 24 horas que a maioria dos times ignora. Se você vem usando as tarifas da V1 ou tratando streaming e batch como se fossem a mesma coisa, suas estimativas de custo provavelmente estão erradas em 50% ou mais.

A Versão Resumida

A API V2 (a padrão atual) já inclui a família de modelos Chirp do Google sem custo adicional. O reconhecimento em tempo real padrão sai por US$ 0,016/min, caindo para US$ 0,004/min com volume acima de 2 milhões de minutos por mês. O Dynamic Batch reduz isso para cerca de US$ 0,003 a US$ 0,004/min, em troca de resultados em até 24 horas, uma opção interessante para qualquer carga de trabalho que não dependa de tempo real. A API V1 legada usa uma tabela de preços separada, atrelada à opção de registro de dados; esses números ainda aparecem na página de preços, mas só valem se você chamar explicitamente os endpoints da V1. O nível gratuito dá a toda conta 60 minutos por mês, de forma contínua, além de um crédito único de US$ 300 para novos clientes do GCP. Os modelos médicos (somente V1) têm preço separado, de US$ 0,078/min.

O maior erro de precificação: usar o endpoint de streaming para áudio pré-gravado. Isso adiciona cerca de 50% (na V1) ou elimina por completo o desconto do Dynamic Batch (na V2). Alinhe o endpoint à sua necessidade de latência.

API V2: O Modelo de Preços Atual

A API V2 é o caminho recomendado pelo Google para novas integrações. Ela inclui o Chirp, o modelo universal do Google treinado em mais de 100 idiomas, pela tarifa padrão, sem sobretaxa por escolher o modelo mais capaz.

Reconhecimento em tempo real (padrão):

Dynamic Batch (V2): Aproximadamente US$ 0,003 por minuto para cargas de trabalho que aceitam um prazo de até 24 horas. Essa é a principal alavanca de redução de custos no V2, que não existia no V1. Para um estúdio de podcast, um projeto de transcrição de arquivo ou qualquer fluxo de trabalho noturno em lote, o Dynamic Batch pode reduzir os custos por minuto em 80% em comparação com o tempo real.

O faturamento, segundo a maioria das fontes, é arredondado para os 15 segundos mais próximos por solicitação. Um clipe de 16 segundos é cobrado como 30 segundos. Em escala, com muitos clipes curtos, esse arredondamento acumula mais rápido do que a taxa por minuto sugere. Para arquivos mais longos (entrevistas, episódios, gravações de chamadas), o efeito do arredondamento é insignificante.

API V1: Taxas Legadas Ainda em Uso

A API V1 continua suportada para integrações existentes. Seu preço é estruturado em torno do consentimento para registro de dados, e não de faixas de volume.

Registro de dados significa que o Google pode usar seu áudio para melhorar os modelos. Para conteúdo não sensível (podcasts públicos, gravações de marketing), optar por participar reduziu os custos do V1 em 33%. Para qualquer coisa que envolva PII, HIPAA ou dados financeiros, o registro de dados está fora de cogitação, independentemente da economia.

A API V2 não usa essa mesma estrutura de desconto por registro de dados, o que é um dos motivos pelos quais a taxa por minuto parece idêntica (US$ 0,016), mas os mecanismos diferem. Se você está comparando sua fatura atual com as taxas publicadas, confirme qual versão da API seu código chama.

Dynamic Batch

~$0,003/min

Alto Volume (2M+ min)

$0,004/min

Volume Médio (1M min)

$0,008/min

Padrão (até 500K min)

$0,016/min

Tarifas conforme a página de preços do Google Cloud e fontes terceiras, julho de 2026. A tarifa Dynamic Batch é de aproximadamente $0,003-$0,004/min; o gráfico usa $0,003.

Camada Gratuita: O Que Você Realmente Recebe

60 minutos por mês, de forma contínua. Isso não é um teste, é renovado todo mês enquanto sua conta existir, sem data de expiração. O uso tanto da V1 quanto da V2 conta contra essa cota.

US$ 300 em créditos GCP para novos clientes. Isso vale para todos os serviços do Google Cloud, não só o Speech-to-Text, e expira após 90 dias. Para fins de teste é generoso; para planejamento de produção, trate como um buffer único de integração, não um subsídio contínuo.

A cobrança exige um método de pagamento cadastrado mesmo se você ficar dentro da camada gratuita. Se sua conta de cobrança caducar, as chamadas de API falham na hora.

Cenários de Custo Reais

Cenário 1: Estúdio de Podcast, 50 Horas por Mês

Uma equipe produzindo 50 horas de episódios por mês para notas de programa e conteúdo de SEO não precisa de resultados em menos de um segundo. Podcasts são pré-gravados, processados durante a noite, e a janela de 24 horas é tranquila.

Configuração V2 Dynamic Batch:

• Volume: 50 horas = 3.000 minutos/mês
• Tarifa: ~$0,003/min
• Crédito da camada gratuita: 60 minutos
• Minutos cobráveis: 2.940
• Custo mensal: 2.940 x $0,003 = ~$8,82/mês

Compare isso com a tarifa de "registro de dados" da V1 que a velha sabedoria convencional recomendava: 2.940 x $0,016 = $47,04/mês. Dynamic Batch não é um desconto pequeno. É um nível de preço diferente que corta o custo do mesmo trabalho em cerca de 80%. A troca é exclusivamente sobre o tempo de resposta.

Se a equipe tem um prazo apertado e precisa das transcrições em até uma hora, eles usam o modo tempo real padrão a US$ 0,016/min. Para notas de programa no dia seguinte, o Dynamic Batch é a escolha óbvia.

Se você só precisa das transcrições sem a complexidade de configurar o GCP, o ConvertAudioToText oferece planos com preço fixo que eliminam totalmente a conta por minuto.

Cenário 2: Central de Atendimento, 500 Horas por Mês

Uma equipe de suporte ao cliente transcreve 500 horas de gravações de chamadas por mês para revisão de qualidade. As chamadas já são gravadas e revisadas no próximo dia útil, então não é necessária a entrega no mesmo dia.

Configuração do V2 Dynamic Batch:

• Volume: 500 horas = 30.000 minutos/mês
• Tarifa: ~US$ 0,003/min
• Minutos faturáveis: 29.940
• Custo mensal: 29.940 x US$ 0,003 = ~US$ 89,82/mês

Com as tarifas padrão do V2 em tempo real, o mesmo volume custaria 29.940 x US$ 0,016 = US$ 478,64/mês. A decisão depende inteiramente de a equipe de revisão precisar das transcrições no mesmo dia das chamadas. A maioria dos fluxos de trabalho de QA consegue absorver um atraso de 24 horas.

Para comparação, nesse volume, o concorrente do Deepgram da Google (Nova-3, US$ 0,0077/min) custaria cerca de US$ 231 mensais em tarifas de tempo real, ainda mais caro que o Dynamic Batch, mas bem menos que o tempo real da Google. Veja o detalhamento completo de preços da API para o panorama geral.

Cenário 3: Plataforma de Saúde, 1.000 Horas por Mês

Uma plataforma de telemedicina transcreve 1.000 horas de consultas por mês. Vocabulário médico e conformidade com HIPAA são prioridades.

Configuração do V1 Medical Conversation (o V2 não tem um modelo médico dedicado):

• Volume: 1.000 horas = 60.000 minutos/mês
• Tarifa: US$ 0,078/min (registro de dados desativado para HIPAA)
• Minutos faturáveis: 59.940
• Custo mensal: 59.940 x US$ 0,078 = US$ 4.675,32/mês

Isso dá US$ 56.100 por ano. Nesse nível de gasto, vale a pena conversar com o time de vendas do Google Cloud para negociar uma tarifa empresarial personalizada, já que acordos de volume podem reduzir o preço por minuto em 15 a 30%. Plataformas nessa escala também deveriam avaliar se um modelo geral bem configurado, com tratamento de vocabulário personalizado, consegue igualar a precisão do modelo Medical para a terminologia específica delas.

A decisão entre V1 e V2

Minha opinião: para qualquer integração nova iniciada hoje, use a V2. O modelo Chirp é mais capaz em um conjunto mais amplo de idiomas, o Dynamic Batch existe apenas na V2, e os descontos por volume na V2 são públicos e automáticos, sem precisar de conversa com vendas. O único motivo para ficar na V1 é uma integração existente que exigiria uma refatoração significativa.

A V2 não oferece modelos Medical dedicados no momento. Se o seu aplicativo depende dos modelos Medical Dictation ou Medical Conversation do Google, você fica na V1. Isso não é um caso isolado, é o motivo legítimo pelo qual a API da V1 continua suportada.

Google Cloud versus outras APIs

A taxa em tempo real do V2 do Google, de US$ 0,016/min, fica acima da Deepgram e da AssemblyAI no custo puro por minuto. Onde ele se destaca é na amplitude de idiomas (mais de 125 línguas via Chirp), na franquia mensal gratuita que nunca expira e na integração profunda com o resto do GCP. A comparação com o AWS Transcribe é especialmente acirrada no papel; as diferenças práticas se resumem ao ajuste com o ecossistema e a qual estrutura de plano gratuito combina com o seu ciclo de orçamento.

Para uma visão mais ampla de como as APIs de transcrição são precificadas, a comparação entre Google e Deepgram é um bom estudo de caso sobre a diferença entre amplitude de idiomas e eficiência por minuto.

Quando o Google Cloud Speech-to-Text Faz Sentido

Você precisa de mais de 125 idiomas. O Chirp cobre línguas que a maioria dos concorrentes não oferece com qualidade de produção. Se o seu aplicativo lida com suaíli, javanês, tagalo ou outros idiomas de baixos recursos, o Google costuma ser a única opção hospedada viável.

Sua infraestrutura já está no GCP. Áudio armazenado no Cloud Storage, resultados gravados no BigQuery, gatilhos via Cloud Functions, custo zero de egress, autenticação nativa por service account e ferramentas operacionais já no lugar. O atrito de integração é praticamente zero.

Transcrição médica com a postura de conformidade do Google. Os modelos Medical têm cobertura de BAA da HIPAA e certificações específicas de saúde que a maioria dos concorrentes não consegue igualar.

Checklists de conformidade empresarial. SOC 2 Tipo II, ISO 27001, FedRAMP, se o seu time de segurança tem uma lista de verificação, o Google Cloud marca todas as caixas.

Quando Vale Procurar Alternativas

Alto volume sensível a custo sem requisitos médicos. Com 500 horas por mês, o Deepgram Nova-3 em tempo real (US$ 0,0077/min) sai bem mais barato que o V2 do Google em tempo real. O post sobre custos ocultos de serviços de transcrição detalha comparações de custo total, incluindo a sobrecarga de infraestrutura.

Benchmarks de precisão apenas em inglês. Alguns concorrentes ficam à frente na taxa de erro por palavra específica do inglês. Deepgram Nova-3 e os modelos maiores da Whisper têm bons resultados em conteúdo em inglês. Se o seu conteúdo é exclusivamente em inglês e WER é sua métrica principal, rode seus próprios testes antes de assumir que o Google é o melhor.

Sem infraestrutura GCP. Usar o Speech-to-Text exige um projeto GCP, conta de serviço, conta de faturamento e configuração do SDK. Isso é administrável, mas não é trivial para uma startup que não é cliente GCP de outra forma. Uma API independente como a AssemblyAI ou uma ferramenta pronta como a ferramenta de áudio para texto do ConvertAudioToText leva você do arquivo à transcrição mais rápido se não estiver montando um pipeline personalizado. Planos com preço fixo e sem cobrança por minuto estão na nossa página de preços.

Checklist de Redução de Custos

Mude cargas de trabalho não urgentes para Dynamic Batch. O nível V2 Dynamic Batch é a redução de custo de maior alavancagem disponível. Se os resultados podem esperar 24 horas, não há motivo para pagar tarifas em tempo real.

Converta estéreo para mono antes de enviar. Áudio multicanal é cobrado por canal. Uma gravação estéreo padrão dobra seu custo se você não converter antes. Reduzir para mono 16kHz antes do upload corta custos de armazenamento, transferência e API sem afetar a precisão.

Confirme que você está chamando endpoints V2 em código novo. A calculadora de preços e a documentação usam V2 por padrão, mas integrações copiadas de exemplos antigos podem ainda apontar para endpoints V1. Verifique a URL do endpoint nas suas chamadas de API.

Configure alertas de faturamento no Cloud Console. Defina alertas em 50%, 80% e 100% do seu gasto mensal esperado. Um loop de repetição ou bug de configuração pode multiplicar sua conta antes que você perceba.

Use a Calculadora de Preços do Google Cloud para modelar seu volume real, versão da API e conjunto de recursos antes de se comprometer.

Perguntas Frequentes

Quanto custa o Google Cloud Speech-to-Text por minuto em 2026?

A API V2 cobra US$ 0,016 por minuto para transcrição padrão em tempo real, caindo para US$ 0,010 e US$ 0,008 por minuto em volumes mensais mais altos. O modo Dynamic Batch custa aproximadamente US$ 0,003 a US$ 0,004 por minuto para cargas de trabalho que aceitam um prazo de 24 horas. A API V1 cobra US$ 0,016 por minuto com registro de dados ativado ou US$ 0,024 por minuto sem ele. Os modelos médicos (somente V1) custam US$ 0,078 por minuto.

Qual é o nível gratuito do Google Cloud Speech-to-Text?

Toda conta do Google Cloud recebe 60 minutos de transcrição gratuita por mês, de forma contínua, sem data de expiração. Novos clientes do GCP também ganham US$ 300 em créditos (validade de 90 dias) que valem para todos os serviços do GCP, incluindo o Speech-to-Text. Após os 60 minutos gratuitos, as tarifas padrão por minuto são aplicadas automaticamente. É preciso vincular uma conta de cobrança ao seu projeto para usar a API, mesmo dentro do nível gratuito.

O que é o Dynamic Batch e quanto custa?

O Dynamic Batch é um modo de processamento exclusivo da V2 que coloca suas solicitações de transcrição em uma fila de prioridade mais baixa, entregando os resultados em até 24 horas. A tarifa é de aproximadamente US$ 0,003 a US$ 0,004 por minuto, em comparação com US$ 0,016/min do padrão em tempo real. Ele é ideal para trabalhos em lote durante a noite: arquivos de podcast, revisão de QA no dia seguinte, projetos de transcrição em massa. Para legendagem ao vivo ou qualquer caso que exija resultados em segundos, use o endpoint padrão em tempo real.

Qual é a diferença de preço entre as APIs V1 e V2?

O preço da V1 usa um modelo de registro de dados: US$ 0,016/min com registro ativado ou US$ 0,024/min sem ele. O preço da V2 usa faixas de volume a partir de US$ 0,016/min, sem desconto separado por registro de dados. A V2 também adiciona o Dynamic Batch e inclui a família de modelos Chirp sem custo extra. A V1 é a única opção se você precisar dos modelos Medical Dictation ou Medical Conversation. Para qualquer integração nova, a V2 é o caminho recomendado.

Como o preço do Google Cloud Speech-to-Text se compara ao da Deepgram?

Nas tarifas em tempo real, o Deepgram Nova-3 ($0,0077/min) é mais barato que o Google V2 padrão ($0,016/min) para cargas de trabalho idênticas de até 500.000 minutos por mês. Acima de 1 milhão de minutos por mês, os níveis de volume do Google reduzem o V2 para $0,008/min ou menos, aproximando a comparação. O Dynamic Batch do Google, a cerca de $0,003/min, sai mais barato que o Deepgram para cargas que não exigem tempo real. A escolha prática depende dos idiomas que você precisa (o Google lidera em variedade), do seu footprint no GCP e se a latência em tempo real é um requisito. Veja a comparação de preços de APIs de transcrição de fala para um detalhamento mais completo.

Fontes

• Preços do Google Cloud Speech-to-Text, página oficial de preços
• CostBench: Preços do Google Speech-to-Text 2026, tabela de tarifas V1/V2
• BrassTranscripts: Google STT, por que sua conta dobra, contexto de custos de infraestrutura
• Smallest.ai: Análise do Google Cloud STT 2026, visão geral do modelo V2
• Preços do Deepgram, tarifas do Nova-3 verificadas
• Preços do Amazon Transcribe, tarifas da AWS
• Preços do Azure Speech, tarifas da Azure
• Preços do OpenAI Whisper 2026, tarifas do Whisper/gpt-4o