قیمت توکن‌ها برای هر ابزار VocaLingo
تعرفه‌ها به ازای هر ثانیه، دقیقه یا ۱٬۰۰۰ نویسه برای هر ابزار، به همراه مثال‌ها. اشتراک Premium تغییری در این قیمت‌ها ایجاد نمی‌کند.
به‌روزرسانی‌شده در ۱۱ آبان ۱۴۰۵7 دقیقه مطالعه
هر ابزار قبل از شروع، یک تخمین نمایش می‌دهد. تعرفه‌های زیر مبالغی هستند که سرور در واقع کسر می‌کند. هزینه‌ها به یک توکن کامل به بالا گرد می‌شوند، و عملیات بسیار کوچکی که کسری از یک توکن هزینه دارند آن‌قدر جمع می‌شوند تا به یک توکن کامل برسند. نحوه عملکرد کلی کسر هزینه در نحوه کارکرد توکن‌ها توضیح داده شده است.
Video Translation
هزینه Video Translation بر اساس هر ثانیه از ویدیوی مبدأ و تنها پس از آماده شدن ویدیوی ترجمه‌شده کسر می‌شود. حداقل هزینه ۱ توکن است.
| ارائه‌دهنده و گزینه | هر ثانیه | هر دقیقه |
|---|---|---|
HeyGen (lip-sync) | ۴ | ۲۴۰ |
HeyGen with Enhanced cloning | ۸ | ۴۸۰ |
ElevenLabs | ۴.۴ | ۲۶۴ |
ElevenLabs with Lip Sync | ۵.۲ | ۳۱۲ |
سرویس HeyGen ویدیوهای تا ۳۰ دقیقه را می‌پذیرد. اگر Lip Sync ناموفق باشد، ویدیوی دوبله‌شده را بدون آن دریافت می‌کنید و تعرفه ElevenLabs بدون Lip Sync را می‌پردازید.
Audio Translation
ابزار Audio Translation هزینه سه مرحله را به طور جداگانه کسر می‌کند. تشخیص گفتار و ترجمه به صورت خودکار اجرا می‌شوند و هزینه بسیار کمی دارند. صداگذاری تنها زمانی تولید می‌شود که روی دکمه پخش ضربه بزنید، و بخش عمده هزینه مربوط به همین مرحله است.
تشخیص گفتار
| گزینه در Settings | قیمت |
|---|---|
ElevenLabs Scribe (default) | حدود ۰.۷۳ توکن در دقیقه، ۴۴ در ساعت |
OpenAI Transcribe | حدود ۱.۲ توکن در دقیقه |
OpenAI Whisper | ۱.۲ توکن در دقیقه |
ترجمه متن تشخیص‌داده‌شده و برگه Summary برای یک فایل ضبط‌شده معمولی، کسری از یک توکن هزینه دارد.
صداگذاری
هزینه صداگذاری بر اساس طول متن ترجمه‌شده محاسبه می‌شود. ۱٬۰۰۰ نویسه تقریباً برابر با یک دقیقه گفتار است.
| صدا | قیمت |
|---|---|
ElevenLabs | ۱۰ توکن به ازای هر ۱٬۰۰۰ نویسه، حداقل ۱ |
OpenAI | ۱.۸ توکن به ازای هر ۱۵۰ کلمه شروع‌شده |
Voice cloning (MiniMax), Clone from file | ۱۸۰ توکن برای کلون کردن + ۱۲ به ازای هر ۱٬۰۰۰ نویسه |
My MiniMax voice | ۱۲ به ازای هر ۱٬۰۰۰ نویسه |
Voice cloning (Qwen 3), Clone from file | ۲۰ به ازای هر ۱٬۰۰۰ نویسه، حداقل ۵ |
My Qwen voice | ۱۰.۸ به ازای هر ۱٬۰۰۰ نویسه |
ElevenLabs Dubbing v2 | ۴.۴ به ازای هر ثانیه از فایل صوتی مبدأ (۲۶۴ در دقیقه) |
مثال: یک پیام صوتی یک دقیقه‌ای که با صدای ElevenLabs صداگذاری شود، حدود ۱ توکن برای تشخیص و ترجمه به علاوه حدود ۱۰ توکن برای صداگذاری هزینه دارد. با ElevenLabs Dubbing v2 همان یک دقیقه حدود ۲۶۴ توکن هزینه خواهد داشت.
هنگامی که صدایی را انتخاب نکرده باشید، Voice cloning (Qwen 3) به طور خودکار برای ۱۰ زبان انتخاب می‌شود. برای این گزینه، برنامه در حال حاضر حدود نصف قیمت واقعی را نشان می‌دهد: روی ۲۰ توکن به ازای هر ۱٬۰۰۰ نویسه و حداقل ۵ توکن برای هر صداگذاری حساب کنید.
Text to Speech
هزینه Text to Speech بر اساس طول متن، تا سقف ۱۰٬۰۰۰ نویسه در هر درخواست محاسبه می‌شود.
| صدا | قیمت |
|---|---|
OpenAI | ۱.۸ توکن به ازای هر ۱۵۰ کلمه شروع‌شده (تا ۱۵۰ کلمه: ۲ توکن) |
ElevenLabs | ۱۲ به ازای هر ۱٬۰۰۰ نویسه، حداقل ۱ |
MiniMax | ۱۲ به ازای هر ۱٬۰۰۰ نویسه (صداهای HD)، ۷.۲ (صداهای Turbo) |
Qwen 3 | ۲۰ به ازای هر ۱٬۰۰۰ نویسه |
Your own MiniMax voice from My voices | ۱۲ به ازای هر ۱٬۰۰۰ نویسه |
Your own Qwen voice from My voices | ۱۰.۸ به ازای هر ۱٬۰۰۰ نویسه |
برای صداهای Qwen 3، برنامه در حال حاضر حدود نصف قیمت واقعی را نشان می‌دهد.
ذخیره صدا در My Voices
ذخیره یک صدای MiniMax معادل ۱۸۰ توکن هزینه دارد. این هزینه قبل از شروع شبیه‌سازی کسر شده و در صورت ناموفق بودن آن به طور خودکار بازگردانده می‌شود. ذخیره صدای Qwen 3 حدود ۱ توکن هزینه دارد. صدایی که در تور آشنایی اولیه ضبط می‌کنید به صورت رایگان ذخیره می‌شود.
Voice Changer
هزینه Voice Changer معادل ۱۴.۴ توکن در هر دقیقه از فایل ضبط‌شده مبدأ بر اساس طول واقعی آن است، با حداقل ۱ توکن. یک کلیپ ۳۰ ثانیه‌ای ۸ توکن و یک فایل ضبط‌شده ۵ دقیقه‌ای (حداکثر مقدار) ۷۲ توکن هزینه دارد. توکن‌ها پس از آماده شدن نتیجه کسر می‌شوند.
Add Captions
هزینه Add Captions پس از آماده شدن ویدیوی زیرنویس‌دار کسر می‌شود. قیمت با ترجمه زیرنویس یا بدون آن یکسان است.
| حالت | قیمت | مثال‌ها |
|---|---|---|
Mirage (ویدیوی عمودی 9:16 تا ۵ دقیقه) | ۱۵ توکن به ازای هر دقیقه شروع‌شده | ۴۰ ثانیه: ۱۵، ۲ دقیقه و ۱۰ ثانیه: ۴۵ |
Standard | حدود ۶ توکن در دقیقه، با حداقل محاسبه ۱۵ ثانیه | ۳۰ ثانیه: ۳، ۱ دقیقه: ۶، ۵ دقیقه: ۲۹، ۱۰ دقیقه: ۵۸ |
Text Transcription و Video to Text
هر دو ابزار از همان تعرفه‌های تشخیص گفتار در Audio Translation استفاده می‌کنند. با گزینه پیش‌فرض ElevenLabs Scribe، یک متن پیاده‌شده حدود ۰.۷۳ توکن در دقیقه هزینه دارد. ابزار Video to Text حداقل ۱ توکن به ازای هر ویدیو کسر می‌کند: ۱۰ دقیقه ۸ توکن، یک ساعت ۴۴ توکن. برگه Essence و Export to PDF کسری از یک توکن هزینه دارند.
Text Translation، ترجمه عکس و Text Analysis
Text Translation و Text Analysis: برای یک متن معمولی، کسری از یک توکن هزینه دارند. این مقادیر جمع می‌شوند و به صورت توکن‌های کامل در Usage History ظاهر می‌شوند.
Listen در Text Translation: بسته به زبان، ۱۰ یا ۲۰ توکن به ازای هر ۱٬۰۰۰ نویسه.
Translate photo: مدل Nano Banana 2.1 بسته به اندازه عکس ۴ یا ۶ توکن هزینه دارد؛ GPT Image 2.5 برای یک تصویر مربع ۶ توکن و برای تصویر افقی یا عمودی ۵ توکن هزینه دارد.
Tourist Translator
ابزار Tourist Translator برای تشخیص گفتار، ترجمه و صداگذاری هزینه دریافت می‌کند. تشخیص گفتار حدود ۱.۳ توکن در هر دقیقه گفتار هزینه دارد، بنابراین یک ساعت گفتار مداوم در حالت سخنرانی حدود ۸۰ توکن می‌شود. صداگذاری ۱۰ توکن به ازای هر ۱٬۰۰۰ نویسه اضافه می‌کند، و ترجمه کسری از یک توکن هزینه دارد. هزینه تشخیص گفتار و صداگذاری تنها در صورت موفقیت‌آمیز بودن کسر می‌شود.
Chat
هزینه یک پیام چت به اندازه‌ای است که مدل برای خواندن پیام شما به همراه زمینه آن و نوشتن پاسخ صرف می‌کند. جدول زیر، توکن‌های VocaLingo را به ازای هر ۱ میلیون توکن مدل (ورودی / خروجی) نشان می‌دهد. یک پرسش و پاسخ کوتاه معمولاً کسری از یک توکن هزینه دارد؛ چت‌های طولانی به همراه فایل هزینه بیشتری دارند زیرا کل زمینه دوباره خوانده می‌شود.
| مدل | ورودی / خروجی |
|---|---|
GPT 6 Luna | ۱۲ / ۶۰ |
DeepSeek, MiniMax 2.7 | ۳۶ / ۱۴۴ |
Gemini 3.8 Flash (Auto به طور پیش‌فرض از آن استفاده می‌کند) | ۹۰ / ۴۵۰ تا ۳۱ دسامبر ۲۰۲۶ |
GPT 6 Sol, Claude Sonnet 5.5 | ۲۴۰ / ۱٬۲۰۰ |
Gemini 3.1 Pro | ۲۴۰ / ۱٬۴۴۰ |
Grok 4.7 | ۲۴۰ / ۷۲۰ |
Claude Opus 5.5 | ۴۸۰ / ۲٬۴۰۰ |
GPT 6 Astra, Claude Fable 5.1 | ۱٬۲۰۰ / ۶٬۰۰۰ |
ابزارهای درون چت هزینه جداگانه دارند: جستجوی وب بسته به مدل ۰.۶ تا ۱.۷ توکن هزینه دارد، یک تصویر از Nano Banana 2.1 معادل ۴.۸ توکن (1K)، ۷.۲ (2K) یا ۱۵.۶ (4K) هزینه دارد، و یک تصویر از GPT Image 2.5 معادل ۶ تا ۷.۲ توکن است. ابزار Deep Research قیمت ثابتی ندارد: هزینه به تعداد صفحاتی که می‌خواند بستگی دارد. دکمه Download Video در چت رایگان است.
AI Calls
هزینه AI Calls به صورت دقیقه‌ای و در گام‌های ۳۰ ثانیه‌ای محاسبه می‌شود. قیمت به کشور و اپراتوری که با آن تماس می‌گیرید و به این که آیا هوش مصنوعی ترجمه را بازگو می‌کند یا خیر بستگی دارد. قیمت دقیق برای شماره شما قبل از تماس در برنامه نمایش داده می‌شود.
| مقصد | فقط صدای اصلی | ترجمه صوتی دوطرفه |
|---|---|---|
USA | ۶ در دقیقه | ۲۸ در دقیقه |
Germany (mobile) | ۱۲ | ۳۴ |
India (mobile) | ۱۷ | ۳۹ |
Kazakhstan (mobile) | ۴۰ | ۶۲ |
Russia (mobile) | ۶۵ | ۸۸ |
تأیید شماره خودتان در My Numbers به اندازه هزینه پیامک یا تماس (حداقل ۱ توکن) به علاوه ۱۰ توکن هنگام تأیید کد هزینه دارد.
پرسش‌های متداول
آیا با Premium چیزی ارزان‌تر می‌شود؟
خیر. قیمت ابزارها با اشتراک Premium و بدون آن یکسان است. Premium به شما مقدار مشخصی توکن ماهانه یا سالانه می‌دهد و امکان حذف واترمارک از ویدیوها را فراهم می‌کند. بخش آنچه VocaLingo Premium شامل می‌شود را بررسی کنید.
چرا بیشتر از مبلغ تخمینی از من کسر شد؟
مبلغ تخمینی قبل از پردازش در برنامه محاسبه می‌شود، اما کسر هزینه در سرور بر اساس طول واقعی متن ترجمه‌شده یا فایل انجام می‌گیرد. بیشترین اختلاف مربوط به صداهای Qwen 3 است، جایی که برنامه حدود نصف قیمت را نمایش می‌دهد. هر تراکنش در Usage History فهرست شده است.
تماس با پشتیبانی
مشکل را توضیح دهید تا از طریق ایمیل پاسخ دهیم. اگر نام فایل یا شناسه عملیات (job ID) دارید، آن را اضافه کنید.