实时与音频 API 的单位经济学
更新于 September 1, 2026 · 首次发布 September 1, 2026
每一套为文本 LLM 设计的成本模型，放到语音上都会失效。文本按 token 计费，token 与信息量成正比。音频按时长计费，时长与时间成正比 — 包括所有没有任何有用内容发生的时间。
你真正在为什么付费
一次语音交互通常叠加三到四项计费：入站音频的语音转文字，模型调用本身（在端到端的语音实时 API 上按输入和输出音频的分钟数计费，而不是按 token），若技术栈不是端到端的则还有回程的语音合成，以及通常单独计费的会话保持开启。
最后这一项是陷阱。用户在思考、阅读屏幕或暂时离开时，会话仍然开着，它就仍然是一个会话。在按分钟计费的表上，空白时段就是按全价计费的产品。
估算哪里出错
团队通常把语音成本建模为说话时长 × 单价，结果远低于实际。有四样东西被漏掉了。延迟与停顿会计费，却没有被建模。打断意味着生成并付了费的音频，而对方从未听到。重试与重新提示会重放整段对话，语音重试比文本重试昂贵得多，因为它重复的是音频，而不只是 token。还有被放弃的通话，它在挂断前按完整时长计费，却什么产出都没有。
有效的指标
应以每次完成对话的成本为准，而不是每分钟成本。按分钟计费是计量表，而不是业务价值的单位 — 通过改进模型来缩短通话的改动，可能会提高每分钟单价，同时降低让用户拿到答案的成本。
然后对无人关注的部分进行埋点：会话时长的中位数和 p95、计费时长与实际说话时长之比、放弃率，以及被放弃会话的成本占总成本的比例。积极关闭空闲会话；空闲超时通常是语音技术栈中可获得的单项最大节省。并且把支持打断（barge-in）同时视为成本功能和体验功能，因为用户压过别人说话的每一秒，都是你为生成而付费的一秒。
相关
相关文章
想将这些方法用于您的技术栈吗？ 请准备好供应商账单、网关日志和主要工作流；我们会梳理成本驱动因素与节省空间。 预约免费审查 →