哪个live语音模型价格最便宜

做实时语音对话时，一圈比价下来常常发现：A 家写着每分钟多少、B 家写着每千字符多少、C 家干脆按 token 收，表面数字根本没法直接比。更麻烦的是语音链路里转写、合成、对话三段的钱是分开收的，只看其中一段很容易选错。这篇给一套可执行的对齐和试算方法，让你在站内各页面对到当时的数字后，自己算出哪个组合最便宜。

做实时语音对话的人比价时最容易踩的坑，就是拿 A 家的「每分钟」去比 B 家的「每千字符」，再比 C 家的「每 token」，表面看是同一个东西，实际根本不在一个维度上。实时语音链路通常是转写、对话、合成三段各自计费，有的按音频时长收，有的按文字量收，量纲不统一之前，任何「谁更便宜」的结论都是站不住的。

所以这篇不给你一个现成的答案，而是给一套对齐和试算的方法：先把计价单位拉齐，再筛掉能力不达标的方案，最后用你自己的真实用量反推月成本区间。数字请到站内对应页面看当时的值，本篇一律不写死价格。

先把三段链路的计费单位对齐

实时语音不是一件商品，而是转写、对话、合成三件商品的组合。转写这段常按音频分钟算，对话这段常按输入输出的 token 算，合成这段要么按字符要么按音频时长算。你在比价前必须先确认每家这三段分别用什么单位，否则比出来的是三个不同问题的答案。

1. 录一段基准音频找一段你自己业务里真实的一分钟通话录音，别用朗读稿，带点停顿和口音更接近实际情况。
2. 三段分别折算把这段录音分别喂给转写、对话、合成三段，记录各自消耗了多少单位，再换算成「每分钟对话成本」这一个统一口径。
3. 标注延迟档位同一次折算里记下用的是低延迟实时档还是普通档。低延迟长连接的成本结构和普通调用往往不是一回事，混着比会失真。
4. 反向校验拿换算结果乘上你预估的月分钟数，和商家的阶梯价目表对照，看有没有对不上的地方。

哪几类方案通常落在低价档

低价不是某一个模型的名字，而是一组特征的组合。一般来说，能力越基础、附加项越少、渠道越固定，单价越容易落在低位。反过来，只要叠上小语种、情绪识别、音色克隆这类能力，价格基本都会往上走，这是筛选时最先要砍掉的一层。

• 转写段的低价面通常比合成段宽：合成要维持长连接和实时性，成本结构天然更贵。
• 附加能力是加价项：情绪识别、多语种自动切换、自定义音色克隆，低价方案一般都不含。
• 渠道要固定：官方直连、云厂商托管、中转渠道三种口径的单价比法完全不同，混着比没有意义。
• 先筛能力再比价：语言覆盖和音色要求不满足的方案，价格再低也用不上，直接排除。

筛完能力之后，到 /voice 看各家语音模型的规格和计价单位，把不满足你语言和音色要求的先划掉，剩下的才进入真正的价格比较环节。这个顺序别反，先比价格再筛能力会浪费大量时间。

用你的真实用量反推，而不是看单价

单价低不等于总成本低。实时语音的成本曲线受并发上限、连接时长、阶梯档位影响很大，量小的时候 A 便宜，量涨上去 B 因为阶梯更平反而反超，这种事在小团队扩量阶段经常发生。所以正确的做法是拿你自己的用量去试算，而不是盯着一个单价数字做决定。

把这几个量代进 /tools/model-cost-calculator 跑一遍，你得到的是一个区间而不是一个点。区间比点更有用，因为它能告诉你量在哪个范围波动时，最便宜的那家会不会换人。用量结构一变，结论就要重算，别把一次试算的结果当成长期答案。

下单前先把变价和隐性成本查一遍

实时语音这块的价格和额度策略调整频率比文本模型高，你今天看到的文档数字，过一阵可能就变了。所以下单前不要只信一张截图或者一份存档，要到能反映近期变动的页面确认一遍，再决定走哪个渠道。

• 先看变价记录：到 /price-watch 看最近的调整，确认你选的档位还在不在。
• 对齐中转倍率：如果走中转渠道，先问清倍率和结算口径，再换算到手单价。
• 把隐性用量算进去：重试、断连重发、静音时长在实时语音里占比不低，别只算有效对话。
• 逐项核对当时数字：每一档的具体值都到 /official-api 与 /voice 核对，本篇不给任何数字。

如果你不确定某家中转渠道的结算是否透明，可以顺手到 /sites 看它的历史记录和可信度标注，价格便宜但结算口径模糊的渠道，后面扯皮的成本往往比省下的那点差价高。