语音模型按分钟还是按字符：TTS 与 ASR 计费口径对照

做配音、字幕、会议转写这类活时，常见的问题是：报价单上有的写按字符、有的写按分钟、有的写按 token，看起来数字都不大，可一算总账就对不上。这篇不比较具体价格，只讲口径怎么换算、你的业务量落在哪一侧、去哪里核对当时的数字。

做配音、字幕、会议转写这类活时，最常见的一幕是：报价单上有的写按字符、有的写按分钟、有的写按 token，每个数字看着都不大，可一个月下来总账对不上。问题多半不在单价，而在口径没拉到同一维度比。

这篇不比较具体价格，只讲三件事：三种口径各自怎么算、你的业务量落在哪一侧更吃亏、以及去站内哪些页面核对当时的数字。看完你应该能拿着自己的用量数据，判断该按哪种口径去谈。

三种计量口径分别怎么算

按字符最常见于语音合成，计费单位是你喂进去的文本长度。这里有个坑：标点、空格、换行、SSML 标签是否计入，各家写法不一样。同一句话写成带停顿标记的长文本，和写成干净短句，账可能差一截，所以谈之前先问清计费字符的边界。

按分钟常见于语音识别和实时合成，计费单位是音频时长，而且通常带向上取整的颗粒度。按秒取整还是按分钟取整，短音频密集调用时的损耗差别很大。按 token 则多出现在多模态语音模型里，音频切帧后折算成 token，和文本 token 不同价，必须分开看。

换算锚点

中文正常语速朗读一分钟，大致对应几百字文本，用这个比例把按字符和按分钟拉到同一维度再比

取整颗粒度

音频时长不足一个计费单位时怎么算，是向上取整还是按实际秒数，这一条经常被忽略

流式与离线

实时流式通常和离线批量不同价，报价单里要分别确认

单价只能横向比，口径必须先纵向对齐——先把字符和分钟换成同一个单位，再谈谁便宜。

什么情况下按字符更贵，什么情况下按分钟更贵

判断的逻辑很简单：看你的文本量和音频时长哪个相对更「重」。文本长、音频短，比如批量生成短提示音、电话按键音、固定播报语，这时候按字符会吃亏，按分钟更划算，因为音频短到取整损耗也有限。

反过来，音频长、文本短，比如长会议录音转写、播客字幕，按分钟会吃亏，按字符或按 token 更划算。还有一种情况要单独算：同一段固定文案反复合成，按字符是线性叠加，按分钟看的是实际时长，两者随调用量增长的趋势不一样，得分别估月量。

先量自己的量，再谈单价

没有自己的用量数据，比价就是空谈。动手前先把过去一个月的音频总时长和文本总字符数分别统计出来，两个数都留着。只统计其中一个，等于只拿半张牌上桌。

1. 统计双口径用量导出过去一个月的音频总时长与文本总字符数，按业务线分开记，验证方式是两个数都能对上各自的明细账单。
2. 算平均单条长度看短音频占比高不高。短音频占比高时，向上取整带来的额外成本可能超过单价差异，这一步不能省。
3. 量一次延迟基线到 /tools/speed-test 测一次接口延迟。实时语音场景里延迟不达标时，再便宜也没意义，判断标准是延迟是否满足你的交互体感。
4. 折算成同一单位到 /tools/token-price-calculator 与 /tools/model-cost-calculator 把两边口径折算到同一维度，再决定重点谈哪家。

读报价单时要盯住的几行

拿到报价单别只看单价那一行，下面几行才是真正决定账单调性的东西。尤其是取整规则和附加项，很多预算偏差都出在这里，而不是出在单价本身。

• 确认计量单位是音频时长还是文本长度，以及实时流式与离线批量是否分开定价
• 确认取整规则：按秒、按分钟还是按千字符，向上还是向下取整，颗粒度越粗短音频越吃亏
• 确认静音、空白音频、超长音频是否另计，转写场景里静音占比往往不低
• 确认字幕时间戳、说话人分离、标点恢复等附加项是否单独计价
• 确认限流与并发上限，超出后的处理方式是排队还是降级，这会影响你实际能跑多少量

有一种不适用情况要提醒：报价单只写「按量」却不写细项时，别硬猜。按最小用量做一次小额实测，跑几天拿真实账单反推口径，比反复问销售更准。

用站内页面把数字核对一遍

前面的方法都需要一个前提：你手上有一份口径清楚的对照数据。站内几个页面可以帮你把这步补齐。注意所有页面上的数字都会随厂商调价变动，看的时候留意页面上标注的更新时间。