多模态模型价格
MULTIMODAL多模态比价图像生成、视频生成、语音合成与语音识别四类模型的计价对比。每类各自用自己的原生计价单位排序：图像按张、视频按秒、TTS 按千字符、STT 按分钟，订阅制单独标注。不换算、不拼凑，避免把不同单位的价格排到一张榜上。
数据日期
2026-10-27 19:00
上游数据时间 2026-10-19（北京时间）· 与上游不一致时以上游为准
本页收录 33 个多模态模型，覆盖 15 家厂商，分布在 5 种原生计价单位上： 图像 12 个、视频 8 个、 语音合成 5 个、语音识别 8 个。 其中 32 个提供官方 API， 1 个只能走订阅或第三方封装。
收录模型
33
当前筛选后显示 33 个
提供官方 API
32
1 个无官方 API
原生计价单位
5
每张 / 每秒 / 每千字符 / 每分钟 / 月费
图像最低单张价
$0.003 / 张
FLUX 1 Schnell
视频最低每秒价
$0.04 / 秒
Pika 2.2
模态筛选与搜索
图像生成
12 个模型 · 2 种计价单位
batch · 4search grounding · 4image-to-image · 2open weights · 2transparent background · 2thinking · 2image generation · 2text rendering · 2
每张图片
11 个模型 区间 $0.003 / 张 ~ $0.134 / 张（最高是最低的 44.7 倍）按成功生成的图片张数计费，重试与放大通常另算
| 价格排序 | 模型 | 厂商 | 单价（每张图片） | 是否提供 API | 输出 / 能力上限 | 特性标签 | 补充说明（计价与版本口径） | 来源 |
|---|---|---|---|---|---|---|---|---|
| 1 |
FLUX 1 Schnell
Black Forest Labs · 2024-08-01
|
Black Forest Labs | $0.003 / 张 | 提供 API | 1MP (1024x1024) | open weights、apache-2.0、1-4 step | About $0.003 per image on Replicate (roughly 333 images per $1). Apache-2.0 licensed; free to self-host on a… | 来源 → |
| 2 |
Nano Banana 2.1
Google · 2026-10-06
|
$0.0336 / 张 | 提供 API | 4K (1K default, 2K and 4K options) | thinking、search grounding、image generation、batch | Gemini API: $30 per 1M image output tokens, which Google equates to $0.0336 (1K), $0.0504 (2K) and $0.113… | 来源 → | |
| 3 |
Gemini 3.1 Flash-Lite Image
Google · 2026-06-30
|
$0.0336 / 张 | 提供 API | 1K resolution images | search grounding、image generation、batch | Gemini API: $30 per 1M image output tokens, stated as $0.0336 per 1K-resolution image, plus $0.25 per 1M… | 来源 → | |
| 4 |
FLUX 1.1 Pro
Black Forest Labs · 2024-10-01
|
Black Forest Labs | $0.04 / 张 | 提供 API | 2MP (1408x1408) | fast、json mode、image-to-image | $0.04 per image (4 credits) via the Black Forest Labs API. Replicate lists the same $0.04 per output image. | 来源 → |
| 5 |
Recraft v3
Recraft · 2024-10-30
|
Recraft | $0.04 / 张 | 提供 API | 2048x2048 | typography、vector output、brand styles | $0.04 per raster image, $0.08 per vector image, via prepaid API units (1,000 units = $1). | 来源 → |
| 6 |
GPT Image 2
OpenAI · 2026-04-21
|
OpenAI | $0.053 / 张 | 提供 API | 3840px max edge (8.3MP) | flexible sizes、image editing、transparent background、batch | Token-priced: $5 per 1M text input, $8 per 1M image input, $30 per 1M image output tokens. Batch API is half… | 来源 → |
| 7 |
FLUX 1.1 Pro Ultra
Black Forest Labs · 2024-11-04
|
Black Forest Labs | $0.06 / 张 | 提供 API | 4MP (2048x2048) | photorealism、long prompts、raw mode | $0.06 per image (6 credits) via the Black Forest Labs API, same rate for Raw mode. | 来源 → |
| 8 |
Ideogram 4.0
Ideogram · 2026-06-03
|
Ideogram | $0.06 / 张 | 提供 API | native 2K | open weights、text rendering、layout control、transparent background | $0.06 per image (Default) via API; Turbo $0.03, Quality $0.10. Commercial self-hosting of the open weights… | 来源 → |
| 9 |
Nano Banana 2 (Gemini 3.1 Flash Image)
Google · 2026-05-28
|
$0.067 / 张 | 提供 API | 4K (4096x4096) | conversational editing、search grounding、video-to-image、batch | Gemini API: $60 per 1M image output tokens, which Google equates to $0.045 (0.5K), $0.067 (1K), $0.101 (2K)… | 来源 → | |
| 10 |
Ideogram 2.0
Ideogram · 2024-08-22
|
Ideogram | $0.08 / 张 | 提供 API | 2048x2048 | typography、design styles、image-to-image | $0.08 per image (2.0 Default) via API; 2.0 Turbo $0.05. | 来源 → |
| 11 |
Nano Banana Pro (Gemini 3 Pro Image)
Google · 2026-05-28
|
$0.134 / 张 | 提供 API | 4K | thinking、text rendering、search grounding、multi-image reference | Gemini API: $120 per 1M image output tokens, equivalent to $0.134 per 1K or 2K image and $0.24 per 4K image… | 来源 → |
订阅月费
1 个模型 区间 $10 / 月 ~ $10 / 月订阅制，没有官方按量单价
| 价格排序 | 模型 | 厂商 | 单价（订阅月费） | 是否提供 API | 输出 / 能力上限 | 特性标签 | 补充说明（计价与版本口径） | 来源 |
|---|---|---|---|---|---|---|---|---|
| 1 |
Midjourney V8.2
Midjourney · 2026-07-24
|
Midjourney | $10 / 月 | 无官方 API | 2048px HD images | personalization、style references、edit model、HD mode | Subscription only: Basic $10, Standard $30, Pro $60, Mega $120 per month (20% off annual). Extra fast GPU… | 来源 → |
视频生成
8 个模型 · 1 种计价单位
image-to-video · 5native audio · 4extend · 2first and last frame · 1reference images · 1multi-shot · 1motion control · 1synchronized audio · 1
每秒视频
8 个模型 区间 $0.04 / 秒 ~ $0.4 / 秒（最高是最低的 10.0 倍）按生成视频的输出时长计费，与生成耗时无关
| 价格排序 | 模型 | 厂商 | 单价（每秒视频） | 是否提供 API | 输出 / 能力上限 | 特性标签 | 补充说明（计价与版本口径） | 来源 |
|---|---|---|---|---|---|---|---|---|
| 1 |
Pika 2.2
Pika Labs · 2025-02-04
|
Pika Labs | $0.04 / 秒 | 提供 API | 10s @ 1080p | video effects、image-to-video、lip-sync | $0.20 per 5s clip at 720p ($0.04/s) and $0.45 at 1080p ($0.09/s) via fal, Pika's API partner. Pika's own… | 来源 → |
| 2 |
Luma Ray3.2
Luma AI · 2026-06-09
|
Luma AI | $0.06 / 秒 | 提供 API | 10s @ 1080p (V2V up to 20s) | multi-keyframe、HDR、EXR export、video-to-video | Priced per clip: $0.30 per 5s at 720p ($0.06/s), $1.20 per 5s at 1080p, $0.90 per 10s at 720p. HDR is 2x and… | 来源 → |
| 3 |
Kling 3.0
Kuaishou · 2026-02-05
|
Kuaishou | $0.084 / 秒 | 提供 API | 15s @ 4K with audio | native audio、multi-shot、image-to-video、motion control | Official API: $0.084/s at 720p, $0.112/s at 1080p, $0.42/s at 4K without audio; with native audio $0.126/s… | 来源 → |
| 4 |
Gemini Omni Flash
Google · 2026-08-27
|
$0.1 / 秒 | 提供 API | 10s @ 4K (upscaled) | conversational editing、extend、interpolation、native audio | Token-priced at $17.50 per 1M video output tokens (with audio), plus $1.50 per 1M input tokens. Google bills… | 来源 → | |
| 5 |
Runway Gen-4.5
Runway · 2025-12-01
|
Runway | $0.12 / 秒 | 提供 API | 10s @ 1280x720 | text-to-video、image-to-video、HDR output、ProRes output | 12 credits per second on the Runway API (credits are $0.01 each). Gen-4 Turbo is 5 credits ($0.05) per… | 来源 → |
| 6 |
HappyHorse 1.0
Alibaba · 2026-04-27
|
Alibaba | $0.14 / 秒 | 提供 API | 15s @ 1080p | synchronized audio、image-to-video、reference-to-video、video edit | $0.14 per second at 720P, $0.24 at 1080P (Model Studio, International). HappyHorse 1.1 lists $0.07 (480P)… | 来源 → |
| 7 |
FLUX 3 Video
Black Forest Labs · 2026-08-04
|
Black Forest Labs | $0.17 / 秒 | 提供 API | 20s @ 1080p with audio | native audio、image-to-video、video continuation、draft mode | $0.17 per second at HD, $0.29 at Full HD for text or image to video; drafts $0.06/s. Video continuation $0.43… | 来源 → |
| 8 |
Veo 3.1
Google · 2025-10-15
|
$0.4 / 秒 | 提供 API | 8s @ 4K 24fps with audio | native audio、first and last frame、extend、reference images | $0.40 per second with audio at 720p or 1080p, $0.60 at 4K (Gemini API and Google Cloud). Veo 3.1 Fast $0.10… | 来源 → |
语音合成（TTS）
5 个模型 · 1 种计价单位
streaming · 5audio tags · 2real-time · 2voice cloning · 1text to dialogue · 1text to dialogue websocket · 1instant voice cloning · 1websocket · 1
每千字符
5 个模型 区间 $0.03 / 千字符 ~ $0.1 / 千字符（最高是最低的 3.3 倍）按输入文本字符数计费，与音频时长无直接关系
| 价格排序 | 模型 | 厂商 | 单价（每千字符） | 是否提供 API | 输出 / 能力上限 | 特性标签 | 补充说明（计价与版本口径） | 来源 |
|---|---|---|---|---|---|---|---|---|
| 1 |
OpenAI TTS-1-HD
OpenAI · 2023-11-06
|
OpenAI | $0.03 / 千字符 | 提供 API | 9 voices, 57 languages | 9 fixed voices、streaming、multiple formats | $0.030 per 1k chars (TTS-1-HD), $0.015 per 1k chars (TTS-1). Both shut down January 6, 2027, and the… | 来源 → |
| 2 |
Deepgram Aura-2
Deepgram · 2025-02-11
|
Deepgram | $0.03 / 千字符 | 提供 API | 90 voices, 7 languages (41 English) | low latency、streaming、real-time | $0.030 per 1k chars pay-as-you-go, $0.027 on the Growth plan (prepaid annual credits). The newer Flux TTS now… | 来源 → |
| 3 |
Eleven v3 Conversational
ElevenLabs · 2026-08-19
|
ElevenLabs | $0.05 / 千字符 | 提供 API | 70+ languages, ~280ms latency | audio tags、streaming、real-time、text to dialogue websocket | $0.05 per 1k characters on the API, half the price of standard Eleven v3. | 来源 → |
| 4 |
Cartesia Sonic 3.6
Cartesia · 2026-08-27
|
Cartesia | $0.05 / 千字符 | 提供 API | 44 languages | instant voice cloning、streaming、websocket、dated snapshots | Credit-based at about 1 credit per character. Pro plan is $5/month for 100K credits ($0.05 per 1k chars)… | 来源 → |
| 5 |
Eleven v3
ElevenLabs · 2025-06-04
|
ElevenLabs | $0.1 / 千字符 | 提供 API | 70+ languages, 5,000 chars per request | voice cloning、audio tags、text to dialogue、streaming | $0.10 per 1k characters on the API at every plan tier (plans bundle included characters, from $6/month… | 来源 → |
语音识别（STT）
8 个模型 · 1 种计价单位
streaming · 5multilingual · 4diarization · 2code-switching · 2real-time · 1low hallucination · 1keyword hints · 1realtime turns · 1
每分钟音频
8 个模型 区间 免费（分钟） ~ $0.0192 / 分钟按音频时长计费，实时流式与批量价格常不一致
| 价格排序 | 模型 | 厂商 | 单价（每分钟音频） | 是否提供 API | 输出 / 能力上限 | 特性标签 | 补充说明（计价与版本口径） | 来源 |
|---|---|---|---|---|---|---|---|---|
| 1 |
Whisper Large v3
OpenAI · 2023-11-06
|
OpenAI | 免费（分钟） | 提供 API | WER 7.4% (English), 99 languages | open weights、mit license、multilingual | Open weights, free to self-host. Groq hosts it at $0.111/hour (about $0.0019/min) and whisper-large-v3-turbo… | 来源 → |
| 2 |
AssemblyAI Universal-2
AssemblyAI · 2025-01-15
|
AssemblyAI | $0.0025 / 分钟 | 提供 API | WER 5.6% (English), 99 languages | sentiment、entity detection、topics、streaming | $0.15 per hour (about $0.0025/min) pre-recorded. Universal-Streaming is also $0.15/hr but billed on WebSocket… | 来源 → |
| 3 |
Deepgram Nova-3
Deepgram · 2025-01-23
|
Deepgram | $0.0043 / 分钟 | 提供 API | WER 6.84% (English), 45+ languages | streaming、real-time、diarization、code-switching | $0.0043 per minute pre-recorded (monolingual, pay-as-you-go), $0.0036 on Growth. Streaming now lists… | 来源 → |
| 4 |
GPT Transcribe
OpenAI · 2026-07-28
|
OpenAI | $0.0045 / 分钟 | 提供 API | 25 MB files, language detection | keyword hints、multilingual、streaming、realtime turns | $0.0045 per minute of audio. Companion gpt-live-transcribe for low-latency live streams is $0.017/min. | 来源 → |
| 5 |
Gemini 3.5 Transcribe
Google · 2026-08-26
|
$0.005 / 分钟 | 提供 API | 85+ languages, 1 hour per request | diarization、word timestamps、custom vocabulary、code-switching | Token-priced ($2 per 1M audio input tokens, $12 per 1M text output tokens); Google estimates about $0.005 per… | 来源 → | |
| 6 |
GPT-4o Transcribe
OpenAI · 2025-03-20
|
OpenAI | $0.006 / 分钟 | 提供 API | WER 6.7% (English), 100+ languages | streaming、low hallucination、multilingual | $0.006 per minute ($2.50 per 1M audio input tokens). gpt-4o-mini-transcribe is $0.003/min. Both shut down… | 来源 → |
| 7 |
Chirp 2
Google · 2024-11-08
|
$0.016 / 分钟 | 提供 API | 125+ languages | multilingual、streaming、speech translation、enterprise SLA | $0.016 per minute on Speech-to-Text V2 for the first 500K minutes a month, tiering down to $0.004 above 2M… | 来源 → | |
| 8 |
GPT-Realtime-2.1
OpenAI · 2026-07-06
|
OpenAI | $0.0192 / 分钟 | 提供 API | 128K context, 32K output tokens | speech-to-speech、reasoning、function calling、image input | Speech-to-speech model listed under stt. Token-priced at $32 per 1M audio input and $64 per 1M audio output… | 来源 → |
计价单位对照表
5 种单位| 计价单位 | 适用模态 | 模型数 | 本页价格区间 | 门槛最低 | 口径说明 |
|---|---|---|---|---|---|
| 每张图片 | 图像生成 | 11 | $0.003 ~ $0.134 | FLUX 1 Schnell、Nano Banana 2.1 | 按成功生成的图片张数计费，重试与放大通常另算 |
| 每秒视频 | 视频生成 | 8 | $0.04 ~ $0.4 | Pika 2.2、Luma Ray3.2 | 按生成视频的输出时长计费，与生成耗时无关 |
| 每千字符 | 语音合成（TTS） | 5 | $0.03 ~ $0.1 | OpenAI TTS-1-HD、Deepgram Aura-2 | 按输入文本字符数计费，与音频时长无直接关系 |
| 每分钟音频 | 语音识别（STT） | 8 | $0.0025 ~ $0.0192 | AssemblyAI Universal-2、Deepgram Nova-3 | 按音频时长计费，实时流式与批量价格常不一致 |
| 订阅月费 | 图像生成 | 1 | $10 ~ $10 | Midjourney V8.2 | 订阅制，没有官方按量单价 |
数据说明
收录规模33 个模型当前显示 33 个 · 覆盖图片 / 视频 / 语音 / 音乐四类模态
数据日期2026-10-27 19:00上游数据时间 2026-10-19（北京时间）；与上游不一致时以上游为准
计价单位口径各按原生单位每张图 / 每秒视频 / 每千字符 / 每分钟音频 / 每月订阅；四类不换算、不混排，同一单位内才比价
价格含义标准档位公开标价不含批量折扣、企业协议价、地区价与限时促销；实际账单以厂商为准
API 状态以官方公开说明为准标「无官方 API」的模型只能用网页版、订阅或第三方非官方封装
常见问题
订阅制模型怎么和按量计价比？
先算出你的月用量，再回推单位成本。以图像为例：某订阅档 $10/月，若你每月出 500 张，等效约 $0.02/张；出 100 张就是 $0.10/张，贵过大多数按张计费的 API。所以订阅制的性价比完全取决于用量是否吃得满额度，用不满就按量付费更划算。反过来，高频重度用户（每天几百张以上）订阅往往明显便宜。注意订阅通常还有并发、商用授权和「快模式额度」限制，不能只看单价。
为什么视频按秒计费，而图像按张？
因为成本驱动因素不同。图像生成一次前向就出一张，成本与张数直接相关；视频生成要出几十到上百帧并保持时序一致，成本主要随输出时长线性增长，所以厂商普遍按秒报价。同一秒数下不同分辨率、帧率和是否带音频的实际算力差别很大，本页的单价只能当作同档位之间的比较基准。
「无官方 API」的模型还能用吗？
可以用，但要走网页版、订阅或第三方封装。第三方封装的风险是：价格和可用性不受原厂保证、可能违反原厂条款、延迟和稳定性也更差。生产环境建议优先选有官方 API 的模型。
价格差 10 倍，是不是贵的一定更好？
不一定。多模态的质量很看具体任务：文字排版、写实人像、长镜头一致性、中文语音自然度，各自的强项都不同。本页给出的是价格与特性标签，选型建议先用同一个 prompt 在各家免费额度上试，再按效果定档位。
TTS 为什么按字符计费，而不是按音频时长？
因为输入是可数的文本，按字符计费对调用方更可预测，不需要等到生成完才知道花了多少钱。换算经验值：英文约 1 千字符 ≈ 1 分钟语音，中文约 1 千字 ≈ 3～4 分钟语音，所以中英文在同一单价下的实际每分钟成本差别很大。
报价取自各厂商公开定价页；数据日期 2026-10-27 19:00，上游数据时间 2026-10-19，价格以厂商官方页面为准。