語音代理 API 成本：10 分鐘通話要 $0.04 至 $0.57
目錄
一通 10 分鐘的語音代理對話，API 費用介於 $0.04 到 $0.57。價差幾乎完全取決於兩項選擇：自行串接整套架構，還是採用語音對語音 API；以及使用哪一級的文字轉語音服務。我們透過同一個閘道，在同一批測試中量測所有環節：3 個語音轉文字模型，以音訊分鐘計費；6 個文字轉語音模型，按實際合成的音訊分鐘計算；3 個 LLM（2 個 flash 級、1 個前沿級）各跑一段 8 輪對話；另有一個即時 GPT Realtime 工作階段，逐 lane 計費。本文會把這些環節組合起來，算出各種架構每分鐘的價格。
TL;DR
- 串接架構（STT + LLM + TTS）每個對話分鐘要 $0.0037 至 $0.025；gpt-realtime-2.1 實測為 $0.057，而 mini 版 為 $0.016，落在串接架構的區間內。
- 採用 flash 級大腦時，發聲成本高於大腦；主流組合相差 12 倍。換成前沿級大腦後，成本結構會反轉。
- Realtime 的溢價買的是延遲：實測語音進、語音出為 1.7-2.1 秒，串接架構則為 4.9-7.7 秒。
- TTS 按字元計費，因此所有實測模型產生一分鐘中文語音的成本，都比英文低 3 至 7 倍。
語音代理如何運作？為什麼有兩種架構？
語音代理是一個迴圈：把使用者說的話轉成回覆，再透過耳機或喇叭播給使用者聽。市面上的設計可分為兩種。串接架構會依序連接 3 個專用 API：先由語音活動偵測器判斷使用者是否說完；語音轉文字服務將話語轉錄成文字；LLM 根據逐字稿與對話紀錄撰寫回覆；最後由文字轉語音服務合成音訊。每個環節都是獨立計量的服務，因此串接架構價格低，也容易替換元件。STT、大腦與語音都能分別選擇，費用則拆成 3 筆小額帳單。
語音對語音（realtime）架構則以單一模型取代上述 3 個環節，透過 WebSocket 直接接收與產生音訊。（Synthorai 原生支援此架構：閘道在 /v1/realtime 提供 WebSocket，現有 OpenAI Realtime SDK 只要改指向我們的端點即可直接使用；詳見 即時 API 文件。本文所有 realtime 工作階段都透過這個連線執行。）主要流程不會進行轉錄，因此模型接收到的是語氣與時間節奏，而不是逐字稿。對話紀錄會以音訊權杖保留在伺服器端，並於每次回覆時重新送給模型。這項設計能提供串接架構先天無法做到的兩件事：低於 2 秒的語音進、語音出延遲，以及自然插話，讓使用者能在句子中途打斷，而模型也能聽見打斷的時點。計費方式也不同：不再是 3 個固定計量項目，而是分別支付音訊輸入與音訊輸出費率，也就是各個「lane」，再加上會隨對話紀錄累積的費用，因此必須依賴快取控制成本。
本文接下來會針對這兩種架構計價：先分別計算串接架構的各個環節，再逐 lane 計算 realtime 迴圈。
語音代理每分鐘要多少錢？
我們計價的 6 種組合，每個對話分鐘介於 $0.0037 到 $0.057，價差達 15 倍。下文必須區分兩個單位：對話分鐘是通話實際經過的一分鐘；音訊分鐘則是其中一方實際說話的一分鐘，也是 STT 與 TTS 的計費單位。所有測試採用相同情境：使用者與代理各占一半說話時間，每分鐘進行 4 次來回，內容為簡短的客服式話語。串接架構各環節依實測音訊長度與權杖數計費；realtime 數據則來自一個即時執行的 8 輪工作階段：
| 組合 | 聆聽 | 發聲 | 大腦 | $/對話分鐘 | 10 分鐘通話 |
|---|---|---|---|---|---|
| 串接，低成本（qwen3-asr-flash + deepseek-v4-flash-0731 + google-tts-standard） | $0.0010 | $0.0020 | $0.0006 | $0.0037 | $0.04 |
| 串接，主流（gpt-4o-mini-transcribe + deepseek + tts-1） | $0.0015 | $0.0076 | $0.0006 | $0.0097 | $0.10 |
| 語音對語音，gpt-realtime-2.1-mini | — | — | — | $0.0159 | $0.16 |
| 串接，SOTA 大腦（gpt-4o-mini-transcribe + gpt-5.6 + tts-1） | $0.0015 | $0.0076 | $0.0110 | $0.0200 | $0.20 |
| 串接，高階（whisper-1 + gemini-3.7-flash + google-tts-chirp3-hd） | $0.0030 | $0.0172 | $0.0050 | $0.0252 | $0.25 |
| 語音對語音，gpt-realtime-2.1 | — | — | — | $0.0573 | $0.57 |
比起區間兩端，中間兩個位置更值得注意。旗艦 realtime API 的成本，即使和高階串接架構相比也高出 2.3 倍。這筆溢價買的不是相同品質，而是串接架構做不到的能力：本次工作階段實測約 2 秒的語音進、語音出延遲、原生插話，以及不經文字轉換而得以保留的語氣與節奏（韻律）。mini 版則落在主流與高階串接架構之間。因此，「串接或 realtime」只有在旗艦級才是真正的價格比較；到了 mini 級，重點是延遲與控制能力，而不是價格。
另外也要確認比較是否公平，因為其他 3 種串接架構都用 flash 級大腦，對手卻是 OpenAI 的旗艦語音模型。SOTA 大腦這一列，改用同一家供應商的前沿文字模型 gpt-5.6，每百萬輸入與輸出權杖分別為 $5 和 $30。即使如此，串接架構仍只要每個對話分鐘 $0.0200，比旗艦 realtime 低 2.9 倍。即便採用前沿級價格，一次文字對話所需的高價權杖仍比音訊 lane 少兩個數量級。要達到相同品質，每分鐘的大腦成本會增加 $0.010，但仍不足以彌合架構間的價差。
串接架構中，哪個環節占最多成本？
只要大腦採用 flash 級模型，答案就是發聲。在主流組合中，每個對話分鐘的 TTS 成本為 $0.0076，LLM 則只有 $0.0006，相差 12 倍；即使在低成本組合中，發聲成本也是大腦的 3 倍。若把大腦升級成 gpt-5.6，成本結構就會反轉：每次對話交換要 $0.00274，大腦成為最大支出，每分鐘 $0.0110，是 tts-1 發聲環節的 1.4 倍。使用 flash 大腦時，語音代理的主要成本在發聲；使用前沿級大腦時，主要成本則轉到大腦。語音轉文字位於兩者之間，每個對話分鐘為 $0.0010 至 $0.0030（14 個模型的每分鐘費率實測；本批次重新驗證：qwen3-asr-flash 每音訊分鐘 $0.00198、gpt-4o-mini-transcribe 為 $0.00294、whisper-1 為 $0.006）。
在啟用推理之前，大腦幾乎不花錢。我們的 8 輪客服對話在 deepseek-v4-flash-0731 上進入穩定狀態後，每輪約有 310 個輸入權杖與 71 個輸出權杖，每次交換成本為 $0.00016。gemini-3.7-flash 執行相同對話時，每次交換要 $0.00126，貴了 8 倍。從權杖拆分就能看出原因：模型每輪花費 89 至 361 個推理權杖，只為斟酌兩句話的回覆。Gemini 3.7 Flash 無法關閉 thinking，因此以它建構的語音代理，每次交換都得支付推理稅；對於確實能關閉推理的模型，語音回合正好是可安全停用推理的單步任務。
文字轉語音每音訊分鐘要多少錢？
每個合成分鐘為 $0.004 至 $0.034，價差達 8.4 倍，單看每字元價格無法發現。以下所有模型都按輸入字元計費，因此我們分別合成固定的英文與中文段落，量測回傳音訊長度，再計算每音訊分鐘的費用：
| 模型 | 定價 | 英文 $/音訊分鐘 | 中文 $/音訊分鐘 | 中文相對英文 |
|---|---|---|---|---|
| google-tts-standard | 每百萬字元 $4 | $0.0041 | $0.0007 | 0.18x |
| qwen3-tts-instruct-flash | 每百萬字元 $11.5 | $0.0098 | $0.0033 | 0.34x |
| tts-1 | 每百萬字元 $15 | $0.0151 | $0.0043 | 0.28x |
| google-tts-neural2 | 每百萬字元 $16 | $0.0162 | $0.0030 | 0.18x |
| tts-1-hd | 每百萬字元 $30 | $0.0303 | $0.0085 | 0.28x |
| google-tts-chirp3-hd | 每百萬字元 $30 | $0.0344 | $0.0052 | 0.15x |
語速是隱藏變因。tts-1-hd 與 chirp3-hd 的定價都是 $30，但 chirp3-hd 念完英文測試段落所需的音訊秒數較少，語速更快，因此每音訊分鐘的成本反而高出 13%；表格另一端的 google-tts-standard，合成一分鐘音訊的成本不到其他所有實測模型的一半。定價表可以排出模型的相對價格，實際成本則必須看每音訊分鐘費率。
中文欄位的差距比我們預期更大：一分鐘中文口語所需的計費字元，比英文少 3 至 7 倍，因為每個中文字元承載的語音資訊更多。在按字元計費的模式下，中文語音代理的發聲成本比相同代理的英文版低 66% 至 85%；再加上文字端的不同語言權杖價差，總成本差距會進一步擴大。
Realtime API 何時值得這個價格？
當 2 秒的語音進、語音出迴圈與原生插話能力能創造足夠價值時，就值得採用。若只看價格，旗艦版比我們建立的每一種串接架構都貴。本批次精準重現官方的兩項音訊換算：30.0 秒輸入音訊計為 300 個權杖（每 100 ms 1 個權杖），3.7 秒輸出音訊計為 74 個權杖（每 50 ms 1 個權杖），與我們 7 月的研究量測結果相同。按照 gpt-realtime-2.1 的定價，光是聆聽每分鐘就要 $0.0192，發聲則要 $0.0768；這還不含每輪重複計費的對話紀錄，長時間工作階段會因此累積更多成本。
實際累積幅度沒有表面上那麼誇張，原因在於快取。在我們的 8 輪工作階段中，每次回覆的輸入從 72 個權杖增加到 643 個；到了第 8 輪，其中 512 個已快取，每百萬個只要 $0.40。整個工作階段有 76% 的輸入權杖按快取費率計費。1.31 分鐘的完整交換實測總成本為 $0.0752，相當於每個對話分鐘 $0.0573。這筆帳單的 lane 占比值得拆開看一次：66% 是音訊輸出、17% 是新的音訊輸入、16% 是文字。模型還會替每個回覆輸出一份文字版本，並按每百萬文字輸出權杖 $24 計費。換句話說，「語音對語音」帳單中約有六分之一，實際上是文字模型的費用。把相同的實測權杖分布套用到 mini 版費率後，結果為 $0.0159。這個數字更值得注意：mini 版比高階串接架構便宜，同時保留串接架構先天無法比擬的延遲與插話能力。
Realtime 還有一項營運成本，而非按權杖計費的成本：工作階段會在 60 分鐘時強制停止，也無法攜帶音訊紀錄續接。任何超過這個界線的對話都必須從冷快取重新開始。7 月的研究有更完整的機制說明。
語音對語音比串接架構快多少？
在上述計價組合中，快 2.3 至 4.5 倍，而且串接架構選用的元件越高階，差距越大。以下圖表採用和成本表相同的 6 種組合，每根長條的單位也相同：一個對話回合。測試使用實際常見的內容長度，輸入 5 秒話語，輸出兩句回覆；串接架構的長條則加總各環節 3 次執行的中位數：
具體數字如下：串接架構每個回合合計為 4.9 秒（低成本）、5.6 秒（主流）、5.7 秒（SOTA 大腦）與 7.7 秒（高階）。兩個語音對語音級別都維持在相同區間：gpt-realtime-2.1-mini 在 4 個即時回合中為 1.6-2.1 秒，gpt-realtime-2.1 在 8 個回合中則為 1.7-2.1 秒。
將圖表和成本表一起看，取捨就很清楚。串接架構的成本與延遲走勢相反：低成本組合同時也是最快的串接架構；高階組合的價格是低成本版的 6.8 倍，卻慢了 2.8 秒，因為高價元件，例如會推理的大腦與 HD 語音，同時也是較慢的元件。語音對語音這一側則不分級別，兩個模型都維持在 2 秒區間。因此，mini 版不只比其中兩種串接架構便宜，也比全部 4 種串接架構快。
這些數據還能得出 3 個結論。第一，LLM 是所有串接架構的延遲瓶頸，而強制推理會讓延遲接近翻倍：gemini-3.7-flash 為了產生兩句回覆，要花 4.5 秒推理；deepseek 為 2.6 秒，gpt-5.6 則為 2.7 秒。同一筆讓權杖成本增加 8 倍的推理稅，也讓高階組合成為最慢的一組。第二，即使每個環節都挑選實測最快的元件（gpt-4o-mini-transcribe、deepseek、google-tts-standard），最低仍要 4.1 秒。在加入語音活動偵測器等待說話結束的時間與音訊播放之前，就已超過 realtime 區間的兩倍。第三，串接架構的數據是依序執行，並等完整回覆結束後量測的總時間。正式環境若把 LLM 串流輸出接進支援串流的 TTS，就能重疊兩個最耗時的環節，大幅縮小差距。但這種重疊需要自行建置與調校；realtime API 則是在第一次開啟 WebSocket 工作階段時，就能直接得到 2 秒的延遲。
串接架構的一個回合，時間究竟花在哪裡？大多花在 3 次請求本身，而不是請求中的內容。單純網路耗時占比很低：到 API 邊緣節點的暖 HTTPS 往返約為 0.09 秒，因此 3 個依序執行的環節，每個回合約有 0.3 秒是純網路耗時；若是冷連線，還要再加 0.2 秒的 TLS 握手。主要成本是每個請求固定的派送時間。我們以近乎空白的 payload 重新執行最快組合的各環節，隔離出這項成本：LLM 只回覆 1 個權杖仍要 2.5 秒；半秒的音訊片段仍要 1.6 秒才能轉錄；合成兩個字詞也要 0.4 秒。這些最低值合計 4.4 秒，而完整內容的實測為 4.1 秒，兩者在量測誤差範圍內相同。也就是說，串接架構幾乎所有時間都花在單次請求的固定負擔；實際內容增加後，例如回覆從 1 個權杖變成 70 個，或音訊片段長 10 倍，幾乎不增加額外時間。實務上有兩層含義：縮短串接架構的回覆不會讓它更快；但只要能移除請求或讓請求重疊，例如讓各環節彼此串流、使用持續連線，就能直接處理真正的成本。Realtime API 是這套邏輯的極致形式：全程維持同一條 socket，因此每個回合都不必重新付出完整的請求週期。
常見問題
執行語音代理最便宜的方法是什麼？
採用低成本串接架構：用 qwen3-asr-flash 聆聽、deepseek-v4-flash-0731 當大腦、google-tts-standard 發聲。每個對話分鐘為 $0.0037，10 分鐘通話約 $0.04。它比旗艦語音對語音方案便宜 15 倍，代價則是較高的語音進、語音出延遲，以及缺乏自然的插話處理。
GPT Realtime 比串接架構貴嗎？
旗艦版比較貴：gpt-realtime-2.1 實測每個對話分鐘為 $0.0573，是高階串接架構的 2.3 倍，也是低成本版的 15 倍。gpt-realtime-2.1-mini 則不然：使用相同權杖分布時，每個對話分鐘為 $0.0159，落在主流與高階串接架構之間。因此在 mini 級，選擇重點是延遲與控制能力，而不是價格。
語音代理的哪個部分最貴？
在我們計價的所有 flash 大腦串接架構中，文字轉語音最貴：每個對話分鐘為 $0.002 至 $0.017，flash LLM 則為 $0.0006 至 $0.005；主流組合相差 12 倍。前沿級大腦會讓結果反轉：gpt-5.6 每分鐘為 $0.0110，高於 tts-1 的 $0.0076。在 TTS 內部，不同模型的每音訊分鐘成本相差 8.4 倍，是本次量測中影響最大的單一選項。
對話語言會影響成本嗎？
發聲環節的差異非常大：由於按字元計費，所有 6 個實測 TTS 模型產生一分鐘中文語音的成本，都比英文低 3 至 7 倍，因為每個中文字元承載的語音資訊更多。我們重新驗證的 3 個模型中，語音轉文字費率在兩種語言之間沒有差異；文字端的成本差異則取決於各語言 tokenizer 的權杖差距。
於 2026-08-17 透過 Synthorai 閘道完成量測，所有環節皆在同一批次執行：6 個 TTS 模型分別合成固定的英文與中文段落，從回傳檔案讀取音訊長度，每個模型執行 2 次；3 個 STT 模型使用標準測試音訊，並從計費標頭取得每分鐘成本；3 個 LLM 大腦（2 個 flash 級、1 個前沿級）執行一段預先編寫的 8 輪客服對話，記錄每輪用量；逐環節延遲探測則將 5 秒話語送入 STT、穩定狀態的對話回合送入 LLM、兩句回覆送入 TTS，各執行 3 次並量測完整回覆時間；同時以相同環節執行最小 payload 下限測試，包括 1 個權杖的回覆、半秒音訊片段與兩個字詞的合成，各執行 3 次，並量測到 API 邊緣節點的暖連線與冷連線往返時間；另執行即時 GPT Realtime 工作階段，使用 5 秒話語，旗艦版跑 8 輪、mini 版跑 4 輪，根據 response.done 用量事件逐 lane 計費。mini 版成本是將旗艦版工作階段的實測權杖分布套用至 mini 定價後推算，mini 延遲區間則來自其自身工作階段的量測。串接架構的組合成本假設雙方各占一半說話時間，每分鐘 4 次交換；費率採量測當下模型目錄中的定價。seed-tts-2.0 已完成上架，但因尚無穩定量測結果而未納入。價格與語速都可能變動，決定架構前應重新量測。