一句话信息差：你以为 GPT-4o 实时语音是"一次调用一次费"，其实它对同一段对话音频进、音频出、文本转写、文本响应四样全收钱，而且音频 token 单价是文本的十几倍。把端到端的 Realtime API 拆成"ASR + 文本 LLM + TTS"三段式，月账单能直接砍掉 80%。
2026 年 6 月，语音交互是 AI 应用最卷的赛道——智能客服、语音笔记、口语外教、实时翻译。绝大多数团队的第一反应都是：直接调 OpenAI Realtime API 或 GPT-4o 音频模式，"端到端"多省事。
但你打开账单的那一刻会头皮发麻：一个日均 2000 分钟语音对话的 demo，月底可能烧掉数千美元，而你明明用的还是同一家模型、同样的对话量。问题不在你"用得多"，而在你没看懂语音 API 的计费结构。
音频 token 和文本 token 是两个世界。文本世界你早就学会了省 token，但音频世界的坑，国内中文资料几乎没人系统讲过。这篇拆透它的"三重计费"，并给你一套已经跑通的三段式省钱管线。
很多人对实时语音 API 的心智模型是这样的：
用户说话 → 模型听懂 → 模型回话。一次往返，一份钱。
错。 OpenAI 的 Realtime API（gpt-4o-realtime-preview）把这一轮语音交互拆成了四条计费通道，每一条都单独按 token 收钱：
也就是说，你说一句话、它回一句话，钱被收了四遍。更狠的是定价倍数。以 GPT-4o 为例（参考价，以官网为准）：
| 计费通道 | 单价（每 1M token，参考价） | 相对文本输入倍数 |
|---|---|---|
| 文本输入 | ≈ $2.50 | 1× |
| 文本输出 | ≈ $10.00 | 4× |
| 音频输入 | ≈ $40.00 | 16× |
| 音频输出 | ≈ $80.00 | 32× |
音频 token 的单价是文本 token 的 16～32 倍。而且别忘了——同样一分钟的内容，音频通道产生的 token 数量本身就比文本多得多（一分钟的语音，文本通道可能只要几百 token，音频通道动辄上万）。单价乘以数量，双重放大，差距拉开到几十倍。
这就是为什么你的语音 demo 烧钱烧得莫名其妙：你以为自己在为"对话内容"付费，实际上你在为"声音的波形"付费，而且付了四遍。
端到端（end-to-end）语音模型的卖点是"低延迟、听感自然、能听懂情绪"。它把听、想、说三件事焊死在一个 API 里，确实体验好。但这个"焊死"也把三段的成本全部按最贵的音频价计费，且无法替换。
而 99% 的真实业务场景，根本不需要端到端：
真正吃端到端红利（超低延迟、情感音色、打断处理）的，只有少数实时陪伴、语音游戏 NPC 这类场景。其余业务用端到端，纯粹是在为"焊死的便利"交智商税。
flowchart LR
subgraph 端到端["端到端 Realtime API（贵）"]
A1["🎤 用户语音"] --> M1["gpt-4o-realtime<br/>四重计费"]
M1 --> A2["🔊 模型语音"]
end
subgraph 三段式["三段式管线（省）"]
B1["🎤 用户语音"] --> S1["ASR 转写<br/>Whisper/Deepgram<br/>按分钟低价"]
S1 --> T1["文本 LLM<br/>GLM-4.6/DeepSeek<br/>按文本价"]
T1 --> S2["TTS 合成<br/>CosyVoice/Edge-TTS<br/>本地或免费"]
S2 --> B2["🔊 模型语音"]
end
端到端 -.成本 1×.-> X((("💸 账单")))
三段式 -.成本 ~0.2×.-> X
把端到端拆成 ASR（语音转文本）→ 文本 LLM → TTS（文本转语音） 三段，每一段都换上更便宜的方案，账单断崖式下降。
把用户语音转成文本，端到端是按音频 token 收的；而独立 ASR 服务按分钟计费，便宜一个数量级：
| ASR 方案 | 价格（参考价） | 特点 |
|---|---|---|
| OpenAI Whisper API | ≈ $0.006 / 分钟 | 通用稳定，多语言 |
| Deepgram Nova-2 | ≈ $0.0043 / 分钟（流式） | 低延迟，适合实时 |
| faster-whisper（本地） | $0（自建） | 开源，Mac/单卡即可跑 |
| 阿里 Paraformer / SenseVoice | 极低 / 自建免费 | 中文识别强 |
一句话：ASR 这段，你能把"音频 token"的账单换成"分钟"账单，立刻省掉一大半。
转写成文本之后，推理就走普通文本通道了。这时候你拥有的优化空间是端到端用户做梦都不敢想的：
这是整条管线里省钱空间最大的一段——因为文本世界的"军备竞赛"已经把单价压到了地板。
模型想完，要把回答念出来。端到端按音频输出 token 收 $80/M；独立 TTS 的选择丰富且便宜：
| TTS 方案 | 价格 | 特点 |
|---|---|---|
| OpenAI TTS | ≈ $15 / 1M 字符 | 音质好但贵 |
| Edge-TTS（微软） | $0 | 免费接口，音色多，中文不错 |
| CosyVoice / ChatTTS / GPT-SoVITS（开源） | $0（自建） | 可克隆音色，中文自然 |
| 火山引擎 / MiniMax 语音 | 按字符低价 | 商用稳定，中文情感强 |
Edge-TTS 和开源 TTS 让"念出来"这段几乎零成本。
以一个日均 2000 分钟语音对话的客服 demo 为例（中等对话密度，双向语音）：
端到端 Realtime 方案（原价）： - 双向音频约 4000 分钟/日，按音频 token 计费 - 叠加四重计费与音频高单价 - 月账单量级：数千美元（≈ $4000–5000）
三段式重构后： - ASR（Deepgram 流式）：4000 分钟 × $0.0043 × 30 天 ≈ $516/月 - 文本 LLM（GLM-4.6 文本价）：转写后文本量小，估算 ≈ $80–150/月 - TTS（Edge-TTS / 开源）：≈ $0 - 月账单量级：≈ $600–700/月
降幅约 85%，且 latency 在 Deepgram + 流式 TTS 下仍可压到 1 秒内，体验损失对绝大多数业务可忽略。
注：以上为基于公开定价的量级估算，真实成本取决于对话密度、并发数、上下文长度，请以各官网实时报价和你的实测为准。
省钱不是目的，该花的钱花在刀刃上才是。决策很清晰：
| 场景特征 | 推荐方案 | 理由 |
|---|---|---|
| 实时陪伴 / 语音 NPC / 情感陪伴 | 端到端 | 要低延迟、情绪、可打断 |
| 客服 / 问答 / 笔记 / 翻译 | 三段式 | 无需音频原生能力，省 80% |
| 高并发、低成本产品 | 三段式 | 可逐段替换、弹性扩缩 |
| 强调"懂你语气"的语音助手 | 端到端 + 关键路由 | 混合，按需切换 |
一句话：只要你的业务逻辑是"问答式"的，就拆。 只有当产品卖点本身是"声音的情绪和即时性"时，才为端到端买单。
| 维度 | 多数人以为 | 实际情况 |
|---|---|---|
| 实时语音计费 | 一次对话一次费 | 四重计费：音频进 + 音频出 + 文本进 + 文本出 |
| 音频 token 单价 | 和文本差不多 | 是文本的 16～32 倍 |
| 音频 token 数量 | 和文本差不多 | 同等内容，音频 token 数量本身就大得多 |
| 省钱空间 | 只能在 prompt 上抠 | 拆三段后，ASR/LLM/TSS 各有地板价方案 |
| 端到端必要性 | 语音产品就得端到端 | 90% 业务三段式即可，体验损失可忽略 |
gpt-4o-realtime 和 audio 相关用量，看音频 token 占比——多半会吓一跳。faster-whisper（本地）或 Deepgram（流式），先砍掉输入侧的音频计费。本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。