你要是今年在搞 AI 语音——接电话的、客服的、配音的、会议纪要的——大概率正在用全行业最贵的那条路跑业务，而你自己还以为"语音本来就这么烧钱"。今天这篇就把语音 API 的钱到底漏在哪、怎么砍，一次性讲透。
AI 语音 Agent 这半年彻底起来了。海外从短租房东漏接电话的代接、到诊所预约、到电销，到处都在上语音。但我在翻了一圈 OpenAI 5 月 7 日刚发布的 GPT-Realtime-2 文档和海外几个跑量团队的真账单后发现一个反共识结论：
同一个"AI 接一通 5 分钟电话"的任务，最贵和最便宜的架构之间，成本差 15 倍。 不是模型差，是绝大多数人默认选了最贵的那条路，而且按一个错误的"每分钟 0.06 美元"做预算。
这篇你要拿走三样信息差：
一个完整的语音 Agent，钱走四层。先把这四层的"市场底价"和"主流价"摆出来（数据截至 2026 年 4-5 月，多源交叉核验）：
| 层 | 干什么 | 市场底价 | 主流默认价 | 你大概率在付 |
|---|---|---|---|---|
| STT 转写 | 把人声变文字 | Groq Whisper-Large-V3-Turbo $0.0006/分钟 | OpenAI Whisper-1 $0.006/分钟 | Whisper-1（贵 10 倍） |
| LLM 推理 | 理解 + 生成回复 | gpt-4o-mini / 国产小模型，几乎可忽略 | gpt-4o 全量 | 4o 全量 |
| TTS 合成 | 把文字变人声 | Azure Neural $14/百万字符（含 50 万字符永久免费） | OpenAI tts-1 $15 | ElevenLabs 超量 $300 |
| Realtime 实时层 | 端到端边听边说 | gpt-realtime-mini 开缓存 ~$0.034/分钟 | GPT-Realtime-2 不开缓存 $0.125/分钟 | Realtime-2 全量 |
看出门道了吗？最贵的那层（Realtime）恰好是大家默认全塞进去的那层。
OpenAI 定价页上，Realtime 的标价是这样的（2026 年 5 月，GPT-Realtime-2）：
关键换算关系：用户说话每 100 毫秒 = 1 token，AI 说话每 50 毫秒 = 1 token。
海外跑量团队 CallSphere 用 11 个真实通话画像建模，得出一个非常反直觉的结论——大多数创始人随手算的"每分钟 0.06 美元"严重低估了真实成本，因为他们忘了 system prompt（系统提示词）每一轮对话都会重新计费。
以一通真实的客服电话（用户说 60%、AI 说 40%、平均 5 分钟）为例：
开了缓存（系统提示词稳定部分 91% 命中）：
他们 11 个画像的真实区间是：不开缓存 $0.18–0.46/分钟，开好缓存 $0.05–0.10/分钟。 这就是为什么"按 0.06 算账"的人，月底看到账单会傻眼。
这是最高优先级。Realtime-2 缓存价 $0.40 vs 原 $32，命中即省 98.75%。做法：把那段 1.6 万 token 的医疗系统提示词，拆成稳定的"静态头"（1.64 万 token，每轮先发、走缓存）和每次变的"动态尾"（1600 token，不缓存）。CallSphere 靠这一招把缓存命中率做到 91%。单这一刀，5 分钟电话从 $0.627 砍到 $0.281。
服务器端做语音活动检测（VAD），默认静音 500 毫秒才判定一轮结束——这段沉默里模型还在"自言自语"，每轮多烧 60–120 个 audio-out token。换成模型自己判断话音结束（model end-of-turn detection），这部分直接归零。一通 18 轮的电话，省掉上千个最贵的输出 token。
Agent 调函数拿回 JSON，90% 的字段模型根本不看。把一条 4KB 的 FHIR 医疗记录压成 380 字节的摘要行，reasoning token 账单直接降 41%。 这是最容易被忽视、却立竿见影的一刀。
官方说 mini 比 Realtime-2 全档便宜约 60%。如果你的语音 Agent 是低复杂度的预订、查单、转接，根本不需要 GPT-5 级推理——mini 足够。$0.056/分钟 ≈ $0.034/分钟。
这是认知差里最大的一个。OpenAI 5 月同时发了三个语音模型，分工不同：
如果你的需求是"通话结束后出一份纪要"，用 Realtime-Whisper $0.017/分钟就够了，别让 Realtime-2 全程端到端跑。 官方原话：只需要文字答案，就转写给便宜文本模型（如 GPT-5.4 mini）。
转写层，batch（离线文件）永远比 streaming（实时流）便宜 30–50%：
而且别忘了还有更底价的：Groq 上的 Whisper-Large-V3-Turbo 只要 $0.0006/分钟（1000 分钟才 $0.6），比 Whisper-1 便宜 10 倍——代价是不支持真流式、有速率限制，适合离线批处理。
diarization（区分谁在说话）是转写最常见的隐形加价项：
| 厂商 | 基础价 | + diarization | 实付 |
|---|---|---|---|
| Deepgram Nova-3 batch | $0.0036 | +$0.0015 | $0.0051 |
| AssemblyAI Universal | $0.0037 | +$0.0007 | $0.0044 |
| ElevenLabs Scribe | $0.004 | 包含 | $0.004 |
| OpenAI Whisper-1 | $0.006 | 不支持 | — |
多人对话、播客、访谈场景，Scribe 的"打包价"反而最划算，别在 Deepgram 上叠 add-on。
TTS 是另一个重灾区。ElevenLabs 按套餐算 $66/百万字符，但超量是 $300/百万字符。对比一下：
时间换钱的，能自托管就上 xTTS v2；要延迟的实时对话选 Cartesia；量大求稳选 Azure 的永久免费层 + 微量付费。别无脑挂 ElevenLabs 然后被超量价暴击。
把八刀用上，我们拉一张真实账单对比表（5 分钟一通，1000 通/月）：
| 方案 | 适用 | 单通成本 | 月成本(1000通) |
|---|---|---|---|
| A. Realtime-2 全程不开缓存 | 真人级实时对话（错误默认） | $0.625（$0.125/分钟） | $625 |
| B. Realtime-2 开缓存 + 裁剪 | 真人级实时对话（正确姿势） | $0.28（$0.056/分钟） | $280 |
| C. Realtime-2 mini 开缓存 | 低复杂度实时对话 | ~$0.17（$0.034/分钟） | $168 |
| D. Realtime-Whisper 仅转写 | 只需通话纪要 | $0.085（$0.017/分钟） | $85 |
| E. 解耦：Deepgram 批量 + 小模型 + tts-1 | 异步语音（语音信箱/AI 回拨） | ~$0.04（$0.008/分钟） | $40 |
从 $625 到 $40，15.6 倍。 注意 A→C 是同一个"实时对话"产品的优化（3.7 倍）；A→E 则是不同产品——如果你的场景允许"异步回拨"而不是"真人级实时打断"，你压根不该上 Realtime。最大的浪费不是没优化，而是用错了产品层。
flowchart LR
subgraph 贵["默认错误路径：全塞 Realtime"]
A1["用户说话"] --> A2["GPT-Realtime-2<br/>端到端 $0.125/分钟<br/>system prompt 每轮重算"]
A2 --> A3["AI 说话"]
end
subgraph 便宜["正确路径：按层解耦路由"]
B1["用户说话"] --> B2{"需要实时打断?"}
B2 -->|"是"| B3["Realtime-mini+缓存<br/>$0.034/分钟"]
B2 -->|"否-只要纪要"| B4["Realtime-Whisper<br/>$0.017/分钟"]
B2 -->|"否-异步回拨"| B5["Deepgram批量 $0.0036<br/>+ 小模型 + tts-1<br/>≈$0.008/分钟"]
end
A2 -.->|"开缓存+裁VAD+裁tool<br/>省 2.2 倍"| B3
style A2 fill:#ffcccc,stroke:#c00
style B5 fill:#ccffcc,stroke:#090
style B3 fill:#fff2cc,stroke:#990
style B4 fill:#fff2cc,stroke:#990
| 维度 | 大多数人以为 | 真相（信息差） |
|---|---|---|
| Realtime 单价 | $0.06/分钟 | 真实 $0.18–0.46/分钟（不开缓存），因为 prompt 每轮重算 |
| 缓存价值 | 可有可无 | $32→$0.40，命中省 98.75%，第一优先级开关 |
| 转写底价 | Whisper-1 $0.006 | Groq Whisper $0.0006，便宜 10 倍 |
| batch vs streaming | 差不多 | batch 永远便宜 30–50% |
| diarization | 都要额外买 | ElevenLabs Scribe 打包包含 |
| TTS 之王 | ElevenLabs | 超量 $300/百万，Azure 永久免费 50 万字符 |
| 用 Realtime 干啥 | 所有语音活 | 只对话用 Realtime-2，纪要用 Whisper，翻译用 Translate |
| VAD | 默认开着好 | server VAD 每轮多烧 60–120 token，换 model 端判断归零 |
usage 字段，把 input/output/cached token 求和除以分钟，得到你的真实单价。低于 $0.10/分钟才算合格。对中国开发者的特别提醒：以上都是美元计价、海外 API。国内开发者经 API 中转或海外卡调用，计费逻辑完全一致，砍账单的八刀照搬即可；只有"自托管 xTTS v2 / 国产小模型"这一刀能直接在国内 GPU 上跑，反而省了跨境流量和汇率，性价比更高。
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。