上个月帮朋友复盘一个客服质检项目：3 条客服线，每天约 40 小时录音要做转写归档。他们图省事全走了某大厂实时接口，月底账单一拉——语音识别一项 2800 多元。同样这批录音，换成批量接口加静音切分，成本不到 300 元。差距不在模型，在计费方式和接口选型。
这篇就把 2026 年 9 月各家官方定价页上能查到的语音 API 价格摆到一张表里，讲清楚四种计费单位各自的坑，最后给 5 个我们实际用过的省钱方案。所有价格均注明来源，签合同前请以官网最新页为准。
一、先看总表：2026年9月主流语音API官方定价
1.1 语音转文字（STT / ASR）
语音转文字的计费单位五花八门，为方便对比，统一折算成"每小时音频成本"：
| 服务 / 模型 | 官方定价 | 折算每小时 | 计费方式 |
|---|---|---|---|
| OpenAI whisper-1 | $0.006/分钟 | $0.36（约2.6元） | 按分钟，秒进位 |
| OpenAI gpt-4o-transcribe | $2.50/1M输入 + $10.00/1M输出（token） | 实测约$0.006/分钟，即$0.36 | 按token，随语速密度浮动 |
| OpenAI gpt-4o-mini-transcribe | $1.25/1M输入 + $5.00/1M输出（token） | 实测约$0.003/分钟，即$0.18 | 按token |
| Azure 实时语音转文字 | $1/音频小时 | $1.00 | 按秒计费 |
| Azure 批量转写（Batch v3.2+） | $0.18/音频小时 | $0.18（约1.3元） | 异步批量 |
| 阿里百炼 Paraformer | 约0.288元/小时 | 0.288元 | 按量，批量与流式同价 |
| 阿里 Qwen3-ASR-Flash | 约1.1元/小时 | 1.1元 | 实时流式 |
| 火山引擎 seed-asr | $0.002/分钟 | 约0.86元 | 按分钟 |
| 讯飞 录音文件转写 | 套餐低至1.2元/小时 | 1.2元起 | 套餐制 |
| 讯飞 实时语音转写 | 时长套餐¥6.9~9.9/小时 | 6.9元起 | 套餐制（10路并发） |
| Google Chirp 2/3 | $0.016/分钟 | $0.96 | 按分钟 |
| AWS Transcribe | $0.024/分钟 | $1.44（约10元） | 按分钟，60秒最短计费 |
来源：OpenAI 定价页、Azure Speech 定价页、讯飞开放平台实时语音转写页、阿里百炼模型定价页，以及第三方网关 Synthorai 对 14 个转写模型列表价的汇总（2026年9月核对）。同一条音频，最贵和最便宜相差30倍以上——选型本身就是一个成本决策。
1.2 文字转语音（TTS）
| 服务 / 模型 | 官方定价 | 计费方式与说明 |
|---|---|---|
| OpenAI tts-1 | $15/1M字符 | 按字符；HD 版 $30/1M |
| OpenAI gpt-4o-mini-tts | 约$0.015/分钟 | 按token（$0.60/1M文本 + $12/1M音频输出），支持指令化控制语气 |
| Azure Neural 语音 | $16/1M字符 | 承诺量套餐降到$12/1M，大客户$7.50/1M |
| Azure Neural HD | $22/1M字符 | 2026年3月从$30下调 |
| ElevenLabs v3 / v2 Multilingual | $0.10/1K字符（$100/1M） | 订阅制；Flash/Turbo 半价$0.05/1K |
| ElevenLabs Creator 订阅 | $22/月 含220K字符 | 积分滚动最多2个月；重新生成同样计费 |
| 阿里云语音合成 | 约2元/万字（¥200/1M字符） | 精品音色另计 |
TTS 的价差比 STT 更夸张：同样合成 100 万字符，ElevenLabs 高保真模型要 $100，OpenAI tts-1 只要 $15，差 6 倍多。但 ElevenLabs 的音色拟真度和克隆能力目前确实是第一梯队，播客和有声书场景值不值这个差价，看你对"AI味"的容忍度。
二、比价格更重要的：看懂计费单位
语音API报价里藏着一个经典的坑：同样的数字，单位不同，实际成本天差地别。目前市面上有四种计费形态：
① 按音频时长（Whisper、Azure、Google、AWS）：最直观，有硬上限，方便做预算。但静音段也计费，短音频还有最短计费单位——AWS Transcribe 按 60 秒起步，送一条 5 秒的音频也按 1 分钟算。
② 按字符（OpenAI TTS、Azure TTS）：中文友好。一个汉字算一个字符，报价 $15/1M 字符就是 15 美元合成一百万个汉字。
③ 按 UTF-8 字节：这是 2026 年 9 月被 Vercel AI Gateway 用户实际踩到的坑。其接入的 Fish Audio TTS 按字节而非字符计费——英文一个字母 1 字节没影响，但中文一个汉字占 3 字节，实际账单直接翻 3 倍；印地语、日语同理。给印地语业务做预算的团队按字符口径算，直接低估了三倍成本（来源：ecorpit 2026-09-18 报道）。选型时务必确认计费口径是"character"还是"byte"。
④ 按 token（OpenAI gpt-4o-transcribe 系）：音频先重采样再 token 化，按输入+输出 token 计费。实际成本会随语速、停顿密度小幅浮动——第三方网关实测 gpt-4o-mini-transcribe 约合 $0.0031/分钟、gpt-4o-transcribe 约 $0.0062/分钟。token 计费的好处是对"内容"收费而不是对"时长"收费，慢语速的音频不会多花钱；坏处是没有预算硬上限，要做成本预估得拿自己的真实音频试跑。
gpt-4o 系转写模型会把音频重采样后计费，320kbps 的高码率 MP3 和 16kHz 的精简 WAV 同一句话成本几乎一样——压缩音频文件只省存储和上传流量，不省转写费。真想省转写费，切静音（见方案二）。
三、5个实测有效的省钱方案
方案一：批量优先，实时按需
实时接口要维持低延迟算力，天然比批量贵。Azure 实时转文字 $1/小时 vs 批量转写 $0.18/小时，差 5.5 倍；讯飞实时语音转写套餐 ¥6.9~9.9/小时 vs 录音文件转写低至 1.2 元/小时，差 5~8 倍。判断标准很简单：结果不需要 3 秒内拿到的，一律走批量。客服录音质检、会议归档、播客转文稿、视频字幕——绝大多数业务其实是批量的，只是开发者顺手用了实时接口。
方案二：切掉静音再送识别（零成本，立省25%~40%）
按音频时长计费的服务对静音段照常收费。一通 2 分钟的客服电话，客户实际说话时间通常只有 60~80 秒，按小时计费的服务实际有效成本要上浮 25%~40%。在送识别之前加一步 VAD（语音活动检测）切分，把静音段丢掉，只送有效语音段——这一步用本地开源库就能做（webrtcvad、silero-vad），不花 API 钱，账单按切掉的比例直接下降。我们的客服项目上，这一项把 40 小时/天的原始录音压到了 26 小时/天的有效语音。
方案三：固定话术预合成（TTS立省30%以上）
语音机器人场景里，开场白、合规告知语、结束语这类固定话术通常占总合成量的 30%~50%。这些内容预合成一次，把音频文件缓存起来，调用时直接播放，不走 TTS 接口。一个日均 5000 通的语音机器人，仅此一项可省 30% 以上的 TTS 费用。同理，ElevenLabs 的积分规则要知道：重新生成同样计费，一段话重录 3 遍就是 3 倍字符；未用完的积分只滚动 2 个月，攒着做大项目会过期作废，按月稳态用量选套餐才是对的。
方案四：中文场景优先国产梯队
如果你的音频主要是中文，国产 ASR 的价格优势是碾压级的：阿里百炼 Paraformer 约 0.288 元/小时，而且批量与流式同价（这点对成本敏感业务很友好）；火山引擎 seed-asr、阿里 fun-asr 列表价 $0.002/分钟；讯飞录音文件转写套餐低至 1.2 元/小时。对比 AWS Transcribe 约 10 元/小时，同样是"把中文说成文字"，最贵和最便宜差 30 多倍。中文识别准确率上，国产模型对中文专有名词、方言的处理普遍好于海外模型——2026 年的中文选型里，Whisper 已经不是默认答案了。免费额度也别浪费：Azure 每月送 5 小时转写 + 50 万字符合成，腾讯云录音文件识别每月送 10 小时，讯飞新用户有体验套餐，测试期基本零成本。
方案五：按场景混合路由，别用一把锤子敲所有钉子
成熟的做法是把语音链路拆开，每段用最便宜的合格服务：客服机器人 = 实时 ASR（国产流式，约 1~2 元/小时）+ 文本 LLM（思考Token记得做任务分级路由，参考我们之前的推理模型计费详解）+ TTS 固定话术预合成 + 变量话术实时合成。播客制作 = 批量转写（Paraformer 或 Azure Batch）+ 高保真 TTS（ElevenLabs，值这个溢价）。多语言出海 = OpenAI/Azure 多语言模型，但合同前先确认计费单位是字符还是字节。数据敏感（医疗/法务）= 本地部署 Whisper，一张 4090 级别显卡按量租用约每小时十几元，通常能顶几十路并发，量大到 API 账单肉疼时自建的临界点就到了。
四、选型速查表
| 你的场景 | 推荐组合 | 关键理由 |
|---|---|---|
| 客服录音质检/归档 | VAD切分 + 阿里Paraformer或Azure Batch | 批量接口0.3~1.3元/小时，成本地板 |
| 实时字幕/会议同传 | 阿里Qwen3-ASR-Flash或讯飞实时转写 | 流式延迟低，中文准确率好 |
| 语音机器人（外呼/客服） | 国产实时ASR + LLM + TTS预合成 | 固定话术占30%~50%，预合成省大头 |
| 播客/有声书配音 | ElevenLabs v3（预算紧用Flash半价档） | 拟真度第一梯队，按字符订阅 |
| 多语言/出海产品 | OpenAI gpt-4o-mini-transcribe + tts-1 | 多语言覆盖广，按字符计费对非拉丁语系友好 |
| 医疗/法务等敏感数据 | 本地部署Whisper（Faster-Whisper） | 数据不出境，量大后自建更划算 |
五、写在最后
语音API的单价都不贵，便宜到容易让人忽视——但正因为便宜，大家往往不做选型直接用默认选项，量起来之后才发现账单里有 5 倍、30 倍的水分。我们复盘所有语音项目的成本问题时，从来没有一次是"模型太贵"，全是计费单位没看懂、实时批量用错、静音白烧钱这三件事。先算总账再动手，比事后优化省心得多。
语音只是 API 成本体系的一角，文字模型的成本坑更深：Token 计费原理、思考 Token 为什么让推理模型翻车、成本优化方法论，我们都有实测长文，建议按顺序读完再定技术方案。
推荐阅读
参考资料
- OpenAI API 官方定价页（Whisper $0.006/min、tts-1 $15/1M字符等）：openai.com/api/pricing
- Azure AI Speech 官方定价（实时$1/小时、批量$0.18/小时、Neural TTS $16/1M字符）：azure.microsoft.com/zh-cn/pricing/details/speech
- 讯飞开放平台·实时语音转写套餐（¥99/10小时 ~ ¥6900/1000小时）：xfyun.cn/services/rtasr
- ElevenLabs API 官方定价（v3 $0.10/1K字符、订阅积分滚动规则）：elevenlabs.io/pricing/api
- 阿里云百炼·语音模型（Paraformer、Qwen3-ASR 系列）：aliyun.com/product/bailian
- Speech-to-Text APIs: 14 Models 价格汇总与 token 折算实测（2026-09）：synthorai.io/blog/speech-to-text-api
推荐阅读
参考资料
- OpenAI Reasoning Guide（思考 Token 计费与 25,000 Token 预留建议）：platform.openai.com/docs/guides/reasoning
- OpenAI API 定价页：https://openai.com/api/pricing/
- Anthropic Extended Thinking 文档（budget_tokens 下限与摘要计费说明）：docs.claude.com/extended-thinking
- Google Gemini Thinking 文档（thinkingBudget 与 thoughtsTokenCount）：ai.google.dev/gemini-api/docs/thinking
- DeepSeek API 定价与峰谷时段说明：api-docs.deepseek.com/quick_start/pricing
- LLM API 价格追踪（2026-09 各模型价格核对）：cheapestinference.com/reports/llm-price-tracker