# Realtime API 与转录管道成本怎么比：按同一任务算完整预算

> 只交付文字时，先算转写和必要的后处理；需要语音回应时，再比较 Realtime、GPTLive 与 STT→LLM→TTS 的完整费用。通话分钟、双方音频分钟和会话活跃秒数不能混用，便宜与否要落到完成同一任务的总成本上。

- URL: https://blog.laozhang.ai/zh/posts/realtime-api-vs-transcription-pipeline-cost
- Published: 2026-06-14
- Updated: 2026-10-07
- Author: LaoZhang AI Team (https://blog.laozhang.ai/zh/about)
- Topic: API 接入指南
- Tags: Realtime API, 转录管道, OpenAI 价格, 语音代理, 语音转文字

---
**只需要字幕、录音文字或摘要，先从转写开始；需要助手开口回应、允许用户打断，并在对话中执行任务，才比较语音对话方案。** Realtime API、GPTLive 和 STT→LLM→TTS 都可以进入语音产品的预算，但不能拿一个转写价格直接替代完整语音助手的成本。

比较时先固定交付结果，再分别记录通话持续多久、用户说了多久、助手生成了多久的音频，以及后端做了什么。10 分钟通话不等于 10 分钟用户音频加 10 分钟助手音频；GPTLive 的 10 分钟活跃会话则还包含静音和等待后端的时间。

下面采用截至 **2026 年 10 月 6 日**核对的 OpenAI 官方直接调用费率。预算示例是离线算术演算，不是实际账单或音频测试；模型的识别准确率、打断体验和任务完成率，需要用你的场景另行评价。

## 先确定要交付文字，还是完成语音对话

如果用户录完一段话，只等着拿到文字和摘要，给它加入会说话的助手不会自动增加价值。如果用户在通话中查询订单、修改预约，要求助手及时回应并处理打断，那么单独完成转写也没有完成同一个任务。

| 要交付的结果 | 预算起点 | 还要加什么 |
| --- | --- | --- |
| 已完成录音的文字 | 文件转写，当前推荐起点为 `gpt-transcribe` | 需要摘要、抽取、搜索时再加相应处理 |
| 人说话时持续出现文字 | 实时转写，当前推荐起点为 `gpt-live-transcribe` | 字幕展示、存储和需要的文本处理 |
| 助手通过语音完成交互任务 | `gpt-realtime-2.1` / `gpt-realtime-2.1-mini`，或 GPTLive 前端加后端 | 工具、记录留存、输入转写及运营费用 |
| 希望分别选择识别、推理和发声组件 | STT→文本模型→可选 TTS | 组件编排、打断处理、重试和运维 |
| 现场对话加通话后质检、摘要或归档 | 现场语音方案加后台处理 | 明确是否复用已有转写，避免重复购买同一产物 |

转写的新推荐起点来自 [OpenAI 转写工作流文档](https://developers.openai.com/api/docs/guides/transcription)。其中还区分了两个容易混淆的“流式”：已完成文件可以在处理时流式返回文字，不必因此打开持续接收音频的 Realtime 连接。文件的 `stream=true`、TTS 分块播放和持续音频转写，分别解决不同问题。

已有 `gpt-4o-transcribe`、`gpt-4o-mini-transcribe` 或 `gpt-realtime-whisper` 集成可以按受支持的路线继续使用，但不宜把旧模型写成所有新项目的默认选择。需要说话人标签、逐词时间戳或字幕文件时，还应核对专门能力：当前文档把文件说话人标注交给 `gpt-4o-transcribe-diarize`，把逐词时间戳和 `srt` / `vtt` 交给 `whisper-1`，不能从“转写模型”四个字推定全部具备。

## 当前费率：先分清 token、音频分钟和活跃分钟

下表金额均为美元，来自 [OpenAI 官方价格页](https://developers.openai.com/api/docs/pricing)，核对日期为 2026 年 10 月 6 日。它们是组件费率，尚未包含税费、运营商、第三方服务及人工成本。

| 模型或组件 | 计费单位 | 费率 |
| --- | --- | --- |
| `gpt-transcribe` 文件转写 | 音频分钟 | 0.0045 美元/分钟，即 0.27 美元/音频小时 |
| `gpt-live-transcribe` 实时转写 | 音频分钟 | 0.017 美元/分钟，即 1.02 美元/音频小时 |
| `gpt-realtime-whisper` 既有实时转写路线 | 音频分钟 | 0.017 美元/分钟 |
| `gpt-4o-transcribe` / diarize 既有路线 | 每百万输入/输出 token | 2.50 / 10 美元；价格页估计为 0.006 美元/音频分钟 |
| `gpt-4o-mini-transcribe` 既有路线 | 每百万输入/输出 token | 1.25 / 5 美元；价格页估计为 0.003 美元/音频分钟 |
| `gpt-live-1` 语音前端 | 会话活跃秒数，按分钟费率折算 | 0.05 美元/活跃分钟；后端模型和工具另计 |
| `tts-1` / `tts-1-hd` 既有 TTS | 每百万字符 | 15 / 30 美元 |
| `gpt-4o-mini-tts` | 每百万文本输入/音频输出 token | 0.60 / 12 美元 |

旧转写模型的“估计每分钟价格”是便于理解的估算，不应改写为固定分钟结算承诺。按字符计价的 TTS 也不能直接换成固定语音分钟价：语言、语速和输出文本长度都会影响换算。Realtime 的音频 token 换算规则不能直接借给另一种 TTS 模型。

Realtime 语音对话的费率要另看输入、缓存输入和输出：

| Realtime 模型 | 音频输入 / 缓存输入 / 输出 | 文本输入 / 缓存输入 / 输出 |
| --- | --- | --- |
| `gpt-realtime-2.1` | 32 / 0.40 / 64 美元/百万 token | 4 / 0.40 / 24 美元/百万 token |
| `gpt-realtime-2` | 32 / 0.40 / 64 美元/百万 token | 4 / 0.40 / 24 美元/百万 token |
| `gpt-realtime-2.1-mini` | 10 / 0.30 / 20 美元/百万 token | 0.60 / 0.06 / 2.40 美元/百万 token |

若使用图像，`2.1` 和 `2` 的图像输入/缓存输入为 5 / 0.50 美元/百万 token，`2.1-mini` 为 0.80 / 0.08。系统指令、工具定义和工具结果带来的文本也需要计入，不能因产品界面只有语音就忽略它们。

`gpt-realtime-2` 仍有[当前官方模型页面](https://developers.openai.com/api/docs/models/gpt-realtime-2)和价格记录；它不是已经停用的模型。选择新路线时，应同时考虑当前 `2.1` 与 mini，而不是沿用旧文的单一报价。

对既有系统还要预留迁移预算。[官方停用公告](https://developers.openai.com/api/docs/deprecations)列出 `tts-1`、`tts-1-hd` 和两款指定的 mini TTS 快照将于 **2027 年 1 月 6 日**移除；`whisper-1`、4o 转写、mini 转写和 diarize 将于 **2027 年 2 月 26 日**移除。公告中的旧 Realtime 家族另有 **2027 年 1 月 20 日**期限，不能据此推断所有名字含 Realtime 的新模型都会同时停用。

## Realtime 一小时多少钱？先算双方真正的音频量

[Realtime 成本说明](https://developers.openai.com/api/docs/guides/voice-latency-cost#realtime-api-costs)给出的近似换算是：用户音频每 100 毫秒 1 个 token，助手音频每 50 毫秒 1 个 token。因此一分钟用户音频约 600 个 token，一分钟助手音频约 1,200 个 token；特殊 token 会带来小幅差异。

只计算新音频，不含历史、文本和其他组件时，可以这样估算：

```text
2.1 / 2 新音频费用
= 用户音频分钟 × 600 × 32 ÷ 1,000,000
+ 助手音频分钟 × 1,200 × 64 ÷ 1,000,000
= 用户音频分钟 × 0.0192 + 助手音频分钟 × 0.0768

2.1-mini 新音频费用
= 用户音频分钟 × 0.006 + 助手音频分钟 × 0.024
```

假设实际经过的一分钟里，用户说 30 秒，助手生成 30 秒语音，则新音频费用约为 `0.5 × 0.0192 + 0.5 × 0.0768 = 0.048` 美元；mini 为 `0.5 × 0.006 + 0.5 × 0.024 = 0.015` 美元。两者都还不是整段对话的最终单价。

旧的 **5.76 美元**算法是 `60 × 0.0192 + 60 × 0.0768`，对应一小时未缓存用户音频输入，再加一小时生成的助手音频输出。它不是一小时通话的普遍底价，也不是任意说话比例下的每小时报价。若一小时通话只有 20 分钟用户音频和 15 分钟助手音频，这部分在 `2.1` 上是 `20 × 0.0192 + 15 × 0.0768 = 1.536` 美元；之后仍要继续加完整费用。

## 历史、缓存和额外转写怎样进入 Realtime 账本

Realtime 在创建 Response 时产生输入和输出 token 费用。当前说明不对连接和网络带宽收费；启用 VAD 时空音频会被过滤，但客户端手动把空音频加入会话输入，不能套用同一结论。会话历史会在下一次 Response 中再次成为输入，因此“新音频分钟 × 费率”不能解释多轮账单。[来源：每次 Response 的费用](https://developers.openai.com/api/docs/guides/voice-latency-cost#per-response-costs)。

正确计算缓存时，缓存 token 是输入的子集，先从该模态输入中扣除，再按缓存费率计算：

```text
某模态输入费用
= [(输入 token − 其中缓存 token) × 普通输入费率
   + 其中缓存 token × 缓存输入费率] ÷ 1,000,000

输出费用 = 输出 token × 对应输出费率 ÷ 1,000,000
```

例如 mini 的音频输入共 11,400 token，其中缓存 6,000，费用为 `(5,400 × 10 + 6,000 × 0.30) ÷ 1,000,000 = 0.0558` 美元。不能把 11,400 全部按缓存价计，也不能把一个总缓存数同时从音频和文本两行各扣一次。

记录每个唯一 Response 的 `response.done.usage`，保留 `input_token_details` 中的音频、文本、图像及 `cached_tokens_details`，再记录输出音频和文本。`total_tokens` 是总量，不能在分项计费后再加收一次。缓存属于尽力而为的机制，不保证命中；修改历史、指令、工具定义或发生截断会影响命中，不能预设每个后续轮次都有同样折扣。

开启输入转写还会产生单独费用，对应 `conversation.item.input_audio_transcription.completed` 的转写用量和所选模型费率。它不能被当成 Realtime 音频输入已经包含的免费服务。对于没有收到最终用量、请求超时或播放被打断的情况，先记录待核对费用；“用户没听到”不能证明服务端没有生成或没有计费。

## GPTLive 为什么还要记录静音和后端等待

GPTLive 将语音前端和执行推理、工具的后端分开。它的预算式是：

```text
GPTLive 总费用
= 会话活跃秒数 ÷ 60 × 0.05 美元
+ 后端模型、工具及其他服务费用
```

活跃秒数包含用户说话、助手说话、双方静音以及后端工作的时间。静音麦克风不会关闭会话。比如 90 秒活跃会话，前端是 `90 ÷ 60 × 0.05 = 0.075` 美元；假设后端另花 0.02 美元，合计 0.095 美元。[来源：GPTLive 用量与费用](https://developers.openai.com/api/docs/guides/voice-latency-cost#gpt-live-usage-and-costs)。

WebRTC 创建会话时计入的初始 15 秒，在会话开始运行后抵入持续时长。上面的 90 秒按 90 秒算，不是 105 秒。反复创建却未使用的会话仍需考虑初始化费用，不能因为一次启动超时就填零。

这里的优化重点是减少无用的会话占用。假设一个后端优化多花 0.015 美元，却让用户少等待 30 秒并更早关闭会话，前端节省 `30 ÷ 60 × 0.05 = 0.025` 美元，总费用减少 0.010 美元。若它只节省 10 秒，节省约 0.0083 美元，反而不足以覆盖增加的后端费用。这个临界点是 `0.015 ÷ 0.05 × 60 = 18` 秒，前提是任务结果不变、会话确实提前关闭。

用量记录也不同：`session.usage.updated` 的 `usage.seconds` 是累计快照，用新值替换旧值，不要逐条相加。关闭后记录 `session.closed` 的最终秒数一次。后端按唯一 response ID 归集嵌套 `response.completed` 用量，应用自行发起的调用也要加上；没有用上的提前查询或其他推测执行不能从成本中消失。

## 用一次 10 分钟语音任务复算三条路线

下面假设同一个客服任务持续 10 分钟：用户音频 4 分钟，助手语音 3 分钟，其余为静音或等待。各路线都要完成同一业务动作并提供所需回应；**这里只假设交付要求相同，不代表模型已达到同等效果。**

为了把预算填完整，进一步采用以下示例输入：

- Realtime：新用户音频 2,400 token，历史重复带入 9,000 音频 token，音频缓存总计 6,000 token；文本输入共 4,000 token，其中缓存 3,000；输出音频 3,600 token、文本 1,000 token，不使用图像或另付输入转写。
- 级联：只转写用户的 4 分钟分段音频，文本模型费用暂设 0.012 美元；TTS 使用既有 `tts-1` 路线，实际提交文本假设为 1,800 字符。1,800 字符和 3 分钟输出是分别给定的假设，不是固定语速换算；该模型有前述停用期限。
- GPTLive：活跃时长完整计入 600 秒，后端费用暂设 0.012 美元。
- 每条路线另分摊采集、线路、存储和编排 0.020 美元，质检及运营 0.010 美元。这些是自设预算值，实际供应商和人工费用应替换；本例不含税费和额外失败重试。

先算 Realtime 的模型费用：

| 项目 | `2.1-mini` 演算 | `2.1` / `2` 演算 |
| --- | --- | --- |
| 音频输入含重复历史 | `(5,400×10 + 6,000×0.30)/1M = 0.0558` | `(5,400×32 + 6,000×0.40)/1M = 0.1752` |
| 音频输出 | `3,600×20/1M = 0.072` | `3,600×64/1M = 0.2304` |
| 文本输入含缓存 | `(1,000×0.60 + 3,000×0.06)/1M = 0.00078` | `(1,000×4 + 3,000×0.40)/1M = 0.0052` |
| 文本输出 | `1,000×2.40/1M = 0.0024` | `1,000×24/1M = 0.024` |
| 模型费用合计 | **0.13098 美元** | **0.4348 美元** |

再把其他路线和共用预算放进同一张表：

| 路线 | 模型及语音组件费用 | 加 0.030 美元示例运营分摊后的总额 |
| --- | --- | --- |
| Realtime mini | 0.13098 美元 | **0.16098 美元** |
| Realtime `2.1` / `2` | 0.4348 美元 | **0.4648 美元** |
| 分段转写→文本模型→`tts-1` | `4×0.0045 + 0.012 + 1,800×15/1M = 0.057` 美元 | **0.087 美元** |
| GPTLive 前端加后端 | `600/60×0.05 + 0.012 = 0.512` 美元 | **0.542 美元** |

这组数字显示的是指定输入下的费用关系。它没有证明级联一定更便宜：如果级联改用实时转写，仅 STT 就从 0.018 变为 `4 × 0.017 = 0.068` 美元，总额升至 0.137 美元；若较贵的 TTS、更多重试或额外编排再增加超过 0.02398 美元，便会越过本例 mini 的 0.16098 美元。不能拿一条路线的最低费率与另一条路线的完整费用比较。

音频范围也会改变答案。级联若提交的是完整 10 分钟录音，而不是 4 分钟用户片段，文件转写费用是 0.045 美元，该例总额变为 0.114 美元。实时字幕如果只要文字，本例 4 分钟实时音频的 0.068 美元无需再加助手 TTS；但它没有交付语音客服任务，应该单独评价。

## 转录管道和混合方案：把后台产物与重复费用拆开

转录优先的优势是可以分别选择和重跑组件，也容易围绕文字做摘要、抽取和质检。代价是你要负责识别、文本推理、语音播放和打断之间的衔接。各阶段可以流式处理，但“分块”本身不保证某个固定响应时间，也不证明级联体验与原生语音一致。

![转录管道按需要加入文本模型、TTS、线路、存储和质检的示意。](https://blog.laozhang.ai/posts/zh/realtime-api-vs-transcription-pipeline-cost/img/pipeline-checklist.webp)

预算应逐项回答：STT 处理全部录音还是用户片段？文本模型重复读取多少历史？TTS 按字符还是 token？语音被打断后已生成多少输出？外部工具、电话线路和录音留存是否收费？哪些失败会重试，哪些任务转人工？费用未知时保留变量，不把空白单元格当作零。

混合方案则把现场和后台划出明确边界。例如现场用 mini 完成上面的语音任务，通话后再转写 4 分钟用户录音，并用假设 0.006 美元的文本处理生成质检记录：

```text
混合任务总额
= 现场模型 0.13098
+ 后台文件转写 4 × 0.0045
+ 后台文本处理 0.006
+ 示例运营分摊 0.030
= 0.18498 美元
```

如果现场已经付费取得满足归档要求的转写，可复用它，后台就不必再加这笔 0.018 美元；但要把现场转写本身的费用计入。若最终交付要求包括双方完整记录、说话人标签或精确时间戳，只有用户片段的文字可能不够，应先确定可用产物，再决定是否重复转写。

对 GPTLive，现场互动结束后及时关闭前端，可以让独立后台继续做长任务。对 Realtime，控制不再有用的历史和冗长语音输出，可以降低相应 token 用量；压缩历史同时也可能丢失任务信息或影响缓存。优化的验收应同时看成本与任务结果，不能只看删掉了多少 token。

![按 Response 分项计算音频、文本、缓存、输出及额外转写费用的示意。](https://blog.laozhang.ai/posts/zh/realtime-api-vs-transcription-pipeline-cost/img/realtime-cost-drivers.webp)

## 从单次估算做到月预算和每次可用任务成本

把工作表的输入列分成三类：当前费率、预计用量、完成结果。费率一变就换费率，用量靠自己的代表性样本更新，结果则保留完成标准，不用“返回了文本”替代“正确完成业务任务”。

| 工作表项 | 要填写的内容或公式 |
| --- | --- |
| 任务和输出 | 文字、语音回应、执行结果、归档要求；不能中途换比较目标 |
| 音频量与时钟 | 用户音频分钟、助手生成音频分钟、录音提交分钟、GPTLive 活跃秒数分别填 |
| Realtime 输入 | 逐 Response 的音频/文本/图像输入及各自缓存子集 |
| Realtime 输出 | 音频与文本输出分别乘对应模型费率 |
| 转写与 TTS | 转写独立用量；TTS 对应字符数或 token，不套用其他模型的换算 |
| 后端及运营 | 文本模型、工具、线路、存储、QA、人工兜底及运维分摊 |
| 尝试总费用 | 成功、失败、重试、重连和未使用但已执行的工作全部归集 |
| 可用任务数 | 达到同一完成标准且结果可用的任务数量 |
| 每次可用任务成本 | `尝试总费用 ÷ 可用任务数` |

按上面的固定用量做 1,000 次尝试，mini 示例预算为 160.98 美元，级联为 87 美元，GPTLive 为 542 美元，混合为 184.98 美元。如果各自只有 900 次达到完成标准，mini 的每次可用任务成本是 `160.98 ÷ 900 ≈ 0.1789` 美元，级联约 0.0967 美元。900 是演算假设，不是任何模型的实际完成率；真实比较应给每条路线分别填写自己的可用任务数。

固定金额预算也可以除以示例单次成本：100 美元除以 mini 的 0.16098，约相当于 621 次这种用量的尝试。它不是平台保证可用的次数；更长的回答、不同缓存、价格变化或未计费用都会改变结果。

上线规划时，用短、中、长会话分别填表，不只放一个平均数。重点观察助手发声量、Response 数、历史和缓存比例，以及 GPTLive 的后端等待时间；再看失败重试和人工转接是否使较低模型费率变成较高的完成成本。若需要在调用前控制总预算，可以继续看[如何设置 API 花费熔断开关](https://blog.laozhang.ai/zh/posts/llm-agent-api-spend-kill-switch)，将待核对费用和预留额度纳入放行判断。

## 常见问题

### Realtime API 一定比 STT→LLM→TTS 贵吗？

不一定。先固定同一语音任务，再计算双方音频、历史、文本、TTS、重试和运营费用。`gpt-realtime-2.1-mini` 的费率改变了比较结果，使用贵 TTS 或实时 STT 的级联也可能超过它。低费率是否仍能完成任务，需要单独评价；[价格页](https://developers.openai.com/api/docs/pricing)不能证明质量等价。

### 实时字幕需要会说话的 Realtime 助手吗？

通常只需要实时转写。当前[官方工作流](https://developers.openai.com/api/docs/guides/transcription)推荐以 `gpt-live-transcribe` 开始；已完成文件则以 `gpt-transcribe` 开始，文件也可以流式返回文字。若字幕需要逐词时间戳或说话人标签，须另查支持这些能力的路线，不能只按最低报价选择。

### GPTLive 开着不说话，会继续收费吗？

会话仍活跃时，会。静音和等待后端包含在活跃时长中，关闭麦克风不等于关闭会话；按当前 0.05 美元/分钟的前端费率折算，后端费用另加。应收集关闭时的最终用量，累计快照不能相加。[来源：GPTLive 计量说明](https://developers.openai.com/api/docs/guides/voice-latency-cost#gpt-live-usage-and-costs)。

### Realtime 已经听懂音频，为什么文字转写还会收费？

语音理解和额外输出转写是不同工作。启用输入转写时，使用单独的转写模型并单独计量；应把相应事件的用量加入预算。需要留存文字时先确定产物要求，避免现场付费转写后又无必要地重复跑文件转写。[来源：输入转写费用](https://developers.openai.com/api/docs/guides/voice-latency-cost#input-transcription-costs)。

### 旧转写和 TTS 已被弃用，现在还能算进预算吗？

可以为仍受支持的既有集成估算当前费用，但应同时列出迁移期限和迁移工作。弃用不等于已经关闭；`tts-1` 等指定模型在 2027 年 1 月 6 日移除，4o 转写、mini、diarize 和 Whisper 在 2027 年 2 月 26 日移除。新项目应先查看推荐工作流，具体模型和快照以[官方停用清单](https://developers.openai.com/api/docs/deprecations)为准。

## 参考来源

本文引用的外部页面，按正文出现顺序排列。最后更新于 2026-10-07。

- [OpenAI 转写工作流文档](https://developers.openai.com/api/docs/guides/transcription) (developers.openai.com)
- [OpenAI 官方价格页](https://developers.openai.com/api/docs/pricing) (developers.openai.com)
- [当前官方模型页面](https://developers.openai.com/api/docs/models/gpt-realtime-2) (developers.openai.com)
- [官方停用公告](https://developers.openai.com/api/docs/deprecations) (developers.openai.com)
- [Realtime 成本说明](https://developers.openai.com/api/docs/guides/voice-latency-cost) (developers.openai.com)