AI语音客服0.05美元一分钟，为什么这还不是最终价格？

这一篇是***「算力账本」系列***文章。

2026年9月10日，OpenAI把GPT-Live-1放进了API，定价是每分钟0.05美元。按这个数字算，一通5分钟的客服电话，语音层只收0.25美元。

很多人看到这里，已经开始拿它和人工客服的工资比了。

对于付费用户来说，这0.25美元买到的不是一名完整的AI客服。它买到的是一个实时听、实时说、能处理插话和停顿的语音前台。查订单、判规则、联网搜索、翻知识库、处理复杂投诉，这些活它可以委托给后端模型和工具去做——而后端模型和工具，是另外几张账单。

同一通5分钟电话，后端接最便宜的Luna模型，和接最贵的Astra模型，总价相差接近一倍。0.05美元到底是大头还是零头，价目表本身给不出答案。

这篇就从这通电话开始，一层一层算。

一、0.05美元买到的是语音前台

先说清楚GPT-Live-1和过去的语音客服有什么不一样。

传统的语音Agent，是三段服务串起来的：

1

语音识别 → 文本模型 → 语音合成

用户说一句，先转成文字，喂给模型，模型吐出文字，再合成语音播出去。每一次交接都会增加延迟，也可能带来状态丢失和链路失败。用户中途插一句话，三段链要决定是打断、忽略还是重来，这部分逻辑全靠开发者自己写。

GPT-Live-1把“听”和“说”放进了同一个模型里，术语叫全双工：它一边说话一边还在听，用户插话、停顿、附和一声“嗯”，它都能当场处理，不用等一轮结束。OpenAI发布稿里引了一个客户案例：换成GPT-Live-1之后，代码库缩减了80%，删掉了2.3万行代码——删掉的就是那些“用户打断了怎么办”的胶水逻辑。

但全双工模型不负责把所有事都想明白。官方的设计是，它可以把更深的推理和工具调用委托给后端的文本模型，比如GPT-6 Astra，或者第三方模型。发布稿给出的建议是高频简单任务（订单更新、预约）配Luna，复杂问题配Astra。

于是新的调用链变成了这样：

1
2
3
4
5
6
7

电话线路（按分钟）
   ↓
GPT-Live-1语音前台（按时长）
   ↓
后端模型（按token）
   ↓
搜索、知识库、订单系统（按调用次数或各自规则）

对应这条链，OpenAI定价页上关于GPT-Live-1只有一行：每分钟0.05美元，按秒结算、不向上取整；后端模型和工具用量另计。换算一下，5分钟是0.25美元，1000小时通话是3000美元——而这3000美元花出去的时候，后端模型还没读过一个token。

需要注意到的一点是，GPT-Live-1原生提供语音识别转写和回复文本，这一点后面算账时会用到。

所以这次变化，不只是语音模型换了一代。OpenAI同时重新划分了账单的边界：实时交互按在线时长收费，复杂工作回到后端模型和工具的账单里。你付的是“在线时间”，不是“回答问题”。

二、一通5分钟电话，会出现哪些费用

从电话接通到问题处理完，除了那0.25美元，还有哪些钱？先给公式：

1
2
3
4
5
6
7

总成本
= 语音会话费
+ 后端模型输入费
+ 后端模型输出费
+ 工具调用费
+ 工具返回内容的token费
+ 电话线路费

为了让后面几张表能互相比较，全文用同一通电话做示意，假设固定如下：

• 通话5分钟，10轮对话；
• 后端模型累计输入1.5万token（已经包含系统提示词、对话历史和工具返回的内容），累计输出2000token；
• 调用1次网页搜索、2次文件搜索；
• 电话线路按Twilio美国本地号码入站计；
• 后端分别接Luna、Terra、Astra，都按标准短上下文价格算；
• 不计税费、汇率、企业折扣、第三方业务接口费和人工接管。

这是我设定的示意场景，不是OpenAI的官方案例，也不是谁的实测账单。

第一层：语音会话费

1

5分钟 × 0.05美元/分钟 = 0.25美元

这是整张账单里最确定的一笔。计费公式不直接看用户问了什么，也不看后端消耗了多少token；如果等待后端处理使会话保持得更久，语音层的计费时长仍会增加。

第二层：后端模型费

三档后端模型的标准价（每百万token）：

这里有个容易算错的地方：10轮对话不是只付一次1.5万token。每一轮委托，后端都要重新读一遍系统提示词和之前的对话，所以本文假设的1.5万，指的是10轮累积下来的计费输入总量。

第三层：工具费

网页搜索每千次10美元，文件搜索每千次2.50美元。本例1次网页搜索加2次文件搜索，固定调用费合计0.015美元。

但工具费可不止这一笔。定价页脚注写得清楚：网页搜索返回的内容会进入模型上下文，按所选模型的输入价另外收费。在本文这组调用假设下，这笔钱在Luna方案里占比较小，配Astra时却可能超过0.01美元的固定调用费。本文已经把这部分算进1.5万输入token里，不再重复相加。

另外两点提醒：文件搜索还有存储费（每GB每天0.10美元，1GB免费）；至于查订单、查物流、改地址这些第三方业务接口收不收费，要看各家产品，不能统一算成OpenAI的工具费。

第四层：电话线路

以Twilio美国本地号码入站为例：

1

5分钟 × 0.0085美元/分钟 = 0.0425美元

号码另有月租1.15美元。不同国家、号码类型、呼入呼出方向和企业协议价差异很大，这个数字只是一个可以复核的线路示例，不代表国内的电话成本。

第五层：录音、转写和监控（可选项）

这几项不进基础账单，单独列出来：

• 录音：0.0025美元/分钟；
• 录音存储：0.0005美元/分钟/月；
• Twilio通话转写：0.05美元/分钟；
• Voice Insights高级监控：0.0024美元/分钟。

两个顺手的对照值得记一下。第一，5分钟Twilio转写要0.25美元，和GPT-Live-1语音层同价——一个只把话转成字，一个能听能说能被打断。第二，Twilio自家的语音AI编排层Conversation Relay定价是0.07美元/分钟，比GPT-Live-1的语音层还贵四成。不过两者覆盖的产品边界不同，不能据此说谁更便宜——它只能说明一件事：语音AI市场上的“每分钟价格”，经常包含着不同的技术层。

还有一点：GPT-Live-1已经原生提供转写，所以Twilio转写不应该出现在所有方案的基础成本里。只有企业为了录音归档、合规审查或者另一套分析流程要再转一遍时，才会产生这笔重复费用。

三、同一通电话，接三个后端会算出三张账单

把前四层加起来，同一通5分钟电话，后端接三个不同模型：

通过上表可以看出下面三点：

Luna方案里，语音层是绝对的大头。简单的订单查询，后端只要少量推理，模型输入和输出合计0.0054美元，约0.54美分，语音层占了八成。这种场景下如果有人跟你说“0.05美元只是入场费”，那是在夸大后端的成本。

Astra方案里，后端才追平语音层。输入0.15加输出0.10，后端刚好也是0.25美元，和语音层打平；再加上工具和线路，语音层占比降到45%。而且别忘了，OpenAI公布的Tau3语音Agent跑分第一名，是GPT-Live-1配Astra中等推理强度跑出来的——你为那个跑分买单的时候，买的就是右边这一列。

模型选择不能只看单价。便宜模型如果频繁理解错、反复调工具、最后还是转了人工，总成本未必更低。这里先只算API账单，任务成功率的问题放到第七节。

所以同一份语音价目表背后，可以跑着三个成本完全不同的客服。语音层是不是大头，取决于后端把每个问题交给了谁。

四、加上缓存，账单会变成什么样

第三节的表还漏了一个变量：缓存。

语音客服的每一轮委托，后端都要重读系统提示词、客服规则、产品说明和工具定义，这些内容在10轮对话里可能一个字都不变。第63篇讲提示词缓存计费的文章里提过一个重要原则：稳的放前面、变的放后面。语音客服很适合这样组织上下文，但真正拿到缓存折扣，还要满足可复用前缀、缓存断点、缓存键和有效期等条件。

三档模型的缓存输入价都是标准价的十分之一：Luna 0.02、Terra 0.20、Astra 1.00美元每百万token。假设1.5万输入里有80%命中缓存，也就是1.2万缓存输入、3000未缓存输入，输出仍是2000token。以Astra为例：

1
2
3
4
5
6

缓存输入：12,000 ÷ 1,000,000 × $1 = $0.012
未缓存输入：3,000 ÷ 1,000,000 × $10 = $0.030
输出：2,000 ÷ 1,000,000 × $50 = $0.100

后端合计：$0.142
整通电话：$0.25 + $0.142 + $0.015 + $0.0425 = $0.4495

三档一起重算：

Astra方案的后端费从0.25美元压到0.142美元，整通电话从0.5575降到0.4495，语音层占比从45%回到56%。也就是说，即使配最贵的Astra，只要缓存做对了，语音层仍然是账单里最大的单项。

要吃到这个折扣，上下文的组织顺序大致是：

1
2
3
4
5

稳定的客服规则
→ 稳定的知识与工具定义
→ 当前用户信息
→ 本轮对话
→ 实时工具结果

前两块每通电话都一样，放最前面；用户是谁、这轮说了什么、刚查回来的订单状态，放后面。动态内容出现得越早，可复用的公共前缀通常越短，缓存收益也越低。

几条口径上的限制要说明。56%是这个示意场景的结果，不是GPT-Live-1的固定比例。表格描述的是重复调用进入稳定状态后的单通成本，没有算首次写入缓存的钱。Astra的缓存写入价是每百万token 12.50美元，1.2万token首次写入要0.15美元，比按标准价直接读一遍的0.12美元还贵。这段稳定前缀如果只用一次，缓存反而不划算。假设100通电话在缓存有效期内共享相同的可缓存前缀和缓存配置，首次写入费摊到每通才会降到0.0015美元。

缓存不会减少0.05美元的语音时长费，也不会降低输出token的价格。为了命中缓存硬往前缀里塞无关内容，只会增加费用，还可能影响回答质量。

语音层的价格由OpenAI定，后端选型和上下文怎么组织由开发者定，而后两项足以改变语音层在整张账单里的占比。后端账单可以通过模型路由和缓存压缩；语音层按连接时长计费，要降低这部分费用，就得缩短会话保持的时间。

五、GPT-Live-1和上一代不能只比单价

GPT-Live-1最容易被拿来比较的，是现有的GPT-Realtime-2.1。很自然的问题是：新的比旧的便宜吗？

先把官方价格列出来：

Realtime-2.1是“处理了多少、生成了多少，就付多少”，音频token和文本token都按同一个实时模型的价格表结算；GPT-Live-1是语音会话按在线时长计费，再叠加后端模型和工具费用。两行价格不在一个坐标系里，差异至少有四层：

• 计费单位不同：音频token和会话秒数之间没有官方公布的稳定换算；
• 费用边界不同：Realtime-2.1的音频和文本处理采用同一套模型计价表，GPT-Live-1则把实时语音层与后端Responses模型明确拆开；外部工具是否收费，仍取决于具体工具；
• 能力不同：GPT-Live-1支持全双工，但目前不支持图像和视频输入，而Realtime-2.1支持图像；
• 会话结构不同：只要GPT-Live会话仍保持连接，用户停顿、等待工具和后台任务运行的时间都会延长按时长计费的部分；按token计费的方案主要看实际输入输出量。

看价格变化的方法，和拆DeepSeek峰谷定价那篇用的一样：先别急着比数字，先问三件事——模型变没变、计费单位变没变、费用有没有被搬到另一层。这次三个答案都是“变了”。

所以有几个结论是不能写的：不能凭0.05美元判断GPT-Live-1更便宜；不能把Realtime-2.1的音频token价换算成一个确定的每分钟价，除非官方给出可验证的换算口径；不能把Full Duplex Bench提升30个百分点说成成本下降30%。

这不是同一个公式里的普通降价，而是费用重新分层。开发者拿到了更多后端选择，也要自己承担选型和成本控制。

最后留一个问题：按秒计费意味着用户沉默、犹豫、后台跑工具的时候，秒表都在走。这段时间由谁买单？这是下一篇要拆的事。

六、国内同行怎么计费：按token，但给了换算尺子

看完OpenAI，再看国内。全双工语音模型国内也有，路线相同，计费方式却走了另一条路。

字节的豆包实时语音模型3.0（Seeduplex）今年6月18日在火山引擎开放邀测，官方描述是“边听边说边办事”，能在对话中直接调用工具——技术路线和GPT-Live-1一样是全双工。阿里的Qwen3.5-Omni-Realtime系列已经在百炼上线，支持函数调用和联网搜索。

计费上，国内两家都没有走“按分钟”，而是按token：音频输入一个价，音频输出一个价，文本输入另算。以百炼定价页（2026年9月核对）为例：

单看这张表，和OpenAI上一代Realtime-2.1一样，没法直接和“每分钟0.05美元”比。但百炼定价页多给了一条规则，是OpenAI从来没给过的：每一秒钟的音频对应25个token。

有了这把尺子，就能把token价折成每分钟价：1分钟音频等于1500个token。还是那通5分钟电话，假设用户说了2.5分钟、AI说了2.5分钟，各3750个音频token：

1
2
3
4
5
6
7
8
9

plus-realtime：
音频输入：3,750 ÷ 1,000,000 × 80元 = 0.30元
音频输出：3,750 ÷ 1,000,000 × 300元 = 1.125元
合计约1.43元

flash-realtime：
音频输入：3,750 ÷ 1,000,000 × 27元 = 0.10元
音频输出：3,750 ÷ 1,000,000 × 107元 = 0.40元
合计约0.50元

GPT-Live-1的语音层5分钟是0.25美元，按发稿日汇率折合约1.8元。三个数放在一起：Qwen plus约1.43元，GPT-Live-1语音层约1.8元，Qwen flash约0.50元。看上去国内更便宜——但这里有一个比价格更重要的差别：Qwen Omni-Realtime是端到端模型，听、想、说在同一个模型里完成，这1.43元已经包含推理；GPT-Live-1的1.8元只买了听和说，想是另外付的。要公平比较，GPT-Live-1那边得加上后端：配Luna是第三节表里的0.3129美元（约2.3元），配Astra是0.5575美元（约4.0元）。

所以两条路线的真实差别不在单价，而在账单结构：

• 国内的端到端路线：一张账单，按说了多少算。用户沉默时如果客户端不推流，理论上不产生音频token；但每一轮的对话历史是否重复计费、缓存怎么算，各家规则不同，要看具体文档；
• OpenAI的分层路线：两张账单，语音层按在线时长算，思考按token算。沉默也计费，但后端可以换、可以缓存、可以按问题难度路由。

这也解释了为什么两边的“计费单位”不一样。端到端模型的成本随语音量走，按token合理；全双工前台+后端委托的架构，前台是一个始终在线的连接，成本随时间走，按分钟更贴近厂商自己的成本曲线。

顺带一提，国内呼叫中心行业本身就有四种计费口径并存：按坐席、按并发、按分钟、按线路。AI语音进来之后，等于在这四种之外又加了一种“按token”。企业采购时拿到的报价单，很可能是几种口径混在一起的——这一点比OpenAI和国内谁便宜更值得注意。

几条边界要说明。百炼的价格是华北2（北京）地域原价，不含活动折扣和上下文缓存；豆包实时语音模型的价格在火山方舟定价页上，本文没有核到稳定口径，所以只写产品路线不写数字；“用户说2.5分钟、AI说2.5分钟”是示意假设，真实通话里两边的时长比例、以及对话历史是否按轮重复计费，都会改变结果。

七、企业真正该算的是每次成功解决成本

前面六节算的都是API账单。但对企业来说，API最便宜的方案，不一定是最终成本最低的方案。

真正该比较的不是“AI每分钟成本对人工每分钟工资”，而是：

1
2
3
4
5
6

每次成功解决成本
=（AI通话总成本
  + 人工接管成本
  + 重复来电成本
  + 错误处理成本）
  ÷ 无需再次处理的成功解决次数

同一通电话有三种结局。一次解决：5分钟内完成查询或操作，没有人工介入，成本就是第三节那张表。转人工解决：AI聊了4分钟没解决，人工再接手6分钟——AI的语音层、线路、后端全部照付，再加人工那6分钟。没解决：第一通结束后用户再次来电，语音层、线路和后端从头再付一遍。

第二和第三种结局下，AI仍可能完成身份核验、信息采集或问题分类，但企业账本里会同时出现AI前置费用和后续人工费用。单看AI调用单价，很容易把这部分重复成本漏掉。

这里有两个经常被混用的指标。一个是自助处理率：多少咨询由AI全程处理，没有转入人工队列。另一个是解决率：多少问题真的处理完了。OpenAI介绍客服平台Ada的案例页里有一组很典型的数据：旧系统自助处理率约70%，解决率只有30%。七成对话没有转人工，但其中不少问题也没有解决；换成新一代系统后，自助处理率相近，解决率提高到60%左右，表现较好的客户超过80%。这是一个文字客服案例，数字不能直接搬到语音上，但它说明了一个关键区别：自助处理率能解释节省了多少人工量，解决率才决定这笔费用有没有换来结果。

之前写Klarna的那篇提到过这家公司采用AI客服的情况。Klarna公布的早期数据是，AI助手处理了约三分之二的客服聊天，重复咨询下降25%。前一个数字不能直接反推出其余对话全部转给人工，后一个数字则与上面公式里的重复来电成本直接相关。这仍是文字客服数据和厂商口径，只能用来解释指标，不能当成语音客服的效果预测。

这里我不虚构人工客服的工资和行业平均解决率，公式给出来，每家企业填自己的数。

全双工的价值也在这个公式里体现。OpenAI发布稿引了Speak的早期评估：GPT-Live-1让学习者思考时被打断的次数减少了近80%。如果一次解决率因此提高，即使每分钟略贵，每次成功解决的成本也可能更低。但要说明，这些是厂商发布稿里的客户案例和内部评测——Speak的80%、2.3万行代码、Tau3第一名，说明的是全双工可能改善交互和维护成本，推导不出所有客服系统都会提升80%的解决率。

企业真正要盯的数据不多：平均会话时长，每通电话的累计输入、缓存输入和输出token，三档模型的路由比例，再加上人工接管率和重复来电率。这几个数凑齐，每次成功解决成本就算得出来。

写在最后

回到标题的问题：0.05美元一分钟，为什么不是最终价格？

因为0.05美元只覆盖实时语音会话。后端模型负责复杂推理，工具负责搜索、知识查询和业务操作，这些费用分别进入另外几张账单。

至于0.05美元在总账里占几成——对简单客服，语音层可能占整通电话的80%；换成Astra处理复杂任务，它降到45%左右；把输入缓存做好，又回到56%。这些比例都来自同一张官方价目表，差别全在开发者怎么组织后端。

国内的端到端模型走的是另一条路：一张账单按token算，推理已经包含在内。两边不能只比单价，得先看账单结构——一层还是两层，按时间还是按内容。

企业最终需要比较的单位，是每次成功解决成本。

一句话收束：语音层是不是大头，取决于后端选谁和缓存做没做对。这两件事都在开发者手里，不在0.05美元的价签上。

下一篇继续拆这个价签上没写的东西：会话按秒计费，用户沉默的那几秒，到底由谁买单？

如果这篇对你有用，点个在看，或者给公众号加个星标，下一篇不会错过。你的语音Agent账单长什么样，欢迎在评论区聊聊。

资料边界说明

本文所有价格核对于2026年9月15日。API和电话线路价格会调整，发布前请再核一遍。

一手官方资料

• OpenAI发布稿《Build more natural voice experiences with GPT-Live-1 in the API》（2026年9月10日）：https://openai.com/index/introducing-gpt-live-1-in-the-api/
• OpenAI API定价页（GPT-Live sessions、Flagship models、Tools、Realtime and audio generation models四节）：https://developers.openai.com/api/docs/pricing
• GPT-Live-1模型页：https://developers.openai.com/api/docs/models/gpt-live-1
• OpenAI Responses API参考（缓存键、缓存有效期等参数）：https://developers.openai.com/api/reference/cli/resources/responses/methods/create
• GPT-Realtime-2.1模型页：https://developers.openai.com/api/docs/models/gpt-realtime-2.1
• Twilio美国Voice定价页（入站、录音、转写、Voice Insights、Conversation Relay）：https://www.twilio.com/en-us/voice/pricing/us
• OpenAI客户案例页Ada（旧系统自助处理率约70%/解决率30%，新系统解决率60%至80%以上）：https://openai.com/index/ada/
• OpenAI客户案例页Klarna（首月230万次对话、重复咨询下降25%、11分钟→2分钟）：https://openai.com/index/klarna/ ——两页均为厂商发布的客户案例，且以文字客服为主，本文只用于说明指标口径，不作为语音客服的效果预测
• 阿里云百炼《模型调用计费》（千问Omni-Realtime价格、“每秒音频对应25个Token”换算规则，页面更新于2026年9月14日）：https://help.aliyun.com/zh/model-studio/model-pricing
• 阿里云百炼《Qwen-Omni实时模型》文档（函数调用、联网搜索能力）：https://help.aliyun.com/zh/model-studio/realtime

第三方媒体

• 北京商报（新浪财经转载，2026年6月18日）：火山引擎上线豆包实时语音模型3.0（Seeduplex）API邀测——本文只引用产品路线，价格未采用
• 合力亿捷、蓝蓝通信等呼叫中心厂商博客（2026年）：国内呼叫中心“按坐席/按并发/按分钟/按线路”四种计费口径——行业口径，不作为具体报价依据

新闻由头

• DataNorth《OpenAI launches GPT-Live-1 in the API》（2026年9月11日）：https://datanorth.ai/news/openai-launches-gpt-live-1-in-the-api ——用于追踪新闻发布时间；价格、产品能力和本文计算均回到OpenAI官方资料核验。

厂商客户口径（单独标注，不作为普遍结论）

• Speak打断减少近80%、某客户删除2.3万行代码、GPT-Live-1+Astra medium在Tau3排名第一，均出自OpenAI发布稿。

本文示意账单的边界

• 5分钟、10轮、1.5万输入、2000输出、1次网页搜索、2次文件搜索、Twilio美国本地入站，是作者设定的示意场景，不是官方案例，也不是实测账单。
• 缓存表描述稳定运行后的单通成本，主表未计首次缓存写入费，正文另行说明了写入费及其摊销前提。
• 1.5万输入token已包含网页搜索返回内容，工具费中不再重复计算。
• 第六节的人民币换算按发稿日汇率取整，发布前替换为当日汇率；“用户说2.5分钟、AI说2.5分钟”为示意假设；百炼价格为华北2（北京）地域原价，不含活动折扣和上下文缓存。
• 豆包实时语音模型价格未在本文出现：火山方舟定价页为动态渲染页面，本文未核到可引用的稳定口径，发布前如能核实可补入第六节。