OpenAI语音接口计费逻辑差异解析 GPTLive按秒计费 Realtime按token计费

OpenAI于2026年10月更新费用指南，厘清两款语音接口的计费逻辑差异。GPT-Live采用“活跃会话秒数”（active session seconds）为唯一计费单元，覆盖用户说话、助手播放、静默等待及后台模型调用等全部时段，即使无音频流传输，只要会话未超时关闭即持续计费。例如一场10分钟对话（含3分钟用户说话、2分钟助手播放、5分钟停顿），全额计入账单。

Realtime API则以“Response生成事件”为计费锚点，每次响应按输入token（含历史上下文）、输出token及模态类型累计用量。其中缓存token虽计入总量，但适用更低单价——如gpt-realtime-2.1中缓存输入为$0.40/百万token，远低于新输入的$4.00（文本）或$32.00（音频）。以典型响应为例：音频输入4000 token（缓存1000）、文本输入6000 token（缓存4000）、音频输出1500 token、文本输出300 token，总费用约$0.2092，体现缓存部分不可忽略但不重复计价。

边界情形需注意：VAD通常过滤静默段落，但若开发者主动提交空音频仍会被计费；纯转写服务按音频时长计费，而叠加生成响应后必须切换至对应API计量模型。行业层面，该差异反映语音AI从功能模块向系统级服务演进，细粒度计费更契合实际算力占用，但也提升开发复杂度。选型建议：低延迟高互动场景（如虚拟助手）适用Realtime API；自然语音流与后台协同场景（如会议纪要）更适合GPT-Live。平台暂未直接比较性价比，强调理解计量契约是规避成本误判的关键前提。