语音对话计费逻辑差异解析，GPT-Live按秒计费，RealtimeAPI按响应token计费
同一场10分钟语音对话，用户感知时长与实际计费依据可能完全不同。OpenAI GPT-Live 按活跃会话秒数计费，涵盖说话、沉默与后台处理；而 Realtime API 则按每次模型响应的输入输出 ...
当用户在手机上结束一场10分钟的语音对话，界面显示“通话时长：10:00”，但账单却并非简单按10分钟乘以单价计算——这背后是两种截然不同的计费逻辑在起作用。OpenAI 在2026年10月更新的费用指南中明确区分了 GPT-Live 与 Realtime API 的计量方式，二者虽同属语音交互场景，但计费单元、覆盖范围与成本结构差异显著。
以一次典型对话为例：用户实际说话3分钟，助手播放回答2分钟，其余5分钟为停顿、等待或后台推理时间。若仅按用户录音时长（3分钟）或转写音频时长（3分钟）计费，将严重低估真实资源消耗。问题核心在于：“分钟”这个单位本身不具统一性——它可能是界面墙钟时间、音频播放时长、录音时长，或是API报告的活跃会话秒数，三者互不等价。
GPT-Live 采用“活跃会话秒数”（active session seconds）作为唯一计费依据。根据官方文档，其计费规则为：“GPT-Live voice sessions are billed per second”，且明确包含四类时间：用户说话、助手说话、双方静默等待、以及后台模型与工具调用阶段。即使麦克风处于静音状态，只要会话未超时关闭，计时仍在继续。这意味着，上述10分钟对话中全部时长均计入账单，无论是否有音频流传输。该设计源于其流式架构：客户端持续维持连接，实时推送音频流与控制信号，后台服务需长期驻留以响应突发请求。
相比之下，Realtime API 的计费锚点是“Response”的生成事件。官方说明指出：“Realtime API costs are accrued when a Response is created”。每一次模型响应（Response）触发一次计费周期，其用量由该次响应的输入token（含历史上下文）、输出token及模态类型共同决定。值得注意的是，输入中包含的“缓存token”（cached tokens）虽源自历史对话，仍被计入输入总量，但适用更低的缓存单价（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或$32.00）。
这种差异导致成本核算必须分层处理。例如，一条gpt-realtime-2.1响应的用量结构可能如下：音频输入4000 token（其中缓存1000）、文本输入6000 token（其中缓存4000）、音频输出1500 token、文本输出300 token。总输入10000 token中，5000为缓存部分。按2026年10月定价（音频新输入$32.00/百万、缓存$0.40/百万；文本新输入$4.00/百万、缓存$0.40/百万），该响应费用为：
- 音频新输入：(4000−1000) × 32 / 1,000,000 = $0.0960
- 音频缓存：1000 × 0.40 / 1,000,000 = $0.0004
- 文本新输入：(6000−4000) × 4 / 1,000,000 = $0.0080
- 文本缓存：4000 × 0.40 / 1,000,000 = $0.0016
- 音频输出：1500 × 64 / 1,000,000 = $0.0960
- 文本输出：300 × 24 / 1,000,000 = $0.0072
合计约 $0.2092。关键在于：缓存部分不可忽略，但也不重复计价；输出token独立计费，且图像模态（若启用）有专属费率。
进一步需注意边界情形。VAD（语音活动检测）通常会过滤静默段落，避免空音频计入输入；但若开发者手动将静音片段作为“空音频输入”提交，则仍会被计入——这是少数允许“非语音内容”触发计费的例外。此外，纯转写服务（如仅录音→文字）按音频时长计费，逻辑清晰；一旦叠加生成式响应、工具调用或持续会话管理，就必须切换至对应API的计量模型，否则预算将严重失准。
行业层面，此类差异反映了语音AI从“功能模块”向“系统级服务”的演进。早期语音识别按分钟或小时订阅，成本透明但弹性差；如今主流平台转向细粒度资源消耗计量，虽增加开发复杂度，却更契合实际算力占用。对开发者而言，理解接口背后的计量契约至关重要：同一段对话，若误用GPT-Live的秒级计费逻辑去估算Realtime API成本，可能导致预算偏差达数倍。
值得强调的是，OpenAI并未在文档中直接比较两类接口的性价比。其意图是厘清计量边界，而非引导选择。实际选型应基于产品形态：需要低延迟、高互动性的实时对话（如虚拟助手、游戏NPC），适合Realtime API；若侧重自然语音流与后台协同（如会议纪要生成、多轮语音问答），GPT-Live的会话级计费更易建模。
随着语音交互普及，计费透明化成为开发者体验的关键一环。未来平台或将进一步开放用量明细API，允许实时查看每轮响应的token拆解与缓存命中率。在此之前，准确理解“分钟”背后的多重定义，仍是规避成本误判的第一道防线。
