直接答案：实时语音 Agent 的每分钟成本，不能直接用"每百万 token 多少钱"来比，因为各家把音频切成 token 的速率不同。OpenAI 用户音频按 100 毫秒 1 token（600 token/分钟）、助手音频按 50 毫秒 1 token（1,200 token/分钟）；Google Live 按 25 token/秒（1,500 token/分钟）。折算后（双方都讲话的满负荷估算）：Google Gemini 3.8 Live 约 0.0225 美元/分钟、OpenAI realtime mini 约 0.030、GPT-Live 固定 0.05、OpenAI realtime 2.1 约 0.096。一通 3 分钟电话大约 0.068–0.288 美元，但通话越长、轮次越多，账单会高于"分钟 × 单价"。
本文面向要做电话客服、语音助手、实时翻译的企业产品、客服和采购团队。资料截止 2026-11-01；价格来自 OpenAI 与 Google Cloud 官方页面，按美元、未含税，不做汇率换算。文中算例是编辑测算，不是报价；电话线路、号码与转写附加费需按实际供应商另计。
先把 token 速率换成每分钟成本，再比单价；按 token 计费的方案在沉默时更便宜，按分钟/按秒计费的方案在长对话里更好预测；上下文重发与转写附加费，是账单超过"分钟 × 单价"的两个主因。
为什么"每百万 token"不能直接比？
因为音频 token 的切分速率不同：OpenAI 输入 10 token/秒、输出 20 token/秒；Google Live 统一 25 token/秒。同样是 1 分钟音频，三家计费的 token 数最多差 2.5 倍。
| 供应商 / 模型 | 音频 token 速率（官方） | 1 分钟折算 token | 官方单价（每 100 万 token） |
|---|---|---|---|
| OpenAI realtime（用户音频） | 100 毫秒 1 token | 600 | 输入 32 美元（2.1）/ 10 美元（mini） |
| OpenAI realtime（助手音频） | 50 毫秒 1 token | 1,200 | 输出 64 美元（2.1）/ 20 美元（mini） |
| Google Gemini 3.8 Live | 25 token/秒 | 1,500 | 输入 3 美元 / 输出 12 美元（非全球区） |
| OpenAI GPT-Live | 不按 token，按秒计费 | — | 0.05 美元/分钟（按秒，不向上取整） |
来源：OpenAI《Realtime API costs》（音频 token 规则）、OpenAI API 定价页、Google Cloud Vertex AI 定价页（Gemini 3.8 Live 音频与 Live API 计费说明）。表中为公开标价，未含税与附加服务。
折算成每分钟是多少钱？
按双方都讲话的满负荷估算：Gemini 3.8 Live 约 0.0225 美元/分钟，OpenAI realtime mini 约 0.030，GPT-Live 0.05，OpenAI realtime 2.1 约 0.096；再加实时转写约 0.017/分钟。
| 方案 | 计算 | 美元/分钟 | 3 分钟通话 |
|---|---|---|---|
| Gemini 3.8 Live | 1,500 × 3 / 1M + 1,500 × 12 / 1M | 0.0225 | 0.0675 |
| OpenAI realtime 2.1 mini | 600 × 10 / 1M + 1,200 × 20 / 1M | 0.030 | 0.090 |
| OpenAI GPT-Live 1 | 固定每分钟 | 0.050 | 0.150 |
| OpenAI realtime 2.1 | 600 × 32 / 1M + 1,200 × 64 / 1M | 0.096 | 0.288 |
| 附加：实时转写 | gpt-live-transcribe 0.017/分钟 | +0.017 | +0.051 |
编辑测算：假设每分钟用户讲话与助手讲话各占满 60 秒；实际通话有沉默、打断与等待，按 token 计费的方案会低于该值。未含电话号码、线路、存储与税费。
1,000 通电话要多少钱？
按每通 3 分钟计，3,000 分钟的成本约：Gemini 67.50 美元、mini 90、GPT-Live 150、realtime 2.1 288；若再开实时转写，另加约 51 美元。
| 方案 | 3,000 分钟 | 含实时转写 |
|---|---|---|
| Gemini 3.8 Live | 67.50 美元 | 118.50 美元 |
| OpenAI realtime 2.1 mini | 90.00 美元 | 141.00 美元 |
| OpenAI GPT-Live 1 | 150.00 美元 | 201.00 美元 |
| OpenAI realtime 2.1 | 288.00 美元 | 339.00 美元 |
编辑测算：3 分钟 × 1,000 通 = 3,000 分钟；实时转写按 0.017 美元/分钟 × 3,000 = 51 美元。未含线路、号码、并发与重试；实际账单以平台用量为准。
为什么账单会超过"分钟 × 单价"？
因为对话历史会被重复计费：OpenAI 每次响应都重发整段对话，Google 按"会话上下文窗口"逐轮计费；轮次越多，输入 token 越大。缓存与截断能压住，但不会归零。
| 因素 | 官方口径 | 对账单的影响 |
|---|---|---|
| 历史重发 | OpenAI：每次 Response 都发送整段会话 | 第 10 轮比第 1 轮贵得多 |
| 上下文窗口计费 | Google：按轮计费，含此前所有 token | 长会话成本近似平方增长 |
| 缓存 | OpenAI：自动提示缓存，命中部分按缓存价 | 可显著降低重复输入 |
| 截断 | OpenAI：可设 token 上限与保留比例 | 降低单轮输入，可能丢记忆 |
| 沉默 | GPT-Live：活跃会话含双方沉默与后端等待 | 按秒计费，静音也计费 |
| 初始化 | GPT-Live：WebRTC 建会话先计 15 秒 | 频繁重连会累积 |
| 转写/翻译 | OpenAI：转写与翻译单独按分钟计价 | 附加 0.017–0.034/分钟 |
官方口径来自 OpenAI Realtime 成本文档与 Google Cloud 定价页 Live API 说明；不同模型与区域的缓存价、截断行为可能不同。
怎么把每分钟成本压下来？
五件事：先试 mini、开缓存、设截断、把已知信息预置进会话、任务完成就关会话；前四项降 token，最后一项降时长。
| 手段 | 怎么做 | 预期影响 |
|---|---|---|
| 先用 mini | 先用大模型调好提示词，再切 mini 验证 | 单价约降到 1/3 |
| 提示缓存 | 指令与工具定义放最前、保持稳定 | 降低重复输入成本 |
| 截断设置 | 限制单轮输入 token 与保留比例 | 控制长会话增长 |
| 预置上下文 | 把订单号、状态等先放进会话 | 减少来回追问 |
| 及时关闭 | 任务结束即关闭，不长时间挂起 | 按秒/分钟计费直接下降 |
| 精简工具调用 | 并行查询、减少串行等待 | 缩短会话时长 |
编辑建议；“单价约降到 1/3”按 mini 与 2.1 的公开音频价比估算，实际比例随输入/输出比例变化。
按分钟还是按 token，怎么选？
通话时长短、沉默多，按 token 更省；通话长、要可预测预算，按分钟/按秒更好；需要转写与翻译时，把附加分钟价一起算。
| 场景 | 优先计费方式 | 理由 | 不能忽略 |
|---|---|---|---|
| 短问答、查询类 | 按 token | 沉默与短回复不计费 | 轮次增长 |
| 长通话、坐席辅助 | 按分钟/按秒 | 预算可预测 | 沉默也计费 |
| 实时翻译 | 按分钟 | 按时长计价 | 双向音频 |
| 带转写的质检 | token + 转写附加 | 转写单独计价 | 存储与留存 |
| 高并发外呼 | 按分钟 + 并发上限 | 容量可算 | 重试与失败 |
编辑建议，不是供应商排名；上线前用真实通话样本跑 50–100 通，再按账单校准。
采购和验收要看什么？
看 token 速率、计费单位、历史重发与缓存规则、截断能力、转写附加价、并发与重连计费；不要只比每百万 token 价。
| 验收项 | 建议口径 | 要留的证据 |
|---|---|---|
| 计费单位 | token / 秒 / 分钟，是否向上取整 | 价目截图、账单样例 |
| token 速率 | 输入与输出分别折算每分钟 | 官方文档 |
| 历史与缓存 | 是否重发历史、缓存命中价 | 用量事件、账单明细 |
| 截断 | 能否限制单轮输入与保留比例 | 配置项、回归结果 |
| 附加服务 | 转写、翻译、存储单价 | 价目、账单 |
| 并发与重连 | 并发上限、初始化计费 | 压测、合同 |
| 单通成本 | 总成本 ÷ 成功完成通话数 | 通话日志、账单 |
| 失败与重试 | 失败通话是否计费 | 账单、重试记录 |
编辑建议，不构成法律意见；录音、转写与个人信息留存需按适用法规单独评估。
谁该读、谁不适合、能支持什么决策？
适合要做电话客服、语音助手、实时翻译的团队；不适合只做文本客服，或还没确定通话时长与轮次分布的项目。
该读：客服、产品、技术与采购；正在比较 OpenAI Realtime、GPT-Live、Gemini Live；需要给 1,000 通电话做预算。不适合：只做在线文本；没有真实通话样本；希望本文替你做供应商选择。能支持：每分钟成本折算、计费方式选择、优化清单与验收口径。
凌壹信息不做语音模型排名，也不承诺通话质量。若要把语音、转写、知识库与工单接到一起，可参考 LingHarness；需要把语音成本纳入项目预算，可联系我们。
相关阅读：AI 客服成本与单次解决、语音转写成本、AI 配音成本；本文只处理实时语音链路的 token 速率、每分钟成本与计费方式。
常见问题
实时语音按什么计费？
三种：按 token（OpenAI Realtime，音频按 100 毫秒/50 毫秒切 token）、按秒/分钟（OpenAI GPT-Live 0.05 美元/分钟、按秒不向上取整）、按分钟（实时翻译与转写，如 gpt-live-transcribe 0.017 美元/分钟）。先统一到每分钟再比。
一分钟大概多少钱？
双方都讲话的满负荷估算：Gemini 3.8 Live 约 0.0225 美元、OpenAI realtime mini 约 0.030、GPT-Live 0.05、OpenAI realtime 2.1 约 0.096。实际通话有沉默，按 token 计费的方案通常低于满负荷值。
为什么不能直接比每百万 token 价？
因为音频 token 速率不同：OpenAI 输入 10 token/秒、输出 20 token/秒，Google Live 25 token/秒。1 分钟音频在 Google 记 1,500 token，在 OpenAI 输入只记 600 token，单价与 token 数要一起算。
为什么通话越长越贵？
每次响应都会把历史对话重新作为输入计费（OpenAI 明确会重发整段会话；Google 按会话上下文窗口逐轮计费），轮次越多，输入 token 越大。缓存与截断能缓解，但不会让增长消失。
GPT-Live 的静音也计费吗？
计费。官方说明活跃会话时间包含用户说话、助手说话、双方沉默以及后端处理；WebRTC 建会话还先计 15 秒（之后抵扣）。所以任务结束要及时关闭会话。
加实时转写要多少钱？
按分钟另计：gpt-live-transcribe 0.017 美元/分钟，gpt-realtime-translate 0.034 美元/分钟。1,000 通 × 3 分钟即 3,000 分钟，转写约加 51 美元。
怎么估自己的账单？
用真实样本跑 50–100 通，记录通话时长、轮次、输入/输出 token 与失败率，再按单价折算；不要只用"分钟 × 单价"，也不要只用厂商 demo 的通话长度。
研究方法与局限
本文只使用 2026-11-01 可访问的官方页面：OpenAI《Realtime API costs》与 API 定价页、Google Cloud Vertex AI 定价页（Gemini 3.8 Live 与 Live API 计费说明）。所有金额按公开标价与官方 token 速率折算，未使用企业协议价或第三方转售报价；美元不换汇，不做供应商排名。各家的 token 速率、区域价、缓存与截断规则可能调整，Google 的 3.8 Live 价格标注为非全球区。每分钟成本按"双方各讲满 60 秒"的满负荷假设计算，实际通话的沉默、打断与轮次会让结果不同；3 分钟与 1,000 通为示例假设，不是行业基准。本文不评价语音质量、延迟或识别准确率，也不构成法律意见。
数据来源与口径
资料截止 2026-11-01；以下为官方页面，具体价格、速率与条款以原文和账单为准。
- OpenAI, Realtime API costs：platform.openai.com/docs/guides/voice-latency-cost。用户音频 100 毫秒 1 token、助手音频 50 毫秒 1 token；每次响应重发整段会话；缓存、截断与 GPT-Live 按秒计费、15 秒初始化说明。
- OpenAI, API pricing：platform.openai.com/docs/pricing。gpt-realtime-2.1 音频 32/64 美元、mini 10/20 美元（每 100 万 token）；gpt-live-1 0.05 美元/分钟；gpt-live-transcribe 0.017、realtime-translate 0.034 美元/分钟。
- Google Cloud, Vertex AI generative AI pricing：cloud.google.com/vertex-ai/generative-ai/pricing。Gemini 3.8 Live 输入音频 3 美元、输出音频 12 美元（每 100 万 token，非全球区）；Live API 音频 25 token/秒；按会话上下文窗口逐轮计费。