首页 → 博客 → 语音转文字计费：你实际在为什么付费

语音转文字计费：你实际在为什么付费

发布于 2026-08-05 · 6 分钟阅读

转录计费看起来很简单——每分钟一个单价——然后第一张账单就和预估对不上。差额几乎从来不是单价问题，而是你没意识到自己发过去的那些分钟：静音、重复、重试，以及根本没人读的文件。

计价单位是音频分钟，不是字数

从这里开始，因为它解释了大部分意外。你付的是上传音频的时长，不是返回文本的多少。

值得记住的几个推论：

一分钟静音和一分钟密集语音价格相同。
没有人说话的录音仍然按全长计费，尽管响应是空的。
五分钟文件里只有十秒语音，也按五分钟收费。
说得更快不会更便宜。把文件剪短才会。

下面几乎每一条优化都是同一个思路的变体：少发音频，而不是少说话。

意外的分钟数从哪里来

来源	典型浪费	解决办法
通话录音首尾的静音	10–30%	发送前用 ffmpeg 剪掉
等待音乐和语音菜单	5–20%	切掉接通之前的片段
崩溃之后同一个文件发了两次	最高 100%	幂等流水线，跳过已完成文件
留在生产代码里的测试调用	不定	单独的密钥，盯住客户后台
没有人打开过的转录	常常是大头	按需转录，而不是全部转录

最后一行通常是最大的一项，也是最不技术的一项。团队常常因为「转起来很容易」就把整个存档转完，然后只用了其中百分之二。

估算自己的支出

不要从价目表外推——去测量自己的音频。整个计算只有两个数字：

ffprobe -v error -show_entries format=duration -of csv=p=0 sample.mp3

import pathlib, subprocess

def minutes(p):
    out = subprocess.run(["ffprobe", "-v", "error", "-show_entries",
                          "format=duration", "-of", "csv=p=0", str(p)],
                         capture_output=True, text=True).stdout
    return float(out) / 60

month = sum(minutes(p) for p in pathlib.Path("recordings").glob("*.mp3"))
print(f"{month:.0f} min per month")

乘以单价就是月度金额。几个实践中站得住的参照：每天 200 通、每通四分钟的客服线路，大约每月 16 000 分钟；每周一期的播客大约 4 小时；十个人每天开半小时会，大约 600 分钟。

套餐加超量，以及它为什么存在

多数套餐由「含一定分钟数的月费」加「超出部分的每分钟单价」组成。这个算术值得算一次：

bill = monthly_fee + max(0, used_minutes - included_minutes) * rate

要避开两种失败模式。买了远高于自己用量的套餐，等于为用不完的分钟付钱——包内分钟不会结转。而在高用量下继续按纯分钟付费，则错过了套餐代表的折扣。在决定之前，先看三个月的真实用量。

套餐上的硬性限额是一个安全特性，不是限制：它能阻止一个失控的循环生成一张没人批准过的账单。开发阶段请把它打开。

调用 API 还是自建 GPU

诚实的比较不是「每分钟单价对零」。自建只是把成本从一个账目条目挪成一组容易被忘记的东西：

成本项	API	自建 GPU
每分钟音频	单价	0
硬件	0	显卡加整机，按年摊销
电费和机房	0	持续支出，空转也一样
搭建与维护	0	工程师时间，长期投入
空闲时间	免费	照常付费

盈亏平衡点取决于利用率，而不是总量。一天只跑几小时的显卡输给 API，因为那二十个空闲小时你也在付钱。全天候满载的显卡则赢。介于两者之间时，决定因素通常是：你愿不愿意为一台机器在凌晨三点负责。

还有第三个理由，和钱无关：有些数据不允许离开自己的边界。那是硬性要求，不是优化，它自己就能决定答案。

在不损失质量的前提下压低账单

剪掉静音。通话录音上最便宜的一项改动——常常直接省下 10–30%，且完全不影响质量。
不要转录没人读的东西。按需转录，或只转录超过某个时长的通话，然后观察大家实际打开的是什么。
让流水线幂等。崩溃后重做已完成的工作是纯粹的浪费；跳过已完成文件就消除了它。
开发用单独的密钥。测试流量混进生产数字里，会同时掩盖两边的问题。
每周看用量，而不是每月。一个循环重复发送同一个文件，第一天就很显眼，到第三十天就很贵了。

# 剪掉录音首尾的静音
ffmpeg -i call.mp3 -af silenceremove=start_periods=1:start_threshold=-45dB:stop_periods=-1:stop_threshold=-45dB:stop_duration=2 short.mp3

用你自己的录音试一试。 注册只需一分钟，免费额度足够判断识别质量。

免费获取 API 密钥

常见问题

是按音频分钟计费还是按文字字数？

按你上传的音频分钟计费。返回文本的长度不影响价格，这正是静音和等待音乐与语音同价的原因。

没有声音的录音也要付费吗？

要，音频仍然被处理了，尽管响应是空的。发送前剪掉静音是最直接的解决办法。

失败的请求会被计费吗？

返回错误的请求不计音频分钟。真正花钱的是重复一次已经成功的转录，所以可续跑的流水线很重要。

在自己的 GPU 上跑 Whisper 更便宜吗？

只有在高利用率下才更便宜。一天大部分时间空转的显卡，把硬件、电费和维护算进去之后就输给按分钟计费。全天候满载才是自建取胜的场景。

怎样避免收到意外账单？

第一批任务之前用 ffprobe 估算用量，开发期间保持套餐硬限额开启，并且每周而不是月底去客户后台看用量数字。