OpenAI 的 Realtime API 才是開發者在應用程式中需要即時語音時真正會呼叫的那個——不是 GPT-Live，後者是 ChatGPT 的功能，尚未提供開發者 API。標題價格每百萬音訊輸入 token 32 美元，看起來很可怕，但大多數人的心算其實是錯的：有了語音活動偵測和提示快取，實際的語音對語音流量每分鐘大約只要 0.04 美元，而新的 mini 級別還能再降低一次。本指南會拆解 2026 年 7 月四款 Realtime 模型的定價，說明音訊 token 實際如何換算成分鐘，並提供具體的成本範例，讓你可以不必憑猜測來編列預算。
Realtime API 是什麼（以及為什麼它不是 GPT-Live）
GPT-Live, 於 2026 年 7 月 8 日推出，是 OpenAI 的全雙工語音模型——它可以同時聆聽與說話——並驅動全新的 ChatGPT Voice 體驗。目前尚未作為開發者 API 提供；OpenAI 表示它「即將推出」，並正在接受註冊。如果你今天想打造語音產品，你需要接入的是 Realtime API：一組不同的模型（gpt-realtime-2.1、更便宜的 gpt-realtime-2.1-mini，以及專用的 translate 和 whisper 模型）。GPT-Live 普遍被認為是 OpenAI 在 2025 年以 GPT-Bidi-1 名稱測試的模型之正式發佈版——關於完整架構故事， 請參閱我們先前的解析。若要查看價格，請留在這個頁面：從現在開始，「Realtime」指的是 API 模型。
目前的 Realtime API 定價（2026 年 7 月）
這些是 OpenAI 定價頁面上的即時費率，已於 2026 年 7 月 9 日驗證。音訊與文字按每百萬 tokens 計費；這兩個專門模型按每分鐘計費。
模型 | 模態 | 輸入 | 快取輸入 | 輸出 |
|---|---|---|---|---|
gpt-realtime-2.1 | 音訊 | $32.00 | $0.40 | $64.00 |
gpt-realtime-2.1 | 文字 | $4.00 | $0.40 | $24.00 |
gpt-realtime-2.1 | 圖片 | $5.00 | $0.50 | — |
gpt-realtime-2.1-mini | 音訊 | $10.00 | $0.30 | $20.00 |
gpt-realtime-2.1-mini | 文字 | $0.60 | $0.06 | $2.40 |
gpt-realtime-2.1-mini | 圖片 | $0.80 | $0.08 | — |
gpt-realtime-translate | 音訊（每分鐘） | — | — | $0.034/min |
gpt-realtime-whisper | 音訊（每分鐘） | — | — | $0.017/min |
在 $32 的數字讓你驚慌之前，有三件事值得注意。第一，mini 方案（gpt-realtime-2.1-mini）大約只有旗艦版的三分之一——音訊為 $10/$20，相較於 $32/$64——而且對許多語音應用來說，它足以很好地處理對話。第二，快取音訊輸入降到每百萬 $0.30–$0.40，這很重要，因為大多數工作階段在每一輪都會重送相同的系統提示與工具定義。第三，按 token 計算的音訊費率（$32/$64）其實自 2025 年的 gpt-realtime-2 版本以來一直相當穩定；它是從 2024 年的 $40/$80 和 $100/$200 降下來的——所以 2026 年的故事與其說是「他們降價了」，不如說是「他們新增了一個便宜的 mini 方案和推理控制」。
Token 與分鐘：為什麼你的估算可能是錯的
同樣的問題一再充斥在 OpenAI 開發者論壇中： 「每一百萬 tokens 100 美元，還是每分鐘 0.06 美元——到底是哪一個？」 這兩個數字曾在 OpenAI 自己的文件中，不同時間點出現在同一個模型上。人們之所以會對價格感到震驚——有位開發者寫道他們「甚至沒辦法在不燒掉我的錢包的情況下測試這個」——是因為單純的 token 計算忽略了三個在實際帳單中佔主導地位的因素。
你不需要為靜默付費。 OpenAI 的伺服器端語音活動偵測（VAD）旨在過濾非語音內容，因此靜默、停頓和等待時間通常對帳單影響很小——請在你的使用紀錄中確認這一點。
你的大部分輸入都會被快取。 每一輪都會傳送 system prompt 加上 tool schemas；使用 prompt caching 時，這段前綴的計費為 $0.30–$0.40/M，而不是 $32/M——便宜接近 80 倍。
通話時間比例差異極大。 一通 10 分鐘的「通話」中，雙方實際說話時間可能各只有兩分鐘。帳單計算的是語音內容，而不是牆上時鐘時間。
把這些加在一起，每分鐘費用會依照誰在衡量而大幅波動。以下是幾位張貼帳單的開發者所提供的幾則零星回報：
@kwindla (2025年8月)：在考量隱含的 token 快取後，每分鐘約 $0.04 的 speech-to-speech，另外只為保持連線則約每小時 $0.20。
@kevintpayne (2026年5月)：在較高的談話時長工作負載下，每小時約 $18（≈ 每分鐘 $0.30）。
@leonardsaros (2026年7月)：估算為每分鐘約 $1——很可能是採用了不同的 VAD、快取或談話時長假設，和上面的情況一樣是同樣的陷阱。
相同價格卻有 25 倍的價差。重點是：不要只根據 token 費率來估算。請實際執行一次會話，記錄輸入/輸出 tokens 和語音分鐘數，然後再除算。作為規劃區間，在啟用快取與 VAD 的典型助理中，gpt-realtime-2.1 的預估費用約為 $0.04–$0.10/分鐘 ，而 mini 層級大約是其三分之一。
一次真正對話的成本
根據已驗證的每分鐘範圍來估算，比起乘以 token 費率更可靠。以下以兩個參考工作負載為例。
客服支援 — 每天 1,000 通來電，每通約 4 分鐘來電者語音 + 1 分鐘客服語音。 以每通約 5 分鐘的計費語音、以及在 gpt-realtime-2.1 上採用每分鐘 $0.08 的綜合費率（中階，含快取與 VAD）來算，大約是每通 $0.40，也就是在每天 1,000 通來電的情況下約 $12,000/月。若改用 gpt-realtime-2.1-mini 處理相同負載，費用會降到約 $0.13/通 （約 $4,000/月）——前提是 mini 模型能處理你的工具呼叫與推理，而對於直接的 IVR 與 FAQ 流程，它通常都可以。
語音助理 — 100 名每日活躍使用者，每人 3 個短時段。 假設每位使用者每天約說 1.5 分鐘。在 2.1 的 $0.08/分鐘費率下，約為每位使用者每天 $0.12，或大約 $360/月；在 mini 上，則更接近 $120/月。
這些是規劃用數字，不是報價——你的實際數字取決於對話時間比例、推理投入，以及你的 prompts 有多容易被快取。重點在於數量級：有了快取和 VAD，即時語音不再是 2024 年那種「只有在你已經有現成業務時才值得」的奢侈品。若想更全面了解如何為各個模型家族的 OpenAI API 成本編列預算，請參閱我們的 GPT-4o reasoning API 成本指南。
推理努力與 mini 層級：錢都花到哪裡去了
gpt-realtime-2.1 提供五種推理等級—— minimal、low（預設）、medium、high、xhigh （OpenAI docs）。更高的努力意味著更多的思考 token、更高的延遲，以及在文字輸出計量上的更高費用。預設的 low 適合大多數對話型應用；只有在需要多步推理或複雜工具使用的輪次中才保留 high/xhigh ，之後再調回較低等級。
mini 等級是更大的槓桿。 gpt-realtime-2.1-mini 在音訊和文字上大約便宜 3 倍 ，而且仍支援 function calling、interruptions 和自然的輪替對話。一個實用的經驗法則是： 對大多數屬於檢索或確認的回合使用 mini，對需要真正推理的回合使用 2.1。 這樣依複雜度進行路由，當你的流量大多是簡單請求時，可以大幅降低一個 session 的成本。
翻譯與 Whisper：每分鐘的超值優惠
兩個 Realtime 模型完全不採用 token 計價，而且它們是各自工作中最便宜的選項：
gpt-realtime-translate — $0.034/分鐘，可即時將 70+ 種輸入語言的語音翻譯成 13 種輸出語言。對於多語言支援專線或即時口譯，這比執行完整的 2.1 模型更便宜，並且專為翻譯進行了調校。
gpt-realtime-whisper — $0.017/分鐘，串流語音轉文字。價格更低，當你需要即時字幕或逐字稿串流，而不需要完整語音對話時非常實用。
如果您的工作是翻譯或轉錄，而不是開放式語音聊天，改用這些而不是 gpt-realtime-2.1 是可獲得的最大單一成本節省。
如何支付更少
除了模型和推理層級的選擇之外，標準的 Realtime 成本控制槓桿包括：
保持 VAD 開啟。 非語音內容不應計費，但前提是靜音真的有被過濾掉——請確認你的 session 沒有在傳送空白音訊。
先裁剪音訊輸出。 生成的語音（每百萬 $64 的那一端）是最昂貴的計量。簡潔回覆、摘要，或在第一個語音輪次後改為文字，都能快速累積節省。
讓 prompts 可被快取。 將你的 system prompt 和 tool schema 保持靜態，並放在 context 的前面，這樣它們就能以快取費率計費；每一輪都輪替它們，會浪費 80 倍折扣。
壓縮長會話。 每隔幾輪就將對話狀態摘要一次，而不是重放完整逐字稿，因為那會再次計入 input tokens。
依複雜度分流。 預設使用 Mini，只有在某一輪真的需要時才升級到 2.1。
轉售相同 OpenAI Realtime models 且每個 token 費率更低的 Relay endpoints 是另一個選項——API surface 完全相同，因此整合不變； AIReiter 就是其中一個例子。
常見問題
GPT-Live 是否使用 Realtime API？
並非直接如此。GPT-Live 是一項 ChatGPT 語音功能，目前尚未對外提供開發者 API。Realtime API 模型（gpt-realtime-2.1 以及其他相關模型）是你今天可以呼叫的面向開發者對應方案。
OpenAI Realtime API 很貴嗎？
比代幣費率所顯示的更低——有了 VAD 和快取，2.1 的費用大約是每分鐘 $0.04–$0.10，而 mini 則遠低得多。上面的代幣與分鐘部分解釋了為什麼估算會有如此大的差異。
Realtime API 每分鐘費用是多少？
沒有單一固定數字——這取決於對話時間比例、推理耗費和快取。一個調校良好的 2.1 工作階段大約是 $0.04–$0.10/分鐘；mini 級別大致是其三分之一；translate 和 whisper 的費率固定為 $0.034 和 $0.017/分鐘。
音訊 tokens 如何轉換成分鐘？
不要相信 token-to-minute 的經驗法則——請根據你自己的使用記錄來計算。對於一個 gpt-realtime-2.1 會話，將每個計量項目的計費 token 加總：未快取的音訊輸入 × $32/1M + 已快取的音訊輸入 × $0.40/1M + 音訊輸出 × $64/1M + 文字輸入 × $4/1M + 文字輸出 × $24/1M（如果你傳送圖片，另外加上圖片輸入 × $5/1M），然後再除以實際說話的分鐘數。這個實際的綜合數字，在 VAD 和快取機制共同作用下，會遠低於單純的 token 算法。
即時 API 與 ElevenLabs 或 Grok Voice？
ElevenLabs 在 TTS 品質方面表現出色，且在僅限旁白的流程中具競爭力；Realtime API 則在整合式推理與工具使用方面勝出。據報導，xAI 的 Grok Voice Agent 已以固定每分鐘 $0.05 的價格上線（source），大約是典型 2.1 設定的一半——若只做純語音處理會更便宜，但多模態功能較少。Google 的 Gemini omni models 也是另一個值得評估價格的 realtime 選項。
什麼是快取音訊輸入，它能節省多少？
快取輸入計費為 $0.30–$0.40/M，而不是對於像你的系統提示和工具這類重複前綴的 $10–$32/M。對於每一輪都重複使用大型提示的工作階段來說，這就是合理帳單與令人震驚帳單之間的差別。
重點結論
對於 2026 年的大多數語音應用，先在 gpt-realtime-2.1-mini 上處理大部分回合，只有當某個回合真的需要推理時才升級到 gpt-realtime-2.1 ，如果你的工作明確是多語言或轉錄，則使用 translate 或 whisper 。保持 VAD 開啟，將提示設計為可快取，並精簡生成的語音。這樣做之後，大多數應用的 Realtime 使用成本可落在每語音分鐘幾美分的低位——遠低於外界流傳的每分鐘 1 美元說法，也更接近那些最佳化得很好的部署實際看到的 0.04 美元。