OpenAI 的 Realtime API 才是开发者在应用中需要实时语音时真正会调用的接口——而不是 GPT-Live，后者是 ChatGPT 的一项功能，目前还没有开发者 API。标价每百万音频输入 token 32 美元，乍一看很吓人，但大多数人的心算其实不对：借助语音活动检测和提示缓存，真实的语音到语音流量成本接近每分钟 0.04 美元，而新的 mini 级别还能再降一档。本指南拆解了 2026 年 7 月四款 Realtime 模型的定价，展示音频 token 如何实际换算成分钟，并给出具体的成本示例，这样你就能不靠猜测来做预算。
Realtime API 是什么（以及为什么它不是 GPT-Live）
GPT-Live，于 2026 年 7 月 8 日发布，是 OpenAI 的全双工语音模型——它可以同时监听和说话——并为新的 ChatGPT Voice 体验提供支持。它目前尚未作为开发者 API 提供；OpenAI 表示它“即将推出”，并正在接受报名。如果你今天想构建语音产品，你需要接入的是 Realtime API：一组独立的模型（gpt-realtime-2.1、更便宜的 gpt-realtime-2.1-mini，以及专用的翻译和 whisper 模型）。普遍认为，GPT-Live 是 OpenAI 在 2025 年以 GPT-Bidi-1 名称测试的模型的正式发布版——关于完整的架构故事，请参阅我们之前的解析。关于定价，请继续留在本页：从这里开始，“Realtime”指的是 API 模型。
当前 Realtime API 定价（2026 年 7 月）
这些是 OpenAI 定价页面上的实时费率，已于 2026 年 7 月 9 日核实。音频和文本按每百万 tokens 计费；这两款专用模型按每分钟计费。
模型 | 模态 | 输入 | 缓存输入 | 输出 |
|---|---|---|---|---|
gpt-realtime-2.1 | 音频 | $32.00 | $0.40 | $64.00 |
gpt-realtime-2.1 | 文本 | $4.00 | $0.40 | $24.00 |
gpt-realtime-2.1 | 图像 | $5.00 | $0.50 | — |
gpt-realtime-2.1-mini | 音频 | $10.00 | $0.30 | $20.00 |
gpt-realtime-2.1-mini | 文本 | $0.60 | $0.06 | $2.40 |
gpt-realtime-2.1-mini | 图像 | $0.80 | $0.08 | — |
gpt-realtime-translate | 音频（每分钟） | — | — | $0.034/min |
gpt-realtime-whisper | 音频（每分钟） | — | — | $0.017/min |
在 32 美元这个数字让你感到惊慌之前，有三件事值得注意。第一，mini 层级（gpt-realtime-2.1-mini）大约只有旗舰版的三分之一——音频价格为 10/20 美元，而旗舰版为 32/64 美元——而且对于许多语音应用来说，它足以很好地处理对话。第二，缓存音频输入的价格降到了每百万 0.30–0.40 美元，这很重要，因为大多数会话在每一轮都会重新发送相同的系统提示和工具定义。第三，自 2025 年的 gpt-realtime-2 版本以来，按 token 计费的音频费率（32/64 美元）实际上一直保持稳定，此前它在 2024 年曾从 40/80 美元和 100/200 美元降下来——所以 2026 年的故事与其说是“他们降价了”，不如说是“他们加入了一个廉价的 mini 层级和推理控制”。
令牌与分钟：为什么你的估算很可能是错的
同样的问题一次又一次地充斥着 OpenAI 开发者论坛： “每百万 tokens 100 美元，还是每分钟 0.06 美元——到底是哪一个？” 这两个数字在 OpenAI 自己的文档中，于不同时间都曾出现过，而且指向的是同一个模型。人们之所以会被价格吓到——有开发者写道，他们“甚至没法在不烧掉钱包的情况下测试这个”——是因为原始的 token 计算忽略了真正账单中占主导地位的三件事。
你无需为沉默付费。 OpenAI 的服务端语音活动检测（VAD）旨在过滤非语音内容，因此静音、停顿和等待时间通常对账单影响很小——请在你自己的使用日志中确认这一点。
你的大部分输入都已缓存。 每一轮都会发送 system prompt 加上工具 schema；启用 prompt caching 后，这部分前缀按 $0.30–$0.40/M 计费，而不是 $32/M——便宜近 80 倍。
通话时长占比差异巨大。 一个 10 分钟的“通话”在双方方向上可能只有各两分钟的实际语音。账单记录的是语音时长，而不是挂钟时间。
把这些因素叠加起来，每分钟费用会因统计者不同而大幅波动。以下是一些发布账单的开发者提供的几则轶事性报告：
@kwindla （2025年8月）：约每分钟 $0.04 的 speech-to-speech，考虑了隐式 token 缓存，另外仅保持连接每小时大约还要 $0.20。
@kevintpayne （2026年5月）：在更高强度的通话时长工作负载中，约每小时 $18 （≈ 每分钟 $0.30）。
@leonardsaros （2026年7月）：估算为 约每分钟 $1 —— 可能使用了不同的 VAD、缓存或通话时长假设，与上面的同样陷阱。
这就是“相同”价格下 25× 的差距。要点是：不要只根据 token 费率来估算。应运行一次真实会话，记录输入/输出 tokens 和语音分钟数，然后再进行除算。作为规划范围，在启用缓存和 VAD 的典型助手中，gpt-realtime-2.1 的预期成本为 $0.04–$0.10/分钟 ，而 mini 层大约是其三分之一。
一场真正对话的成本
基于已验证的每分钟范围进行估算，比按 token 费率相乘更可靠。以两个参考工作负载为例。
客户支持 — 每天 1,000 通电话，每通约 4 分钟来电者 + 1 分钟坐席发言。 按每通电话约 5 分钟计费语音、并在 gpt-realtime-2.1 上采用混合后的每分钟 $0.08 费率（中档，含缓存和 VAD），这大约是 $0.40/通，即在每天 1,000 通电话的情况下约 $12,000/月。同样的负载在 gpt-realtime-2.1-mini 上会降至约 $0.13/通 （约 $4,000/月）——前提是 mini 模型能够处理你的工具调用和推理；对于简单的 IVR 和 FAQ 流程，它通常可以。
语音助手 — 100 名日活跃用户，每人每天 3 次短会话。 按每位用户每天约 1.5 分钟语音计算。在 2.1 上按 $0.08/分钟计，约为每位用户每天 $0.12，或每月约 $360；在 mini 上，则更接近 $120/月。
这些是规划数值，不是报价——你的实际数字取决于通话时间占比、推理消耗，以及你的提示词有多可缓存。重点在于数量级：有了缓存和 VAD，实时语音不再是 2024 年那种“只有在你已经有现有业务时才值得”的奢侈品。若想更全面了解跨模型系列的 OpenAI API 成本预算，请参阅我们的 GPT-4o reasoning API cost guide。
推理开销与 mini 层级：钱花到哪里去了
gpt-realtime-2.1 提供五个推理级别—— minimal, low (default), medium, high, xhigh （OpenAI docs）。更高的 effort 意味着更多的思考 token、更高的延迟，以及在文本输出计量上更大的费用。默认的 low 适用于大多数对话类应用；仅将 high/xhigh 保留给需要多步骤推理或复杂工具使用的轮次，然后再降回较低级别。
mini 层级是更大的杠杆。 gpt-realtime-2.1-mini 在音频和文本方面大约便宜 3 倍 ，并且仍然支持 function calling、中断和自然轮次切换。一个实用的经验法则： 对于大多数属于检索或确认的轮次，用 mini；对于需要真正推理的轮次，用 2.1。 按复杂度这样进行路由，当你的流量大多是简单请求时，可以显著降低一次会话的成本。
翻译与 Whisper：按分钟计费的超值优惠
有两种 Realtime 模型完全不使用 token 定价，而且它们是各自任务中最便宜的选项：
gpt-realtime-translate — $0.034/分钟，可实时将 70+ 种输入语言的语音翻译为 13 种输出语言。对于多语言支持热线或同声传译场景，这比运行完整的 2.1 模型更便宜，并且专为翻译进行了优化。
gpt-realtime-whisper — $0.017/分钟，流式语音转文本。价格更低，当你需要实时字幕或转写内容流，而不需要完整的语音对话时，它非常有用。
如果你的工作是翻译或转录，而不是开放式语音聊天，那么优先使用这些而不是 gpt-realtime-2.1 是目前最能节省成本的单一做法。
如何少付费
除了模型和推理层级的选择之外，标准的 Realtime 成本控制手段：
保持 VAD 开启。 非语音内容不应计费，但前提是静音确实被过滤掉了——请确认你的会话没有在传输无效音频。
优先裁剪音频输出。 生成语音（$64/M 这一侧）是最昂贵的计费项。简洁回复、摘要，或在第一次语音轮次后切换为文本，累积起来节省会非常快。
让提示可缓存。 保持系统提示和工具 schema 静态，并放在上下文最前面，这样它们就能命中缓存费率；每轮轮换它们会丢掉 80× 折扣。
压缩长会话。 每隔几轮对对话状态做一次摘要，而不是重放完整转录，因为后者会重新计费输入 token。
按复杂度路由。 默认使用 Mini，仅在某一轮确实需要时再升级到 2.1。
以更低的每 token 费率转售相同 OpenAI Realtime 模型的 Relay 端点是另一种选择——API 接口完全相同，因此集成无需更改； AIReiter 就是一个例子。
常见问题
GPT-Live 是否使用 Realtime API？
不直接支持。GPT-Live 是 ChatGPT 的语音功能，目前尚未作为开发者 API 开放。Realtime API 模型（gpt-realtime-2.1 及其相关模型）是你今天可以调用的面向开发者的等价方案。
OpenAI Realtime API 很贵吗？
比代币费率显示的更低——借助 VAD 和缓存，2.1 版大约为 $0.04–$0.10/分钟，mini 版本则要低得多。上面的代币与分钟部分解释了为什么估算会有这么大差异。
Realtime API 每分钟费用是多少？
没有单一固定数字——这取决于发言时间比例、推理强度和缓存。一个调优良好的 2.1 会话大约为 $0.04–$0.10/分钟；mini 级别大致是其三分之一；translate 和 whisper 的费用分别固定为 $0.034 和 $0.017/分钟。
音频 token 如何转换为分钟？
不要相信 token 到分钟的经验法则——请根据你自己的使用日志来计算。对于一个 gpt-realtime-2.1 会话，将每个计费项的 token 费累加：未缓存音频输入 × $32/1M + 已缓存音频输入 × $0.40/1M + 音频输出 × $64/1M + 文本输入 × $4/1M + 文本输出 × $24/1M（如果你发送图像，再加上图像输入 × $5/1M），然后除以实际语音时长的分钟数。考虑到 VAD 和缓存的影响，这个真实的混合数值远低于简单的 token 计算。
Realtime API 与 ElevenLabs 或 Grok Voice？
ElevenLabs 在 TTS 质量方面表现出色，并且在仅叙述流程中具有竞争力；Realtime API 在集成推理和工具使用方面更胜一筹。xAI 的 Grok Voice Agent 据称已推出，统一收费为 $0.05/分钟（source），大约是典型 2.1 方案的一半——对于纯语音更便宜，但多模态功能更少。Google 的 Gemini omni models 也是另一个值得进行价格评估的 realtime 选项。
什么是缓存音频输入，它能节省多少？
缓存输入账单仅为 $0.30–$0.40/M，而不是针对像你的系统提示和工具这类重复前缀的 $10–$32/M。对于每轮都重复使用大量提示的会话来说，这就是合理账单和惊人账单之间的差别。
结论
对于 2026 年的大多数语音应用，先在 gpt-realtime-2.1-mini 上处理大部分轮次，仅当某一轮需要真正推理时再升级到 gpt-realtime-2.1 ，如果你的工作明确是多语言或转录，则使用 translate 或 whisper 。保持 VAD 开启，设计可缓存的提示，并裁剪生成的语音。这样做之后，大多数应用的 Realtime 使用成本会控制在每语音分钟几美分以内——远低于四处流传的 $1/minute 数字，也更接近优化良好的部署实际看到的 $0.04。