豆包语音
豆包语音
产品计费
请输入
- 文档首页
豆包语音计费说明
复制全文
下载 pdf计费说明
文档反馈
问问助手推理费用
资源包预付费
按调用后付费
商品服务 | 后付费计费项 | 单价 |
豆包音频生成模型1.0 | 推理服务-API调用 | 1元/分钟 |
豆包语音合成模型2.0 | 推理服务-API调用 | 3元/万字符 |
豆包声音复刻模型2.0 | 推理服务-API调用 | 3元/万字符 |
豆包流式语音识别模型2.0 | 推理服务-API调用 | 1元/小时 |
豆包录音文件识别模型2.0 | 推理服务-API调用 | 0.8元/小时 |
大模型语音合成 | 推理服务-API调用 | 5元/万字符 |
大模型声音复刻 | 推理服务-API调用 | 8元/万字符 |
大模型流式语音识别 | 推理服务-API调用 | 4.5元/小时 |
大模型录音文件识别（标准版） | 推理服务-API调用 | 2.3元/小时 |
大模型录音文件识别（极速版） | 推理服务-API调用 | 4.5元/小时 |
大模型录音文件识别（闲时版） | 推理服务-API调用 | 1.2元/小时 |
豆包端到端实时语音大模型 | 推理服务-输入-文本 | 10元/百万token |
| 推理服务-输入-音频 | 80元/百万token |
| 推理服务-输入-文本cached | 5元/百万token |
| 推理服务-输入-音频cached | 5元/百万token |
| 推理服务-输出-文本 | 80元/百万token |
| 推理服务-输出-音频 | 300元/百万token |
豆包同声传译大模型 | 推理服务-输入 | 80元/百万token |
| 推理服务-输出-文本 | 80元/百万token |
| 推理服务-输出-音频 | 300元/百万token |
豆包语音播客大模型 | 推理服务-输入-文本 | 120元/百万token |
| 推理服务-输出-音频 | 100元/百万token |
豆包机器翻译模型 | 推理服务-输入 | 1.8元/百万token |
| 推理服务-输出 | 5.4元/百万token |
豆包语音妙记模型 | 音频文件转写 | 1.8元/小时 |
| 音频结构-单功能 | 0.11元/小时 |
| 音频结构-集合 | 0.5元/小时 |
说明：
- 文档中“字”都是指字符，字符是指计算机中使用的文字和符号，1个汉字算1个字符，英文字母、希腊字母、标点符号、特殊符号、空格、回车等算1个字符；
- 调用字符需要使用UTF-8编码，该编码每个汉字通常占三个字节，计费使用字符数，与字节数无关；
- 语音合成标记语言（SSML：Speech Synthesis Markup Language）中的标签按照正常字符进行计费；
- 按时长计费的，累加每次调用的语音时长，精确至毫秒，最终折算为小时计费。
- 豆包音频生成模型1.0按模型生成的原始时长计费，倍速不影响计费时长；
- 语音识别相关能力，双声道计费模式，按单声道计费，即音频时长进行计费。
- 豆包端到端实时语音大模型按服务用量token计费，该模型token的概念：
- 在调用模型推理服务时，会将输入内容转化为模型可以理解的 token ，经过模型处理后，同样输出 token，并转化为您需要的文本或者音频等内容载体。而模型处理（包括输入、输出）的 token 数量会被作为模型推理服务用量的一个重要计量单位；
- 输入token：包含本轮对话的输入音频、语音合成文本，以及上下文、system prompt、克隆音频等中的音频和文本token；
- 输出token：包含本轮对话的模型合成的播报音频，音频对应的文本内容，以及语音识别后返回的文本token；
- 音频和 token 数折算逻辑：输入每1秒的音频大致对应6.25个Token，输出音频每1秒大致对应25个token；
- 文本token折算类似文本大模型token概念，由于不同模型采用的分词策略不同，同一段文本可能会被转化为不同数量的 token；
- 文本/音频cached：对于交互中输入的上下文的内容、system prompt等（包含文本及音频内容），如命中了前轮重复输入的部分，则会按照cached方式计费，计费费率会低于输入，使多轮对话更具成本效益；
- 由于模型会有动态更新，token折算比例会有变动，实际每轮对话中不同类别准确的 token 用量，以账单计量的token数量为准；
- 免费额度可以抵扣使用上下文缓存命中缓存的token、未命中缓存的token、输出产生的token；
- QPM/TPM限制：当前对模型设置了 QPM（Queries Per Minute，每分钟请求数）及 TPM（Tokens Per Minute，每分钟 token 数量）的调用限制，QPM限制为60，TPM限制为100000。
- 豆包语音播客大模型按服务用量token计费，该模型token的概念：
- 输入-文本token：输入文本字符数对应token数量，文本token折算类似文本大模型token概念，由于不同模型采用的分词策略不同，同一段文本可能会被转化为不同数量的 token；
- 输出-音频token：输出音频折算token，1秒大致对应25个token；
- 每次请求不同类别准确的 token 用量，以账单计量的token数量为准；
- 资源包抵扣：音频token按照1:1比例抵扣，文本token按照1token折算1.2token比例抵扣；
- QPM/TPM限制：当前对模型设置了 QPM（Queries Per Minute，每分钟请求数）及 TPM（Tokens Per Minute，每分钟 token 数量）的调用限制，QPM限制为60，TPM限制为100000。
- 豆包同声传译大模型按服务用量token计费，该模型token的概念：
- 音频和 token 数折算逻辑：输入每1秒的音频大致对应6.25个Token，输出音频每1秒大致对应25个token；
- 输出-文本token：输入文本字符数对应token数量，文本token折算类似文本大模型token概念，由于不同模型采用的分词策略不同，同一段文本可能会被转化为不同数量的 token；
- 每次请求不同类别准确的 token 用量，以账单计量的token数量为准；
- 资源包抵扣：输入token&输出-文本token按照1:1比例抵扣，输出-音频token按照1token折算3.75token比例抵扣；
- QPM/TPM限制：当前对模型设置了 QPM（Queries Per Minute，每分钟请求数）及 TPM（Tokens Per Minute，每分钟 token 数量）的调用限制，QPM限制为60，TPM限制为100000。
- 豆包机器翻译模型计费说明：
- 输入/输出-文本token：文本字符数对应token数量，文本token折算类似文本大模型token概念，由于不同模型采用的分词策略不同，同一段文本可能会被转化为不同数量的 token；
- 资源包抵扣：输入文本token按照1:1比例抵扣，输出文本token按照1token折算3token比例抵扣；
- QPM/TPM限制：当前对模型设置了 QPM（Queries Per Minute，每分钟请求数）及 TPM（Tokens Per Minute，每分钟 token 数量）的调用限制，QPM限制为60，TPM限制为100000。
- 豆包语音妙记模型计费说明：
- 妙记-音频文件识别是必选功能，不支持单独售卖，必须选择音频结构中的至少一项能力，计费项可以选择音频结构-单功能，或者音频结构-集合；
- 音频结构-单功能或者音频结构-集合二选一：
- 如果选择音频结构-单功能，可按照需要的功能数量灵活选择，按照选择的能力进行叠加计费，比如选择了全文总结+章节总结，则10小时音频的费用=10小时1.8元+0.11元2*10小时=20.2元；
- 如果选择音频结构-集合，则全部的音频结构能力都可以使用，10小时音频的费用=10小时1.8元+0.5元10小时=23元；
音色/模型费用
说明：
- 预付费音色：
- 按单次下单数量全额累进单价，不累计过往下单数量，如：需复刻80个音色，则音色费用为80*88=7040元；
- 单次下单最多支持10000个，超出10000个建议分批下单，如果更大批量的下单需求，可以立即咨询我们；
- 每个预付费音色可支持15次音频上传训练，最新训练效果会覆盖上次训练效果，您可以按需重新训练进行效果调优；
- 模型存储费用刊例价已调整为0元，实际以控制台为准，如有费用产生，请联系对接您的商务人员；
- 后付费音色：
- 使用后付费音色时，不会立即收取音色槽位费用。音色槽位费用将在首次使用此复刻音色进行语音合成时收取，试听字符根据声音复刻2.0模型收费；
- 音色进行语音合成后，音色将固定，不支持再次训练复刻，所以请务必确认效果符合要求后再进行语音合成；
- 试听的音色若 7 天内未正式调用，则系统会删除该音色。
- 大模型精品复刻音色：该模型不支持线上自动化交付，请和跟您对接的商务人员对接清楚后再下单。
- 可用于豆包声音复刻模型2.0、大模型声音复刻、豆包端到端实时语音大模型、音色设计、音频生成等模型。
附加产品费用（并发/QPS 增购包）
如需在免费额度之外进一步提升服务的并发或 QPS，可选择购买语音识别产品 QPS 或并发叠加包，计费标准如下：
商品服务 | 计费项 | 单价（元/并发/月） | 说明（默认并发/QPS数量以控制台为准） |
豆包音频生成模型1.0 | 并发 | 300 | 正式版默认支持5并发，超出部分按需增购 |
豆包语音合成模型2.0 | 并发 | 100 | 正式版默认支持10并发，超出部分按需增购 |
豆包声音复刻模型2.0 | 并发 | 100 | 正式版默认支持10并发，超出部分按需增购 |
豆包流式语音识别模型2.0 | 并发 | 100 | 正式版默认支持50并发，超出部分按需增购 |
大模型语音合成 | 并发 | 100 | 正式版默认支持10并发，超出部分按需增购 |
大模型声音复刻 | 并发 | 100 | 正式版默认支持10并发，超出部分按需增购 |
大模型流式语音识别 | 并发 | 100 | 正式版默认支持10并发，超出部分按需增购 |
大模型录音文件识别（极速版） | 并发 | 400 | 正式版默认支持5并发，超出部分按需增购 |
特殊商务模式：
- 大模型语音合成-并发版：支持按照纯并发计费模式，该模式只需购买并发，不再收取字符调用费用。无默认支持并发，购买并发单价2000元/并发/月；
- 大模型声音复刻-并发版：支持按照纯并发计费模式，该模式只需购买并发，不再收取字符调用费用，音色费正常计费。无默认支持并发，购买并发单价2000元/并发/月；
- 大模型流式语音识别-并发版：按照纯并发计费模式，该模式只需购买并发，不再收取按小时调用费用。无默认支持并发，购买并发单价1500元/并发/月。
- 豆包流式语音识别模型2.0-并发版：按照纯并发计费模式，该模式只需购买并发，不再收取按小时调用费用。无默认支持并发，购买并发单价500元/并发/月。
说明：
- 豆包录音文件识别模型2.0、大模型录音文件识别（含闲时版）、录音文件识别默认最大支持20QPS，半小时内提交的音频时长不超过500小时。豆包语音妙记模型默认最大支持3QPS。默认容量一般无需扩容，如需扩容可以立即咨询我们；
- 并发定义：同一时刻请求服务的数量，是某一个时刻后端服务同时处理的请求数，计数周期为点。举例，您新建一个语音合成请求，服务端在持续进行合成处理或音频流返回，此时并发是1；在该请求处理的同时，又新建了一个请求发送文本数据，这时服务端同时处理该应用的2个请求，并发数就变为2；
- QPS定义：QPS (query per second) 是一秒内查询服务接口的次数。
费用计算示例
示例一：资源包+后付费+增购并发用户一年内调用流式识别1300小时，并发25路（默认并发10路），超出的15路并发购买12个月，购买1000小时资源包，超出资源包部分转入后付费模式，计量阶梯落在0-300小时档位，费用：
*1800+（1300-1000）3.5+（25-10）10012=20850元
示例二：音色槽位
用户一次性预付费购买1000个音色，对应201~2000阶梯，单价为38元，则费用：
100038=38000元*
示例三：豆包端到端实时语音大模型
某次请求输入了250 Token 的音频，输入内容中（包括上下文、system prompt等）还包含50文本token+400文本cached token +2500音频cached token，输出了200音频token+80文本token。则费用：
25080/1000000（输入-音频）+ 5010/1000000（输入-文本） + 4005/1000000（输入-文本cached） + 25005/1000000（输入-音频cached）+ 200300/1000000（输出-音频） + 8030/1000000（输出-文本）=0.0974元
历史小模型价格
资源包预付费
按调用后付费
商品服务 | 后付费阶梯 | 单价 |
语音合成 | 0~1000千次 | 5.5元/千次 |
| 1001~5000千次 | 5元/千次 |
| 5001~10000千次 | 4.5元/千次 |
| 10001~千次 | 4元/千次 |
精品长文本语音合成 | 不限 | 1元/万字符 |
精品长文本语音合成（情感版） | 不限 | 2元/万字符 |
录音文件识别（标准版） | 0～300小时 | 1.8元/小时 |
| 301~1000小时 | 1.5元/小时 |
| 1001～3000小时 | 1.2元/小时 |
| 3001～5000小时 | 1元/小时 |
| 5001～小时 | 0.9元/小时 |
录音文件识别（极速版） | 0～300小时 | 3元/小时 |
| 301~1000小时 | 2.6元/小时 |
| 1001～3000小时 | 2.1元/小时 |
| 3001～5000小时 | 1.8元/小时 |
| 5001～小时 | 1.2元/小时 |
流式语音识别 | 0～300小时 | 3.5元/小时 |
| 301～1000小时 | 3元/小时 |
| 1001～3000小时 | 2.4元/小时 |
| 3001～5000小时 | 1.8元/小时 |
| 5001～小时 | 1.2元/小时 |
一句话识别 | 0～300千次 | 3.5元/千次 |
| 301～1000千次 | 3元/千次 |
| 1001～3000千次 | 2.4元/千次 |
| 3001～5000千次 | 1.6元/千次 |
| 5001～千次 | 1.2元/千次 |
音视频字幕生成 | 0～300小时 | 6.5元/小时 |
| 301～1000小时 | 6元/小时 |
| 1001～3000小时 | 5.6元/小时 |
| 3001～5000小时 | 5元/小时 |
| 5001～小时 | 4元/小时 |
自动字幕打轴 | 0～1000小时 | 5元/小时 |
| 1001～3000小时 | 4元/小时 |
| 3001～5000小时 | 3.2元/小时 |
| 5001～小时 | 2.8元/小时 |
说明：
- 文档中“字”都是指字符，字符是指计算机中使用的文字和符号，1个汉字算1个字符，英文字母、希腊字母、标点符号、特殊符号、空格、回车等算1个字符；
- 调用字符需要使用UTF-8编码，该编码每个汉字通常占三个字节，计费使用字符数，与字节数无关；
- 语音合成标记语言（SSML：Speech Synthesis Markup Language）中的标签按照正常字符进行计费；
- 按时长计费的，累加每次调用的语音时长，精确至毫秒，最终折算为小时计费。
- 按次数计费的，返回失败的调用不计入次数。
- 语音合成实际计费时按次计费，一次送入文本不超过1024字节，对应UTF8约300个汉字；
- 一句话识别实际计费时按次计费，单次送入音频时长不超过60秒。
- 语音识别相关能力，双声道计费模式，按单声道计费，即音频时长进行计费。
其他费用
音色/模型费用
商品服务 | 计费项 | 数量阶梯 | 单价 |
语音合成 | 付费精品音库 | 不限 | 1000元/音色/月 |
说明：语音合成赠送多款火山引擎语音合成精品音色，实际赠送音色以语音合成控制台为准；
附加产品费用（并发/QPS 增购包）
如需在免费额度之外进一步提升服务的并发或 QPS，可选择购买语音识别产品 QPS 或并发叠加包，计费标准如下：
商品服务 | 计费项 | 单价（元/并发/月或元/QPS/月） | 说明（默认并发/QPS数量以控制台为准） |
语音合成 | 并发 | 100 | 正式版默认支持100并发，超出部分按需增购 |
流式语音识别 | 并发 | 100 | 正式版默认支持10并发，超出部分按需增购 |
一句话识别 | 并发 | 100 | 正式版默认支持10并发，超出部分按需增购 |
音视频字幕生成 | QPS | 2000 | 正式版默认支持5QPS，超出部分按需增购 |
自动字幕打轴 | QPS | 2000 | 正式版默认支持5QPS，超出部分按需增购 |
说明：
- 录音文件识别默认最大支持20QPS，半小时内提交的音频时长不超过500小时。精品长文本语音合成默认最大支持10QPS。默认容量一般无需扩容，如需扩容可以立即咨询我们；
- 并发定义：同一时刻请求服务的数量，是某一个时刻后端服务同时处理的请求数，计数周期为点。举例，您新建一个语音合成请求，服务端在持续进行合成处理或音频流返回，此时并发是1；在该请求处理的同时，又新建了一个请求发送文本数据，这时服务端同时处理该应用的2个请求，并发数就变为2；
- QPS定义：QPS (query per second) 是一秒内查询服务接口的次数。
最近更新时间：2026.08.20 21:22:12
这个页面对您有帮助吗？
有用
有用
无用
无用