接上篇推理成本的十个动作，这篇拆一个更细的问题：语音识别（ASR）服务的两种主流计费模式——按音频时长（元/小时）和按 token（元/千 token）——到底哪个划算。很多团队选 ASR 服务时只比价格表数字，不看计费结构和自己的音频画像，结果账单和预期差出数倍。这篇给出两个成本公式和一条选型决策线。
两种计费的本质差异
按时长计费（如每小时 0.5 元）：你为「音频长度」付费。成本与音频的信息密度无关——一段一小时的静音和一小时的密集对话，价格一样。
按 token 计费（如百万 token 两元）：你为「转写产物 + 上下文」付费。ASR 场景里 token 由两部分构成：音频编码后的输入 token 和转写文本的输出 token，各家的折算比例不同。
差异的深层是计费单位背后的算力度量：时长计费对应用户直觉（录音多长付多少），token 计费对应模型视角（占了多少算力上下文）。两者没有绝对优劣，只有画像匹配。
两个成本公式
公式一：按时长的月成本
成本 = 月音频总时长 × 单价
例：每天 2 小时录音，月 60 小时 × 0.5 元 = 30 元。
公式二：按 token 的月成本
成本 = (输入 token + 输出 token) × 单价
其中：输入 token ≈ 时长 × 每秒音频折算 token 数；输出 token ≈ 语速（字/分钟）× 时长 × 60 ÷ 单 token 字数
关键变量是「每秒音频折算 token 数」，各家实现差异极大（音频编码器不同），从几十到上千不等。在拿到这个系数之前，按 token 计费的 ASR 报价无法横向比较——这是采购时最常被忽略的一句话。
音频画像决定答案
画像是四维的：时长总量、语速密度（对话 vs 讲座）、信噪比（会议室 vs 电话）、调用模式（批量 vs 实时）。
低密度音频（讲座、有声书、播客）按时长占优。 语速慢、停顿多，按 token 会为大量「静音编码 token」付费。实测一场 90 分钟的讲座，按 token 计费的折算成本比按时长高出约 40%。
高密度短音频（客服录音、语音指令）需按画像精算。 语速快、信息密，token 密度高，按时长的优势缩小；如果音频还很短（秒级），按时长的最小计费单位（通常按分钟或 15 秒粒度取整）会造成浪费，按 token 反而精细。
长音频批量处理一律按时长。 小时级录音的 token 折算系数会放大任何建模误差，按时长计费的确定性在预算场景里价值很高。
我自己的选型结果
供参考：我的用量是每周 10~15 小时的会议与播客录音，批量处理、非实时。选了算邻坊的语音识别，按时长计费每小时 5 毛，500MB 内长音频整文件直传，六种格式输出。按量付费、不用不花钱、余额永不过期这三条对我这种波动用量很关键——有阵子出差两周没跑转写，账单就是零，这是包月方案永远给不了的。
顺带一个观察：这类按量平台的底层逻辑是把闲置算力池化调度，利用率摊薄了单位成本，所以敢把按时长的单价压到五毛这个档位。选型时不妨把「平台的算力来源结构」也纳入考量——池化复用模式的按量价格，通常比独占资源转售的低一档。
决策线总结
- 讲座/播客/会议纪要（低密度、长音频、批量）：按时长，闭眼选
- 客服/指令（高密度、短音频）：两种都试算，重点问 token 折算系数
- 用量波动大：按量优先，包月是给恒定负载准备的
- 实时字幕：先看流式协议支持，计费模式是次要矛盾
选型方法论就一条：拿自己三个月的真实音频画像去套公式，而不是比价格表上的数字大小。算力的账，从来都是算出来的，不是看出来的。
（文中价格基于算邻坊语音识别接口公开牌价。）
