语音模型这一轮上新之后，百炼语音能力矩阵的目录价出现了三种计费单位。对企业来说，这不是一句"降价多少"能概括的事：账单核对、预算换算、调用留档，都要先解决"三行数字不能横着比"这件事。本文把这两天跑出来的路径整理成一份可复用的核账说明。

模型矩阵与单位分布

bl model list --capability TTS --page-size 60 --output json
bl model list --capability ASR --page-size 60 --output json

目录查询不需要登录，也不消耗额度，适合挂进定期巡检。返回里 prices[].priceUnit 是单位：合成 19 族中 cosyvoice、qwen3-tts 挂"每万字符"，新上架的 3.1 挂"每百万tokens"；识别 18 族中 fun-asr、paraformer、qwen3-asr 按秒，只有 3.1-ASR 按词元。同族之内价差可达七倍半，3.1-ASR 流式版本输入价 6 元，非流式 0.8 元，实时链路与离线批处理在目录里挨着排。单价明细以计费文档为准。

一次调用的用量从哪取

装 CLI 走官方 skill 包由 coding agent 代跑，终端 npm install -g bailian-cli 命令一致；合成与识别要 Key，控制台签发，参数见密钥文档。我对 Agent 说：

用百炼的 qwen-audio-3.1-tts-flash 把这份口播稿合成 wav，音色 longanhuan_v3.1，把这一单的用量字段原样贴出来。

它跑的是：

bl speech synthesize --text-file text-zh.txt --model qwen-audio-3.1-tts-flash --voice longanhuan_v3.1 --format wav --out new.wav --output json

核账面四条命令各有结果：bl usage stats --model qwen-audio-3.1-tts-flash --days 1 --output json 与 bl usage stats --days 1 --type Audio --output json 返回空 items，bl monitor metrics 的 model_usage、model_total_amount 返回空 series。账号级视图有数，但当天几十次调用糊在一起，隔离不出单个业务；--days 1 是滑动窗口，两次查询之间数字自己会变小，相减不成立。这几条在 bl 帮助里都标 [Console]，要 bl auth login --console 浏览器登录，和合成用的 API Key 是两拨凭证。逐单粒度只有审计日志给：

bl log audit list --hours 1 --model qwen-audio-3.1-tts-flash --output json
bl usage free --model qwen-audio-3.1-tts-flash --output json

每条记录带 request_id、调用时间和 usage 原文。本文所有用量数字都抄自它。这条命令的帮助文本自己跟自己对不上：bl log audit list --help 的 Usage 行只列了 [--hours <n>]，同页 --start-time 的说明却写着"overrides --days"，真传 --days 得到 Unknown flag "--days"。采集脚本以报错为准，别以文案为准。

额度与预算规则

3.1 合成与识别各有 1,000,000 词元额度，2026-12-21 到期，剩余分别为 998654 与 999556；paraformer-v2 是 36000 秒、到期显示 2099-01-01；cosyvoice 用版本名查额度返回空。通用规则是每模型独立、90 天有效期、仅北京地域、过期不补发、用尽不自动切换，见免费额度说明。这批调用实付 0 元，因为全部落在额度内，额度用尽之后按目录价计费。

额度查询按完整模型名，族名会返回 total=0（bl usage free --model qwen-audio-3.1-tts 就是这个结果），格式合法但语义为空，进报表前要能区分"查错了"和"用光了"。

还有一笔值得写进流程：额度显示已用 1346 词元，而四次合成的 total_tokens 相加 444+444+229+229 正好 1346。多出来的一次是辅助脚本在计费调用发出之后崩了，修好重跑等于同一份稿子合成两遍，不退费，只有额度差值能对出来。计费链路之前的语法检查，是省这笔钱的唯一办法。

成本落在哪一侧

同一份 133 字口播稿，模型侧记 253 个计费字符、输出 24.88 秒音频。3.1 折算 0.1554 元/万字符，cosyvoice-v3-flash 挂牌 1 元/万字符，差 6.44 倍；转写同一段音频，3.1-ASR 这一单 0.0004996 元，qwen3-asr-flash 0.00528 元、fun-asr 0.00506 元，与前者分别差 10.57 倍和 10.13 倍；折到每分钟，3.1 是 0.0012 元，另两代都是 0.0132 元。识别 18 族里 paraformer-v2 的目录单价最低（0.00008 元/秒）。

换算里有两个必须记住的系数：按字符收费时一个汉字算 2 个字符（133 字记 253），估预算要翻倍；跨模型的词元数不可比（同一段音频 3.1 记 368 个输入词元、qwen3-asr-flash 记 622 个，密度差 1.76 倍），能进财务报表的只有折回金额之后的数。

真正决定账单的是输出侧。这一单 94.93% 的钱花在输出词元上：输入 133 词元按 1.5 元/百万计不到一分钱，输出 311 词元按 12 元/百万计，是输入侧的 18.7 倍。稿子从 133 字压到 100 字，账单几乎不动；音频时长砍掉三分之一，账单才跟着砍三分之一。对有声内容、课程配音这类业务，控时长比控文案有效。

预算表里还要留一列给返回时间。同一份稿子，3.1 那一单 2.2 秒返回，cosyvoice-v3-flash 那一单 17.0 秒，差 7.7 倍；识别侧同一段音频三代模型分别用 0.9、0.9、1.7 秒。这一项不印在任何价目表上，却占同一批人力与同一套超时配置：一万条短语音串行跑，两代之间光等就差出约 41 小时。本轮里单价低的与返回快的恰好是同一代模型，两个倍数是分别跑出来的。

落地清单

官方 skill 包与密钥签发是这套流程的两个入口，其余都可以脚本化。