模型的六种类型

文本、图片、视频、语音合成、语音识别、向量，六种模型的计费单位完全不同。预算翻车多半栽在这里。

你的产品大概率不会只碰一种模型：录音要转写、文档要总结、界面要配图、资料要能被检索，每一件事背后都是不同的一类。这些类别之间的能力差别，你心里大致有数；真正容易让预算翻车的是另一件事——它们的计费单位互不相同，而且不能换算。

读完你能回答：

六类模型各自按什么收费，为什么不能互相换算？
为什么「向量很贵」这个印象站不住脚？
一个功能里会同时站着几笔账，为什么不能合成一个平均数？

同一个「调用一次」，账单能差两个数量级

先把最容易伤人的结论放在前面：「调用一次模型」这句话本身不构成成本信息。六类里单价最低的向量，和最高的视频，跑一次的花费能差出两个数量级；中间那几类落在这条线上，彼此也隔着好几档。

差距不来自能力，来自单位：每一类都按自己那套尺子收钱，尺子之间没有换算表。供应商的报价单同样只认自家的单位，你想横向比价，先得把两边的单位对齐——这一步不做，比出来的数就是错的。

于是有一条很实际的纪律：估成本时六类必须各算各的，套用同一套心算一定出错。不是偏一点的问题：任何一项用错了单位，整份预算就作废了。

六类模型，六个互不换算的单位

文本模型。文字进、文字出，就是你最熟的那一类。按 token 计价，输入和输出分开定价，输出那一档通常更贵。绝大多数 AI 功能的主力。openai-models
图片模型。给它一段描述，它产出一张图。按张计价。分辨率提上去，价格不是平缓上涨，而是跳档：边长翻一倍，账单可能翻好几倍，因为要算的像素数涨得更快。
视频模型。输入文字或图，产出一段视频。按秒计价，和语音识别一样看时间不看出货量——一分钟的成片，花费常常抵得上你当天所有文本调用加起来的总和。做预算时，这一项必须单独列出来。
语音合成。文字进、音频出。按字符数收费，和 token 没有关系，所以文本模型那套换算搬不过来。音色克隆、情感控制这类能力通常另外计价。
语音识别。音频进、文字出。按音频时长收费，看的是录了多久，不是说了多少：转写一首三分钟的钢琴曲，和转写一段三分钟的访谈，价钱一样，虽然前者一个字都没有。
向量模型。文字进，产出一串数字坐标。它不生成任何内容，作用是把「意思」变成能够计算远近的坐标，整套语义检索都建立在它上面。它也是六类里单价最低的——同样一批素材过一遍向量，花费通常只是让文本模型读一遍的一个零头。claude-pricing 向量与语义相似度讲的是它在系统里干什么活。

六类的单位摆开之后，一件常被忽略的麻烦事才有地方落：一个真实功能，往往同时压着好几笔账。

一个功能里，往往同时站着四笔账

拿客服质检举例。一段客服通话要变成可用的质检记录，链路通常是这样：

录音先进语音识别转成文字，这一笔按音频时长算；转出的文字交给文本模型，判断这一轮有没有违规话术、责任该算在谁头上，这一笔按 token 算；每条质检记录还要过一遍向量模型再入库，这样日后才能用「和这条相似的历史纠纷」去检索，同样按 token 算，但单价低得多；如果还要拿去做培训材料，把结论配成一张流程图，再调一次图片模型，这一笔按张算。

四类模型、四种单位、四条各自会出问题的路径。只有拆开，每一段的成本和风险才算得明白。若压成一句「平均每次几分钱」，四件性质不同的事就被揉成了一个数字——账单涨了，你也说不清涨在哪一段。

单位不同，出错的样子也不同。转写错一个字，错的是文本；责任判断错方向，错的是结论；入库这一环错了，错的是几天之后的检索结果。三处要补的功夫完全不一样，所以「哪一段更贵」和「哪一段更不能错」是两个问题，得分开答。

分段选型：四段不必绑在同一家

既然每一段是独立的账，它也可以是独立的选择：语音识别挑准确率高、口音和方言表现好的；文本模型挑在你那类任务上实测过的；向量模型挑便宜、稳定的就够，它比的是检索命中率，不是「聪明」。

分段的代价在集成和运维：多套接口、多套配额、多条限流口径都要你自己对齐。所以这件事要看规模——只有一两个功能、调用量也不大时，绑一家把复杂度压下来更划算；等成本真的构成问题了，再按段拆开。判断依据是账单占比，不是「架构更干净」。

单位之外还有两笔账

第一笔是等待。非文本模型往往带着并发和时长上的硬限制：视频生成一次可能要等几十秒甚至几分钟。这就不只是钱的问题了，它同时是产品设计问题——你得给这段等待一个像样的交代（能不能先给草稿、能不能离开页面回来再看），而不是让用户盯着转圈的图标干等。

第二笔是失败的位置。四段链路里任何一段出错，用户看到的都是同一个「没生成好」。所以每一段都要能单独看日志、单独重试，而不是把整条链路当成一个黑盒。这两件事的做法，成本要能归因到每一步讲得更细——单位分清了，账才可能拆得开。