与语音智能体进行一次真实对话的成本（详细拆解）

每隔几天，这里就会有人问，语音智能体每通电话到底要花多少钱，而答案总是“每分钟大概10美分”，却没有明细。所以我逐项算了一遍。先交代一下背景：我们是一家自动化服务公司，已经做了8年，现在语音智能体占了我们开发业务的很大一部分，主要用于房地产行业的外呼。我按一通拨打美国或加拿大号码、时长4分钟、约20轮对话的外呼电话来计算。智能体说话的时间大约占40%，使用的系统提示词约有2,000个token。技术栈很常见，全部按标价计算，没有批量折扣。Vapi平台费（4分钟，每分钟$0.05）$0.200 ElevenLabs Flash语音（约1,500个字符）$0.075 Twilio外呼（4分钟，每分钟$0.014）$0.056 GPT-5.4 mini（约50,000个输入token、约500个输出token）$0.040 Deepgram Nova-3语音转写（4分钟）$0.019 合计约$0.39（每分钟大约10美分）模型的费用是第二低的。总费用的一半花在了平台费上，语音费用则几乎是大语言模型（LLM）费用的两倍。大家总会问，模型明明只输出了约500个token，50,000个输入token是从哪来的。大多数技术栈会在每一轮把整段对话重新发送给模型。第1轮是系统提示词加上通话对象的一句话，大约2,000个token。到第20轮时，输入里已经包含了此前说过的全部内容，接近3,000个token。所以，成本并不会随着通话时长线性增长。按同样的对话节奏聊10分钟，通话时长是原来的2.5倍，但输入token最终会超过原来的3倍。工具返回结果才是真正麻烦的地方。假设智能体在第5轮调取了潜在客户的CRM记录，返回了1,500个token的JSON。这份记录会跟着后面的15轮一起发送，让整通电话的输入量增加约50%。如果智能体只需要姓名、预算和房产类型，就只传这三项，把其他内容去掉。这里每个讨论成本的帖子，最后都会变成争论哪个模型的每token价格最低，这让我有点烦。我理解为什么，毕竟争论这个比较有意思。但这通电话里，LLM的全部费用只有4美分，所以换成价格减半的模型，每通电话也只省2美分，而平台费还是20美分。如果你还是想压低LLM这项费用，先开启提示词缓存，再去挑模型。每轮输入的大部分都是相同的系统提示词和相同的历史记录，而缓存输入的计费价格大约只有正常价格的十分之一。对这通电话来说，这能把LLM费用从4美分降到不到1美分。用上大模型后，模型选择确实就开始重要了。如果使用GPT-5.5且不开缓存，同一通电话的LLM费用大约是27美分，会成为账单上最大的一项。开启缓存后则降到约5美分。我会把精力放在其他费用项上。语音按字符计费，所以缩短智能体每轮的发言，能直接降低费用。这也能减少通话对象打断智能体的情况，智能体一啰嗦，他们就经常插话。比起每通电话的成本，我更在意每次真正有效对话的成本。如果你拨出的电话有一半都只是30秒的语音信箱留言，那么你的实际成本会比上面这张账单高得多。太长不看版：按标价计算，一通4分钟的电话大约39美分，其中一半是平台费，LLM只占10%。由于每一轮都会重新发送历史记录，输入token的增长速度比通话时长更快，所以在寻找更便宜的模型之前，先开启缓存，并精简工具返回结果。