图片/音频计费坑：别只看文本 $/M

All guides · Full article is primarily Simplified Chinese; use the English summary below for quick takeaways (GEO-friendly).

图片/音频计费坑：别只看文本 $/M

多模态模型的计费远不止文本部分的 $/M（每百万 Token）。图像按 tile（瓦片） 或 patch（补丁） 折算额外 Token，音频按秒或分钟独立计费，Realtime API 则同时收取输入音频、输出音频和文本费用。许多开发者只盯着文本输入输出价格压测，结果账单远超预期。

谁适用：使用 GPT-4o、GPT-4o-mini、Realtime 模型、Whisper 转录或 TTS 的个人开发者、创业团队，以及依赖中转（transit）服务的用户。怎么决策：先读官方价表备注，确认 image tile / audio per-second 规则，再用小流量真实压测，最后选择合适的缓存策略和分辨率控制，才能把成本控制在预期内。

为什么只看文本 $/M 会踩坑

OpenAI 官方价表通常以 text input/output $/M 为主，但多模态部分有单独计量方式。图像不会简单按像素收费，而是先 resize 再切成固定大小的 tile，每个 tile 对应固定 Token 数。高分辨率图片可能产生数百甚至上千额外 Token，直接拉高 prompt_tokens。

音频更明显：Whisper 转录按音频时长（分钟）计费，Realtime API（如 gpt-realtime-2.1）则按输入音频秒、输出音频秒和文本 Token 三部分分别收费。很多中转平台会在官方价格上叠加 多模体系数（1.2x~2x 不等），如果不仔细对账，账单很容易翻倍。

核心建议：始终优先阅读官方价表最下方的备注和 FAQ，再用小批量真实数据（而非模拟文本）进行压测。不要只依赖第三方计算器，要以 API 返回的 usage 对象为准，尤其是 input_tokens_details.image_tokens 和音频相关字段。

图像（Vision）计费机制详解

当前主流视觉模型（如 GPT-4o 系列）采用 tile-based 或 patch-based 方式计算图像 Token：

Low detail：通常固定 85~170 Token（视模型而定），适合不需要精细细节的场景。
High detail：先将图像缩放至最长边不超过 2048px，最短边不超过 768px，然后按 512px 方块切 tile，每个 tile 收取固定 Token（GPT-4o 系列常见 170 Token/base + per tile）。
公式简化为：tokens ≈ base + (tiles × multiplier)，具体 multiplier 随模型更新而变化。

实际压测中，同一张 1024×1024 图片在 low 和 high detail 下 Token 消耗可能相差 3~5 倍。超大图（如 4K 截图）很容易产生 500+ 额外 Token，一次对话含 5~10 张图时，图像成本就可能超过文本。

常见坑：

忘记设置 detail: "low"，默认 high detail 导致费用激增。
批量处理未压缩图片，未提前 resize。
只看 prompt_tokens 总数，未拆分 image_tokens 单独核算。

以下是典型模型图像计费参考表格（数据来源于官方文档与社区实测，实际以 API 返回为准）：

模型	模式	典型单图 Token 范围	计费特点	建议场景
GPT-4o	low detail	85 ~ 170	固定基数，低消耗	简单描述、OCR
GPT-4o	high detail	300 ~ 800+	tile 动态计算	复杂图表、截图分析
GPT-4o-mini	high detail	更高 multiplier	比 4o 更贵 per tile	成本敏感但需视觉
Realtime 系列	Image input	按 tile + 文本	与音频同时计费	实时多模态对话

（表格列数控制在 5 以内，移动端可横向滚动查看。）

音频与 Realtime 计费特点

音频计费完全独立于文本 Token：

Whisper 转录：主要按音频时长（分钟）收费，长音频成本线性上升。支持提示词优化准确率，但不影响价格。
TTS（Text-to-Speech）：部分模型按字符数，部分按生成音频时长计费。
Realtime API（gpt-realtime-2.1 等）：同时收取 Input Audio、Output Audio 和 Text 三部分费用。输入音频按秒，输出音频按秒，文本仍按 $/M。缓存（cached input）可显著降低重复对话成本，但音频部分缓存效果有限。

中转平台常在此基础上增加 多媒体系数 或单独音频通道费用。如果你的应用大量使用语音输入输出，账单结构会与纯文本项目完全不同。建议在 /billing-path 中查看历史账单时，按 modality 筛选查看 audio_tokens 或时长明细。

压测 checklist：

是否在请求中明确设置图像 detail 参数？
是否记录 API 返回的 usage.input_tokens_details 对象？
中转商是否在价表外额外收取 vision/audio 系数？（参考 /api-transit）
小流量测试时，是否用真实图片和音频文件而非占位符？

中转平台与官方 API 的差异

直接使用官方 API（详见 /official-api）能获得最透明的计费，但需要自行管理 Key 和速率限制。许多用户选择中转服务以获得更高限额和统一账单，此时必须确认中转是否“透明传递”官方多模态价格，还是叠加了固定系数。

推荐做法：

1. 先在官方价表（/official-prices）读懂基础规则。

2. 选择中转后，用少量预算跑真实多模态任务。

3. 定期对账，使用类似外部工具辅助核对（例如独立参考站提供的账单对账工具）。

如何有效控制多模态成本

图像优化：优先使用 low detail；批量处理前统一 resize 到 512~1024px 范围；必要时用描述性文本替代部分图片。
音频优化：缩短单次录音时长；重复内容利用缓存机制；非实时场景优先用批量转录而非 Realtime。
监控与预警：在代码中捕获 usage 对象，设置成本阈值报警；每月复盘账单，重点看图像和音频占比。
模型选择：成本敏感场景优先 GPT-4o-mini（注意其 vision tile multiplier 可能更高）；复杂视觉任务再切换主模型。

这些实践能将多模态超支风险降低 50% 以上，但前提是先读备注，再压测。

风险与边界

本文所有内容基于公开文档与社区实测数据整理，仅供参考，帮助用户更好地理解和规划 API 使用成本。不构成任何财务、法律或投资建议。OpenAI 官方定价可能随时调整，实际账单以平台后台显示为准。中转服务费用因供应商而异，请自行核实最新条款。作者及本站不对因使用本文信息导致的任何经济损失承担责任。请始终以官方最新文档为最终依据。