语音合成 API 的计价单位主要有三种：按音频 token、按字符、按分钟。结论先看：Gemini 语音合成按音频 token 计费，每秒音频对应 25 token；xAI 的文字转语音按每百万字符计价，实时语音对话按分钟计价。Gemini 3.8 系列语音模型的价格在 2027 年 1 月 1 日会调整。
说明：以下据官方定价页和弃用页（2026-10-26 核对），我们没有做实测。
Gemini 语音合成按什么计费？
Gemini 的语音模型输入是文本 token，输出是音频 token，分开计价（每百万 token）：
- gemini-3.8-flash-tts（Standard）：文本输入 $0.50，音频输出 $9.00，官方折算约每 10 秒音频 $0.00225。以上是 2026 年 12 月 31 日前的价格。
- gemini-3.8-flash-tts（Batch、Flex）：音频输出 $4.50。
- gemini-3.8-flash-tts（Priority）：音频输出 $16.20。
- gemini-3.8-flash-lite-tts（Standard）：音频输出 $6.00，官方折算约每 10 秒 $0.0015。
- gemini-3.1-flash-tts-preview：文本输入 $1.00，音频输出 $20.00。
Gemini 定价页原文：Audio tokens correspond to 25 tokens per second of audio.（每秒音频对应 25 个音频 token。）
每 10 秒的折算价是怎么来的？
可以按官方给的数自己验算一遍，这一步是我们的换算：
- 10 秒音频 × 每秒 25 token = 250 个音频 token。
- 250 ÷ 1,000,000 × $9.00 = $0.00225，和官方写的每 10 秒 $0.00225 一致。
- 同样的方法用在 lite 版：250 ÷ 1,000,000 × $6.00 = $0.0015，也和官方折算一致。
知道音频时长，就能算出输出费用。
2027 年 1 月 1 日之后价格会变吗？
会。gemini-3.8-flash-tts 的 Standard 价，定价页写的是：
- 文本输入：2026 年 12 月 31 日前 $0.50，2027 年 1 月 1 日起 $1.00
- 音频输出：2026 年 12 月 31 日前 $9.00，2027 年 1 月 1 日起 $18.00
每 10 秒 $0.00225 这个折算，官方标注的适用期也是 2026 年 12 月 31 日前。跨年的长期项目，预算要分两段算。
哪些语音预览模型快到关停日了？
Gemini 弃用页列出，下面三个语音合成预览模型的关停日都是 2026 年 11 月 17 日，替代是 gemini-3.8-flash-tts 或 gemini-3.8-flash-lite-tts：
- gemini-3.1-flash-tts-preview
- gemini-2.5-flash-preview-tts
- gemini-2.5-pro-preview-tts
Gemini 弃用页上的日期是最早可能的关停日，实际以官方页面为准。还在用这几个预览模型的，建议提前规划迁移。
xAI 的语音价格怎么读？
xAI 定价页把语音分成三类，单位都不一样：
- 文字转语音（Text to Speech）：每百万字符 $15.00，按输入文本的字符数算。
- 语音转文字（Speech to Text）：REST 接口每小时音频 $0.10，流式接口每小时 $0.20。
- 实时语音对话（Speech to Speech，grok-voice-3.0）：每分钟 $0.08（即每小时 $4.80），另外每次文本输入 $0.004。
按字符计价时，同样的字念多长取决于语速和语言，不能直接和按秒计价对比。
怎么估算一段语音要多少钱？
按音频 token 计价（Gemini）：
- 估算要生成的音频总秒数。
- 秒数 × 25 = 音频输出 token 数。
- 音频 token 数 ÷ 1,000,000 × 音频输出单价 = 输出费用。
- 输入文本的 token 数 ÷ 1,000,000 × 文本输入单价 = 输入费用。
- 两项相加。跨 2027 年 1 月 1 日的部分，换成新单价再算一遍。
按字符计价（xAI 文字转语音）：
- 统计要合成的文本字符数。
- 字符数 ÷ 1,000,000 × $15.00。
按分钟计价（xAI 实时语音对话）：
- 估算通话总分钟数 × $0.08。
- 有文本输入的，再加上次数 × $0.004。
想对比两种计价，可以拿一段典型文本，记下字符数和生成的音频秒数，按这个比例换算。
还有哪些常见问题？
问：Gemini 语音合成每秒多少钱？
答：官方给的是每 10 秒的折算：gemini-3.8-flash-tts 约 $0.00225，lite 版约 $0.0015，适用于 2026 年 12 月 31 日前的 Standard 价。
问：Batch 档的语音更便宜吗？
答：gemini-3.8-flash-tts 的 Batch 和 Flex 音频输出是每百万 token $4.50，Standard 是 $9.00。
问：gemini-2.5-flash-preview-tts 还能用多久？
答：弃用页写的关停日是 2026 年 11 月 17 日，这是最早可能的日期。替代是 gemini-3.8-flash-tts 或 gemini-3.8-flash-lite-tts。
问：xAI 文字转语音怎么算？
答：按输入文本的字符数，每百万字符 $15.00。
本文由模型港 NextRelay 按各家官方页面整理，以官方页面为准。
最后更新：2026-10-27