计算OpenAI Realtime API的可计费音频Tokens方法咨询

核心方案：利用API推送的事件获取精准token计数 #

OpenAI Realtime API在交互过程中会通过WebSocket推送包含计费数据的事件，直接从中提取单段/单请求的音频token数是最准确的方式：

• 监听input_audio_transcription.completed事件：当用户输入的音频完成转录后，API会推送该事件，其中usage.audio_tokens字段就是这段输入音频的可计费token数。
• 监听response.audio_transcription.completed事件：当AI生成的音频完成转录后，该事件中的usage.audio_tokens字段对应AI输出音频的可计费token数。

示例代码片段（Python WebSocket处理逻辑）：

import json
import websocket

def on_message(ws, message):
    data = json.loads(message)
    # 捕获用户输入音频的计费token
    if data["type"] == "input_audio_transcription.completed":
        input_tokens = data["usage"]["audio_tokens"]
        print(f"当前输入音频计费token: {input_tokens}")
    # 捕获AI输出音频的计费token
    elif data["type"] == "response.audio_transcription.completed":
        output_tokens = data["usage"]["audio_tokens"]
        print(f"当前AI输出音频计费token: {output_tokens}")

# 初始化WebSocket连接（省略连接参数配置）
ws = websocket.WebSocketApp("wss://api.openai.com/v1/realtime?model=gpt-4o-realtime-preview-2024-10-01",
                            on_message=on_message)
ws.run_forever()

单请求维度的汇总统计 #

每个WebSocket会话对应一个独立的API请求上下文，你可以在会话启动时初始化一个计数器，每次收到上述事件就累加对应的audio_tokens值，会话结束时即可得到该请求的总可计费音频token数，结合官方公布的单价就能算出单请求成本。

本地近似估算（仅作参考） #

如果需要提前估算，可按照OpenAI官方的近似规则计算：1分钟音频≈1000个可计费token，即token数 ≈ 音频时长（秒） ÷ 0.06。但注意该值为近似值，实际计费以API返回的usage字段为准。

内容的提问来源于stack exchange，提问作者yonili