实时音视频
实时音视频
- 文档首页
实时音视频AI 音视频互动方案（原实时对话式 AI）计费说明实时对话式 AI 计费
文档反馈
问问助手实时对话式 AI 是一项组合服务，其总费用由 RTC 服务费和您所选的 AI 服务费构成。
如果您是通过扣子（Coze）平台自行搭建 AI 智能体实现的实时对话式 AI，扣子平台有独立的计费规则。具体计费规则，请参见扣子_音视频费用。
费用组成 & 试用
费用类别 | 计费项 | 免费额度（ 仅限使用火山引擎服务） | 领取方式及规则 |
|---|---|---|---|
RTC 服务费
| 可通过 10000 分钟免费资源包抵扣 | ||
AI 服务费
| 火山方舟：每个模型赠送 50 万 tokens 的免费推理额度 | ||
豆包语音：
| |||
豆包语音：
|
计费规则
音视频通话费
与 AI 智能体进行实时通话会产生 RTC 音视频时长费用，具体产生的费用与启用的功能有关。
- 具体产生的费用：
- 即使房间内只有 1 个用户，也会计算音频计费时长。
- 若同时订阅了视频流和音频流，只计算视频计费时长，不计算音频计费时长。
场景 | 产生的音视频通话费 |
|---|---|
未启用视觉理解和数字人 | 音频通话费（真人和智能体互相订阅对方音频流） |
仅启用视觉理解 |
|
仅启用数字人 |
|
启用视觉理解 + 数字人 | 视频通话费（真人和智能体互相订阅对方音视频流） |
- 音视频计费规则：费用计算标准和普通的音视频通话费用一致。具体计费规则，请参见音视频通话计费。
对话式 AI 音频/视频处理时长费
AI 智能体处理用户音频或视频流时产生的计算资源费用。具体计费规则如下：
计费规则 | 说明 |
|---|---|
计费公式 | 音频处理时长费 = 音频处理时长单价 × 音频处理计费时长 |
单价 | 音频处理时长（即账单中的对话式AI-音频时长）：9元/千分钟 |
计费时长 |
|
付费方式 | 通过 10000 分钟免费资源包抵扣：具体的抵扣规则，请参见 10000 分钟免费资源包。 |
LLM 服务费
使用 LLM 进行推理服务时产生的费用，基于模型的输入和输出 tokens 计算。具体计费项和规则以实际使用的模型为准。
方舟平台模型服务计费，请参见模型服务计费。
语音识别（ASR）费
AI 实时对话过程中将用户语音转换为文本的费用。具体计费项和规则以实际使用的服务为准。
火山引擎豆包语音识别服务计费，请参见 豆包语音_计费说明。
语音合成（TTS）费
AI 实时对话过程中将 AI 智能体的文本回复转换为语音的费用，具体计费项和规则以实际使用的服务为准。
火山引擎豆包语音合成服务计费，请参见 豆包语音_计费说明。
如何停止计费
你可以按照步骤停止实时对话式 AI 计费:
客户端各端的 API 说明，请参见 客户端 API 参考。
- 调用服务端 API StopVoiceChat 结束对话。
调用后，AI 智能体会退出房间，ASR、LLM、TTS 服务会停止工作并停止计费。若真人用户未退出房间，仍会产生 RTC 音频订阅费。 - 调用客户端 API
leaveRoom使真人用户退出房间。
真人用户退出房间后，RTC 音频订阅费会停止计费。 - 调用客户端 API
destroyRTCEngine销毁房间，释放资源。
计费示例
以下示例仅适用于全部使用火山引擎服务（RTC、方舟 LLM、豆包语音 ASR/TTS）的场景。
用户 A 进入 RTC 房间，与 AI 智能体进行了 10 分钟的实时语音对话。对话结束后，用户 A 退房，房间关闭。在这 10 分钟内：
- 用户 A 的说话时长：4 分钟
- 用户 A 的语音转录文字数：800 字
- 智能体回复文字数：1000 字
- 使用到的模型：doubao-seed-1.6（输入长度［0, 32k］，输出长度［0, 0.2k]）、大模型流式语音识别（ASR）、大模型语音合成（TTS）
各模块费用如下：
以下费用基于各计费项的后付费刊例价计算，不考虑上下文和免费额度，每个字按 0.59 tokens 计算。
计费项 | 单价 | 时长/字符数 | 费用 |
|---|---|---|---|
音视频通话 | 7元/千分钟 | 10 × 2=20 分钟（双向通话） | 0.007 × 20=0.14元 |
对话式 AI 音频处理时长 | 9元/千分钟 | 10 分钟 | 0.009 × 10=0.09元 |
LLM 处理 | 推理服务（输入）：0.8 元/百万token | 输入：800 × 0.59=472 tokens | 0.8 × 472/1,000,000 + 2.0 × 590/1,000,000 = 0.0015576元 |
ASR 语音识别 | 4.5元/小时 | 4 分钟 | 4.5 × 4/60=0.3元 |
TTS 语音合成 | 5元/万字符 | 1000 字符 | 5 × 1000/10000=0.5元 |
合计 | 1.0315576 元（约 1.03元） | ||