说明

• 文档中“字”都是指字符，字符是指计算机中使用的文字和符号，1个汉字算1个字符，英文字母、希腊字母、标点符号、特殊符号、空格、回车等算1个字符；

• 调用字符需要使用UTF-8编码，该编码每个汉字通常占三个字节，计费使用字符数，与字节数无关；

• 语音合成标记语言（SSML：Speech Synthesis Markup Language）中的标签按照正常字符进行计费；

• 按时长计费的，累加每次调用的语音时长，精确至毫秒，最终折算为小时计费。

• 按次数计费的，返回失败的调用不计入次数。

• 语音合成实际计费时按次计费，一次送入文本不超过1024字节，对应UTF8约300个汉字；

• 一句话识别实际计费时按次计费，单次送入音频时长不超过60秒。

• 语音识别相关能力，双声道计费模式，按单声道计费，即音频时长进行计费。

• 豆包端到端实时语音大模型模型按服务用量token计费，该模型token的概念：

  • 在调用模型推理服务时，会将输入内容转化为模型可以理解的 token ，经过模型处理后，同样输出 token，并转化为您需要的文本或者音频等内容载体。而模型处理（包括输入、输出）的 token 数量会被作为模型推理服务用量的一个重要计量单位；

  • 输入token：包含本轮对话的输入音频、语音合成文本，以及上下文、system prompt、克隆音频等中的音频和文本token；

  • 输出token：包含本轮对话的模型合成的播报音频，音频对应的文本内容，以及语音识别后返回的文本token；

  • 音频和 token 数折算逻辑：输入每1秒的音频大致对应6.25个Token，输出音频每1秒大致对应25个token；

  • 文本token折算类似文本大模型token概念，由于不同模型采用的分词策略不同，同一段文本可能会被转化为不同数量的 token；

  • 文本/音频cached：对于交互中输入的上下文的内容、system prompt等（包含文本及音频内容），如命中了前轮重复输入的部分，则会按照cahed方式计费，计费费率会低于输入，使多轮对话更具成本效益；

  • 由于模型会有动态更新，token折算比例会有变动，实际每轮对话中不同类别准确的 token 用量，以账单计量的token数量为准；

  • 免费额度可以抵扣使用上下文缓存命中缓存的token、未命中缓存的token、输出产生的token；

  • QPM/TPM限制：当前对模型设置了 QPM（Queries Per Minute，每分钟请求数）及 TPM（Tokens Per Minute，每分钟 token 数量）的调用限制，QPM限制为60，TPM限制为100000，后续会根据市场需求情况上线TPM付费保障包。

• 豆包语音播客大模型按服务用量token计费，该模型token的概念：

  • 输入-文本token：输入文本字符数对应token数量，文本token折算类似文本大模型token概念，由于不同模型采用的分词策略不同，同一段文本可能会被转化为不同数量的 token；

  • 输出-音频token：输出音频折算token，1秒大致对应25个token；

  • 每轮对话中不同类别准确的 token 用量，以账单计量的token数量为准；

  • 资源包抵扣：音频token按照1:1比例抵扣，文本token按照1.2:1比例抵扣；

  • QPM/TPM限制：当前对模型设置了 QPM（Queries Per Minute，每分钟请求数）及 TPM（Tokens Per Minute，每分钟 token 数量）的调用限制，QPM限制为60，TPM限制为100000。

• 豆包同声传译大模型按服务用量token计费，该模型token的概念：

  • 音频和 token 数折算逻辑：输入每1秒的音频大致对应6.25个Token，输出音频每1秒大致对应25个token；

  • 输出-文本token：输入文本字符数对应token数量，文本token折算类似文本大模型token概念，由于不同模型采用的分词策略不同，同一段文本可能会被转化为不同数量的 token；

  • 每次请求不同类别准确的 token 用量，以账单计量的token数量为准；

  • 资源包抵扣：输入token&输出-文本token按照1:1比例抵扣，输出-音频token按照3.75:1比例抵扣；

  • QPM/TPM限制：当前对模型设置了 QPM（Queries Per Minute，每分钟请求数）及 TPM（Tokens Per Minute，每分钟 token 数量）的调用限制，QPM限制为60，TPM限制为100000。

• 豆包语音妙记模型计费说明：

  • 妙记-音频文件识别是必选功能，不支持单独售卖，必须选择音频结构中的至少一项能力，计费项可以选择音频结构-单功能，或者音频结构-集合；

  • 音频结构-单功能和者音频结构-集合二选一：

    • 如果选择音频结构-单功能，可按照需要的功能数量灵活选择，按照选择的能力进行叠加计费，比如选择了全文总结+章节总结，则10小时音频的费用=10小时*1.8元+0.11元*2*10小时=20.2元；

    • 如果选择音频结构-集合，则全部的音频结构能力都可以使用，10小时音频的费用=10小时*1.8元+0.5元*10小时=23元；

说明

• 大模型声音复刻/豆包端到端实时语音大模型：

  • 音色：按单次下单数量全额累进单价，不累计过往下单数量，如：需复刻80个音色，则音色费用为80*88=7040元；

  • 音色：单次下单最多支持2000个，超出2000个建议分批下单，如果更大批量的下单需求，可以可以立即咨询我们；

  • 音色：每个音色id可支持10次音频上传训练，最新训练效果会覆盖上次训练效果，您可以按需重新训练进行效果调优；

  • 模型存储费用：首次下单需购买12个月，如：需调用复刻的80个音色1年，则需额外支付80*12=960元。

• 语音合成：赠送多款火山引擎语音合成精品音色，实际赠送音色以语音合成控制台为准；

• 大模型语音合成：火山引擎大模型语音合成超自然音色可免费接入，实际赠送音色以大模型语音合成控制台为准。

说明

• 豆包录音文件识别模型2.0、大模型录音文件识别（含闲时版）、录音文件识别默认最大支持20QPS，半小时内提交的音频时长不超过500小时，豆包语音妙记模型默认最大支持3QPS，精品长文本语音合成默认最大支持10QPS，默认容量一般无需扩容，如需扩容可以立即咨询我们；

• 并发定义：同一时刻请求服务的数量，是某一个时刻后端服务同时处理的请求数，计数周期为点。举例，您新建一个语音合成请求，服务端在持续进行合成处理或音频流返回，此时并发是1；在该请求处理的同时，又新建了一个请求发送文本数据，这时服务端同时处理该应用的2个请求，并发数就变为2；

• QPS定义：QPS (query per second) 是一秒内查询服务接口的次数。