同一份稿子在两代模型上差 6.44 倍：语音模型价格对齐的工程拆法

目录价里同时挂着三种量纲：按万字符、按音频秒、按百万词元。1.5 元、0.8 元、0.00022 元并排比大小，得到的结论不成立。要横比，得先把每一单的数字折回同一个分母。

环境：一个装了百炼 CLI skill 的 coding agent（Node.js 18+，skill 包安装说明，合成与识别要 API Key，签发入口，参数见官方文档）。终端直装 npm install -g bailian-cli 命令一样。我对 Agent 说：

用百炼的 qwen-audio-3.1-tts-flash 和 cosyvoice-v3-flash 各合成一次 text-zh.txt，把两单的 usage 字段和产物时长都列出来。

单位层：目录扫出来的三套量纲

bl model list <span>--capability</span> TTS <span>--page-size</span> <span>60</span> <span>--output</span> json
bl model list <span>--capability</span> ASR <span>--page-size</span> <span>60</span> <span>--output</span> json
bl model list <span>--model</span> cosyvoice-v3-flash <span>--output</span> json

取价免登录、不消耗额度。19 族合成候选里两种单位并存：老的 cosyvoice、qwen3-tts 是"每万字符"，新上架的 3.1 是"每百万tokens"。18 族识别候选更杂：fun-asr、paraformer、qwen3-asr 全按秒，只有 3.1-ASR 按词元。同族内部也有七倍半价差，3.1-ASR 流式版本输入价 6 元、非流式 0.8 元。

第一个坑在取价脚本里。--model 传版本名返回的是族视图，items[0] 未必是问的那个：我把 cosyvoice-v3.5-flash 的 0.8 元当成了 v3-flash 的价，一路算到"便宜 5.15 倍"才回去核对，实际是 1 元/万字符，倍数改回 6.44。族名查不到，cosyvoice-v99-flash 这种不存在的名也一样回 not found。

计量层：同一份稿子跑两遍

bl speech synthesize <span>--text-file</span> text-zh<span>.txt</span> <span>--model</span> qwen-<span>audio</span>-<span>3.1</span>-tts-flash <span>--voice</span> longanhuan_v3<span>.1</span> <span>--format</span> wav <span>--out</span> new<span>.wav</span> <span>--output</span> json
bl speech synthesize <span>--text-file</span> text-zh<span>.txt</span> <span>--model</span> cosyvoice-v3-flash <span>--voice</span> longanyang <span>--format</span> wav <span>--out</span> old<span>.wav</span> <span>--output</span> json

这一跑

模型侧记的用量

产物时长

3.1-TTS

输入 133 词元、输出 311 词元、characters 253

24.88 秒

cosyvoice-v3-flash

只有 characters 253

27.92 秒

两代模型的量纲在这一步就分家了：新的报词元，老的只报字符。产物都是 24 kHz 单声道 wav。

等待时间也分家，而且分得更狠：同一份稿子，3.1 那一单命令行 2.2 秒返回，cosyvoice-v3-flash 等了 17.0 秒，差 7.7 倍；识别侧同一段音频三代分别用 0.9、0.9、1.7 秒。等待时间和单价属于同一笔账：一万条短语音串行跑，两代之间光等就差约 41 小时。

字节反算不是洁癖：CLI 写出的 wav 头部帧数是失真值，wave 读出 44739.24 秒，真实 24.88 秒，两代产物失真值一模一样。反算的办法很直白：中文稿产物 1194284 字节，减 44 字节头，除以 24000×2。拿 44739.24 秒去乘按秒计费的单价，账单直接估出三个数量级的差。

--voice 必填，漏掉报 Missing required flag: --voice，而 bl speech synthesize --list-voices --model qwen-audio-3.1-tts-flash 回的是"这个模型没有内置音色列表"。音色只能回官方音色页查，3.1 的 ID 带 _v3.1 后缀，模型与音色不能混用。

253 这个数拆得开：稿子 133 字符，120 个汉字加 13 个标点，汉字按 2、标点按 1，120×2+13 正好 253。英文稿没有这层放大，240 字符记 240。

取数层：三个面静默返回空，只有审计日志给逐单

先交代一个前提：这一节的命令在 bl 帮助里都标着 [Console]，要 bl auth login --console 走浏览器登录；合成和识别吃的是 API Key，两拨凭证不是一回事。

bl usage stats <span>--model</span> qwen-<span>audio</span>-<span>3.1</span>-tts-flash <span>--days</span> <span>1</span> <span>--output</span> json
bl usage stats <span>--days</span> <span>1</span> <span>--type</span> <span>Audio</span> <span>--output</span> json
bl monitor metrics <span>--metric</span> model_usage <span>--model</span> qwen-<span>audio</span>-<span>3.1</span>-tts-flash <span>--days</span> <span>1</span> <span>--output</span> json
bl monitor metrics <span>--metric</span> model_total_amount <span>--days</span> <span>1</span> <span>--output</span> json

两条 usage stats 返回空 items，两条 monitor metrics 返回空 series，都不报错，看着像"今天没用量"。账号级视图有数，但把当天几十次调用糊在一起，隔离不出语音这一单。差值法也不成立：--days 1 是滑动窗口，旧数据在自己掉出窗口，同期 input_tokens 从 470537 变到 443114，那段时间一次文本调用都没发。

bl log audit list <span>--hours</span> <span>1</span> <span>--model</span> qwen-<span>audio</span>-<span>3.1</span>-tts-flash <span>--output</span> json
bl usage free <span>--model</span> qwen-<span>audio</span>-<span>3.1</span>-tts-flash <span>--output</span> json

逐单 usage 原文只有审计日志给，request_id、时间、用量齐。bl usage free 返回已用 1346 词元，四次合成的 total_tokens 相加 444+444+229+229 正好对上。多出来那笔是脚本崩在计费调用之后：辅助脚本一个拼写错误，调用已经发出去了，修好重跑等于同一份稿子合成两遍，不退钱，审计日志里也不显示成两次，只能被额度差值供出来。

额度面也只认完整模型名：bl usage free 传族名返回 total=0，换成版本名才有 1,000,000、剩余 998654、到期 2026-12-21。族名给的是一个看着合法的零，不核就当成"这个模型没额度"。

唯一可用的这条路，帮助文本还跟自己对不上：bl log audit list --help 只列了 [--hours <n>]，同页 --start-time 却写着"overrides --days"，真传 --days 得到 Unknown flag "--days"。以报错为准：照帮助文本拼命令会稳定失败。

展示层：折回同一个分母

同一份 133 字稿（253 计费字符 → 24.88 秒音频）

这一单

元/万字符

元/分钟音频

qwen-audio-3.1-tts-flash

0.0039315 元

0.1554

0.0095

cosyvoice-v3-flash

0.0253 元

1.0000

0.0610

识别侧同一段音频喂三代：3.1-ASR 这一单 0.0004996 元，qwen3-asr-flash 0.00528 元、fun-asr 0.00506 元，与前者分别差 10.57 倍和 10.13 倍；折到每分钟，3.1 是 0.0012 元，另两代都是 0.0132 元。词元不能当分母：同一段音频 3.1 记 368 个输入词元（14.72/秒），qwen3-asr-flash 记 622 个（25.92/秒），密度差 1.76 倍；单价看计费文档；--context（最长 400 字）在 help 里，效果本文没验。

成本结构里 94.93% 落在输出侧：输入 133 词元按 1.5 元/百万计不到一分钱，输出 311 词元按 12 元/百万计，是输入侧的 18.7 倍。文案从 133 字压到 100 字账单几乎不动，音频时长砍掉三分之一账单才跟着砍三分之一。

识别侧三单的原始字段是三套结构：3.1-ASR 记 duration 25 秒加输入 368、输出 76 词元，qwen3-asr-flash 记 seconds 24 与 audio_tokens 622，fun-asr 只有 duration 23、一格里没有词元。取整、静音、字段名三处全不一致，逐单原文留档比折算结果更有用。

转写质量的两个旁证都不在价格面上：3.1 与 qwen3-asr-flash 都把稿里的"词元"听成"词源"，原文入档没纠错。--vocabulary 在 fun-asr 上真生效了，帮助文本却写着"仅在 Qwen-Audio-3.0-ASR-Flash 模型上生效"：同一份音频不加词表出来是"我上周在磐岳科技参加了班西论坛，主讲人讲的是磐岳芯片！"，加 --vocabulary '{"蟠越":5,"鳻溪":5}' 之后是"我上周在蟠越科技参加了班西论坛，主讲人讲的是蟠越芯片。""蟠越"两处全修对、句末标点也跟着回正，"鳻溪"两次都错成"班西"，权重给到 5 没救回来。文档划的适用范围要自己跑一次再排除，词表也不是越高越保险。

沉淀给 Agent 的规则

取价：bl model list --model <版本名> 返回族视图，必须按 items[].model 精确匹配再取价；估中文合成预算按"字符数×2"起算；计费调用发出后脚本崩了不会退款，先过语法检查再进计费链路，每跑一次用 bl log audit list 对一次逐单 usage。

取数与核算：帮助文本与报错冲突时以报错为准；产物时长按字节反算，不读 wav 头部帧数；两行价格单位不同，先换算再比较。

重试这一项可以放心交给自动化：同稿同音色跑两次 3.1，两个 wav 的 MD5 都是 7a8e577b9515ca954f4d18afd1841439，逐字节相同。--seed（0-65535）在参数表里挂着，但对这个模型不是复现前提。代价是重试仍然计费，省钱的开关在时长与分段。

额度按官方规则核：3.1 合成与识别各有 1,000,000 词元、2026-12-21 到期，paraformer-v2 是 36000 秒、到期显示 2099-01-01，cosyvoice 用版本名查额度返回空，规则见免费额度说明（每模型独立、90 天、仅北京地域、过期不补发、用尽不自动切换）；这批全部落在额度内，实付 0 元，额度用尽后按目录价，别把传言里的永久有效写进预算表。

横比之前先做四步：目录扫单位、同素材跑两代、审计日志取逐单 usage、返回秒数一并记进表。单位不同的两行价格，比出来的结论先丢掉。