计费概览
多模态交互开发套件支持后付费（按量付费、节省计划）和预付费（设备订阅）计费模式。如采用后付费方式计费，请保持账户余额充足，避免欠费影响业务。设备订阅（License 模式）当前适用于RTOS SDK、Linux SDK、Android SDK 以及 iOS SDK。
计费模式 | 说明 |
后付费（按量付费） | 按实际交互轮次计费 |
预付费（设备订阅/License） | 按每年每台设备订阅 AI 交互资源包 |
节省计划 | 承诺消费金额享折扣，抵扣所有后付费项 |
免费试用
前往免费试用，新用户可获取一次10元免费试用额度，用于后付费模式，领取后免费试用有效期为3个月。
后付费（按量计费）
计费规则
多模态交互链路包含四大计费项：语音识别（ASR）、意图识别、大模型对话、语音合成（TTS）。每轮交互按实际使用的组件分别计费，未使用的组件不计费。
语音识别：支持两种规格的实时语音识别模型。未使用时不计费。
语音合成：支持两种规格的语音合成。未使用时不收费。
意图识别：对用户意图进行分类并分发给下游模块。未使用时不计费。
大模型对话：包含闲聊（支持插件、指令和联网搜索）、知识库问答及各类Agent。按每轮调用的能力计费。
调用阿里云百炼平台的Agent或插件时，费用由阿里云百炼平台直接结算，无额外收费。
计费项和标准价格
价格取决于各环节是否使用及所用模型/能力。具体价格请见下表：
交互链路 | 标准价格（元/千次） | 备注 | |
语音交互 | 多模态交互轻量版语音识别 | 0.05 | 可选，每轮交互计为一次 |
标准语音识别 | 0.75 | ||
多模态交互轻量版语音合成 | 0.09 | 可选，每轮交互计为一次 | |
标准语音合成 | 1.70 | ||
意图识别 | 意图识别（可选） | 0.80 | 每轮交互计为一次 |
大模型对话 （每轮交互选其一） | 闲聊（含调用内置插件、指令、音乐电台、多模态备忘录、地图出行） | 2.20 | 每轮交互计为一次 |
知识库问答 | 3.70 | 每轮交互计为一次 费用说明： | |
语音翻译 | 5.70 | 每次启动Agent计为一次 | |
新闻电台/儿童故事 | 0.02 | 每次启动Agent计为一次 | |
拍照问答-均衡版 | 0.18 | 每轮交互计为一次，该计费在直连模式下有效，图片大小不可超过640*480，如需大分辨率场景请使用拍照问答高级版 | |
视频对话/拍照翻译/拍照问答-高级版 | 12.00 | 每轮交互计为一次 | |
主动导览 | 1.20 | 每轮交互计为一次，每次主动的图片分析也会计为一次交互 | |
录音纪要 | 按通义听悟结算，详见产品概述 | ||
特殊情况：
新闻电台/儿童故事：持续播报的Agent。启动后，单次使用新闻电台或儿童故事会触发多次语音合成计费，每播报一句话语音合成调用计为一次。
语音翻译：每进入Agent计费一次，费用与翻译长度无关。
联网搜索、长期记忆为限时免费功能。
后付费模式下，部分高级模型由于成本更高、每次交互的计费次数可能会大于1。选择更贵的模型 =计费次数更高，具体如下表：
组件 | 基准规格 （元/千次） | 模型 | 计费次数 |
语音识别 | 语音识别 | Fun-ASR、通义千问3-ASR-Flash-Realtime、Qwen-Audio-3.0-ASR-Flash-Streaming | 3x |
语音合成 | 语音合成 | Qwen-Audio-3.0-TTS-Plus、Qwen-Audio-3.0-TTS-Flash、CosyVoice-v3.5-Plus、CosyVoice-v3.5-Flash、CosyVoice-v3-Plus、通义千问3-TTS 系列 | 3x |
大模型对话 | 闲聊及插件 | Qwen3.7-Plus、Qwen3.6-Plus、Qwen-Max、Qwen3-Coder-Plus | 2x |
deepseek 除v4pro外的系列、GLM、Kimi、MiniMax、Qwen3.5-Omni-Flash | 4x | ||
Qwen3.6-Max | 6x | ||
Qwen3.7-Max、Qwen3.5-Omni-Plus（文本输出）、deepseek-v4-pro | 8x | ||
Qwen3.5-Omni-Plus（音频输出），farui-plus | 13x | ||
Qwen-Deep-Research | 32x | ||
知识库问答 | 知识库问答 | 与LLM所选大模型推送次数一致 | |
知识库计费说明
知识库问答涉及两项独立费用，分别由不同服务收取：
费用项 | 费用内容 | 收费原因 | 结算方 |
大模型推理费 | 3.7元/千次 | 知识库片段拼接到 Prompt 中，增加了大模型处理的 Token 数量 | 多模态交互开发套件 |
知识库服务费 | 单独计费 | 知识库运行、向量化、检索等服务成本 | 知识库服务（详情请参见知识库计费说明） |
关键区别：
3.7元/千次付给的是大模型，因为它要处理更多内容
知识库费用付给的是知识库服务，因为它要运行和检索数据
典型场景费用预估
常见交互场景计费示例：
场景 | 预估费用（元/千次） | 计费构成 | 备注 |
标准语音闲聊 | 5.45 | 0.75（标准语音识别）+ 0.8（意图识别）+ 1.7（标准语音合成） + 2.2（标准闲聊，可包含插件、指令、联网搜索） | 每轮交互计为一次 |
轻量语音闲聊 | 2.3 | 0.05（轻量版语音识别）+ 0.09（轻量版语音合成） + 2.2（标准闲聊） | 每轮交互计为一次，不包含意图识别时，不支持开启插件、指令、联网搜索、Agent |
纯文本对话 | 3.0 | 0.8（意图识别） + 2.2（标准闲聊，可包含插件、指令、联网搜索） | 不使用语音识别和语音合成能力，仅纯文本输入和输出 |
知识库检索 | 6.25 | 0.05（轻量版语音识别） + 0.8（意图识别） + 1.7（标准语音合成） + 3.7（知识库检索） | 每轮交互计为一次 |
语音翻译 | 8.25 | 0.05（轻量版语音识别） + 0.8（意图识别） + 1.7（标准语音合成） + 5.7（语音翻译） | 每次开启语音翻译计为一次 |
实时视频对话/拍照问答 | 14.55 | 0.05（轻量版语音识别） + 0.8（意图识别） + 1.7（标准语音合成）+ 12（视觉理解） | 每轮交互计为一次 |
新闻电台/儿童故事 | 根据播放句数进行计算 | 0.05（轻量版语音识别） + 0.8（意图识别） + 1.7（标准语音合成）* n（播放句数） + 0.02（新闻电台） | 费用构成：语音识别+意图识别+单次启动+语音合成，其中每个播放的句子会调用语音合成功能，该部分按句计费。 |
预付费（设备订阅）
多模态交互开发套件提供了设备订阅的预付费模式，按每台/每年订阅 AI 交互资源包。选择档位后可获得统一的资源池，覆盖语音识别、大模型对话、语音合成等全链路能力及所有扩展功能。
规格档位
可以根据业务需求选择不同规格的档位。
档位 | 价格（元/台/年） |
体验版 | 2 |
基础版 | 5 |
标准版 | 10 |
计费规则
起购门槛：100 台起购。
资源池机制：购买后获得统一资源池，不同功能因 AI 资源消耗不同，实际可用交互次数因功能使用分布而有所不同。购买页提供用量计算器，可根据功能配置预估可用交互次数（仅供购买参考，实际用量取决于功能使用分布）。
叠加购买：支持对同一应用或工作空间多次叠加购买，资源池额度合并共享。
共享模式：购买时可选择绑定至工作空间（Workspace），同一工作空间下的多个应用可共享同一资源池。
激活与有效期
每个 License 的激活有效期为 1 年内。
使用时长从设备激活之日开始计算：
例如：2026 年 7 月 1 日下单 100 台 1 年期设备订阅，于 2026 年 10 月 1 日激活，则其使用期限至 2027 年 10 月 1 日
退订规则：购买后不支持退款。
节省计划
节省计划是一种折扣权益计划，可抵扣多模态交互所有按量付费项目。承诺消费金额即可享受折扣，相比按量付费费用降低 10%~50%。
承诺消费金额（元） | 折扣 | 有效期 |
20 ≤ 值 < 100 | 0.95 | 3个月 |
100 ≤ 值 ≤ 2,000 | 0.90 | 1年 |
2,000 < 值 ≤ 5,000 | 0.85 | 1年 |
5,000 < 值 ≤ 20,000 | 0.80 | 1年 |
20,000 < 值 ≤ 50,000 | 0.75 | 1年 |
50,000 < 值 ≤ 100,000 | 0.70 | 1年 |
100,000 < 值 ≤ 200,000 | 0.65 | 1年 |
200,000 < 值 ≤ 300,000 | 0.60 | 1年 |
300,000 < 值 ≤ 400,000 | 0.55 | 1年 |
400,000 < 值 ≤ 500,000 | 0.50 | 1年 |
购买方式
付款类型：一次性预付
有效期：20~100元区间有效期为3个月，100元及以上区间为1年（到期未用费用不返还）