11 月 13 日,DeepSeek 发布了全家桶应用 API:原先只在 App 里能用的搜索、抓网页、读文件、语音识别、语音合成,现在都能单独调接口。前三类官方给了明码标价,我们挨个调了一遍,功能和实测放在开头。

剩下的语音才是这篇文章要花时间算的部分。DeepSeek、百炼的 Qwen、小米 MiMo 三家,价签写法全不一样:有人按小时收,有人按秒收,有人按 Token 收,还有人按字符收,谁便宜一眼看不出来。

所以后面两张表只干一件事:把价签挪到同一把尺子上,排个序。DeepSeek 的语音价还挂着「限时 5 折」,官方没写截止日,两档都列在表里。

一、搜索、抓取、文字识别的功能与报价

接口做什么官方价本次实测
POST /v1/tools/search文字、图片搜索5 元/千次1 次,200,10 条结果
POST /v1/tools/fetch抓一个 URL,返回 Markdown 正文5 元/千次5 个 URL,全 200
POST /v1/tools/ocr文字识别、文件解析1.5 元/千页只查文档,没调
deepseek_read_urlchat 里声明的工具,模型自己决定读哪个链接抓取费同上,另付 Token2 次,都触发抓取

抓取和「阅读链接」是同一个引擎、两种用法,钱一样。区别在正文去哪了:Fetch 直接把 Markdown 交给你;工具形态把正文加密塞进 signature,客户端看不到,但正文会进上下文,多付一笔 Token。同一篇公众号文章,工具形态 prompt_tokens=16838,Fetch 拿到 37,996 字。

公众号链接试了 4 个:/s/xxxx 短链读到了完整正文,两条 ?__biz=... 长链只拿回微信的「环境异常」验证页。本机 curl 直连那两条长链却能拿到正文,拦人的是微信对抓取出口 IP 的策略,链接没坏。

二、四种计费单位与一份术语表

先把词对齐:ASR 是听,音频转文字;TTS 是念,文字转音频;filetrans 是录音文件识别;CER 是字错率。计费字符得记牢:一个汉字算 2,字母、数字、标点、空格算 1。

单位谁在用官方价
元/小时音频DeepSeek ASR、MiMo ASR0.39(5 折)/ 0.78(刊例)、0.5
元/秒音频Qwen 3.0-asr-flash0.00022
元/百万 TokenQwen 3.1 ASR、3.1-tts-flashASR 0.8 输入 / 2.7 输出;TTS 1.5 / 12
元/万计费字符DeepSeek TTS、Qwen 3.0/3.1 TTS1.5、1.0、1.4

按字符收费的几家能直接排:DeepSeek 和百炼对「计费字符」的定义一模一样,109 字测试文本本地算 167,三家 Qwen TTS 返回的 usage.characters 也都是 167。

三、语音识别统一到元/小时后的排序

名次型号原始口径5 折生效价刊例原价
1Qwen 3.1-asr-flash / -filetrans0.8 / 2.7 元每百万 Token0.06800.0680
2DeepSeek ASR0.39 / 0.78 元每小时0.39000.7800
3MiMo mimo-v2.5-asr0.5 元每小时0.50000.5000
4Qwen 3.0-asr-flash0.00022 元每秒0.79200.7920

单位:元/小时音频,按当前生效价升序。按刊例原价,DeepSeek 会被 MiMo 反超,只比最贵的 Qwen 3.0 便宜 1.5%——5 折时这个差距是 50.8%。

四、语音合成统一到元/万计费字符后的排序

同一段 109 字、167 计费字符的文本,各合成一次:

名次型号计费方式5 折生效价刊例原价合成 1 万汉字
1MiMo mimo-v2.5-tts限时免费000 元
2Qwen 3.1-tts-flashToken,1.5 / 12 元每百万0.18230.18230.3646 元
3Qwen 3.0-tts-flash1 元/万字符1.00001.00002.00 元
4Qwen 3.1-tts-plus1.4 元/万字符1.40001.40002.80 元
5DeepSeek TTS1.5 / 3 元/万字符1.50003.00003.00 元(原价 6.00)

1 万汉字 = 2 万计费字符,别把「万汉字」和「万字符」混着比,能差一倍。

版本号在这儿不管用:3.1-tts-plus 贵 40%,1.4 元 对 3.0-tts-flash 的 1.0 元。想省钱得选按 Token 收费的 3.1-tts-flash,便宜 5.5 倍。同一代里 flash 和 plus 是两条定价线,光看版本号会踩坑。

DeepSeek 两档都垫底。5 折时 1.5 元只比 3.1-plus 贵 7.1%,还算备选;刊例原价 3.0 元是 3.1-plus 的 2.14 倍,就不太划算了。MiMo 的 0 元是这次账单上真没扣钱,19.200 秒、24 kHz WAV;它和 DeepSeek 一样标着「限时」,官方都没写结束日期,价格见 MiMo 定价页。

五、语音识别的质量数据

拿 5 段合成语音喂给 4 个引擎,20 次转写,去标点、统一数字写法之后算 CER:四家几乎全是 0,干净到排不出名次。

看到的现象数据怎么读
MiMo 把数字写成中文数字「二零二六」「三点一四」字面 CER 高,归一化后归零,属于书写格式
DeepSeek 转写自家音频归一化 CER 0.0225唯一一处真错:6.28 听成「六二十八」,丢了「点」
3.0 / 3.1 转写「漆园」「漆远」/「7元」各错一两个字,样本太小
其余组合归一化 CER 0含数字、英文缩写、多音字「行人 / 银行」

音源是干净的 TTS 语音,没有噪声、方言、重叠人声。这批数据只够说「干净中文播报四家都能逐字转对」,不够给谁排质量名次。 真要分高下得加难样本,那是另一轮实验。眼下能用上的一条:MiMo 的输出下游要结构化数字,得自己补一层归一化。

六、语音合成的质量数据

六个型号念的是同一段 109 字文本,实测下来的工程指标:

型号格式时长合成耗时RMS静音占比
DeepSeek stellaWAV 24 kHz19.600 s4.77 s3361.819.20%
DeepSeek tideWAV 24 kHz20.240 s4.76 s3109.022.95%
Qwen 3.0-tts-flashMP3 160 kbps20.856 s2.48 s3183.823.61%
Qwen 3.1-tts-flashMP3 160 kbps19.416 s3.63 s3076.219.69%
Qwen 3.1-tts-plusMP3 160 kbps19.104 s5.75 s2320.221.26%
MiMo mimo-v2.5-ttsWAV 24 kHz19.200 s4.77 s3632.018.98%

六段全是单声道、24 kHz、零削波。念完同一句话用 19.104 到 20.856 秒,快慢差 1.75 秒;合成耗时差得更多,Qwen 3.0 用 2.48 秒,3.1-plus 用 5.75 秒。3.1-plus 的 RMS 只有 2320,比别家低一截,响度偏小,那是音量不是音质。

DeepSeek、MiMo 返回无损 WAV,Qwen 返回 160 kbps MP3,编码不对等,听感差异不能全算到合成模型头上。再加上音源都是干净的播报语音,没有噪声、方言、重叠人声,这些工程指标只够说各家都能正常出声、参数在同一档,不够给音质排名次。要拉开差距得加难样本,那是另一轮实验。

按字收钱还有个挺好玩的地方:stella 念 19.600 秒,tide 念 20.240 秒,差 0.64 秒,两次账单都是 167 计费字符、各 0.02505 元。语速快慢跟钱没关系。