目錄（18 節）
AI 客服每通話成本點計：音頻秒數加字符，一通電話拆開俾你睇
AI 客服一通電話嘅成本唔係神秘數字。本文拆成本三段（語音辨識按音頻秒、語音合成按字符、語言模型按 token），用公開費率算一次三分鐘電話，再講邊啲變數最影響成本。
一句答你：AI 客服一通電話嘅成本，可以用三行算式寫晒——語音辨識按音頻秒、語音合成按字符、語言模型按 token。 難嘅唔係計，係估中你嘅通話長度同講嘢比例。
市面講 AI 客服成本，通常會俾一個好靚嘅單價。但單價只係半個故事：真正要計嘅，係「一通電話到底幾錢」。
呢篇用公開費率逐段拆，順手算一次三分鐘嘅電話，俾你一條可以直接改自己數字落去嘅算式。
重點摘要
- 每通話成本 係指完成一通電話所產生嘅可變成本，唔包月費同一次性設定成本。
- 三段成本：語音辨識（按音頻秒）、語音合成（按字符）、語言模型（按 token）。
- 音頻秒 係指實際送去轉寫嘅音訊秒數，唔係打開畫面嘅時間。
- 單位價 係指每 1,000 字符嘅價錢。方案越大，單位價越平。
- 即時聽寫價係檔案轉寫價嘅 1.75 倍。所以對話用即時，離線質檢用檔案轉寫。
- 成本最敏感嘅變數係通話長度，其次係客服講嘢嘅比例。
每通話成本只有三段，唔好再加第四段
一通 AI 客服電話，技術上就三段：
| 段 | 輸入 | 輸出 | 計費方式 |
|---|---|---|---|
| 語音辨識（ASR） | 客人講嘢嘅音訊 | 文字 | 按音頻秒 |
| 語言模型 | 文字＋對話歷史 | 回覆文字 | 按 token |
| 語音合成（TTS） | 回覆文字 | 客服聲音 | 按字符 |
三段都係可變成本，全部同「呢通電話幾長、講咗幾多字」直接掛鈎。
除此之外嘅嘢（電話線、系統設定、介面開發）係固定成本，唔應該塞入每通話成本入面搞亂數。
第一段：語音辨識（ASR），按音頻秒計
港嘢嘅語音轉文字有兩個費率，都係按音頻小時計、按秒扣、唔進位：
| 服務 | 費率 | 用途 |
|---|---|---|
| 檔案轉寫 | HK$0.80／音頻小時 | 報告、會議、字幕、離線質檢 |
| 即時聽寫 | HK$1.40／音頻小時 | 即時對話、直播字幕 |
兩個費率同埋「按秒計、只扣成功」嘅規則，都列喺公開 API 文件。
【獨家觀察】 好多團隊只記低對話用嘅即時聽寫價，唔記低檔案轉寫價。同一個音檔轉兩次，成本就相差 1.75 倍。如果你有存通話錄音做質檢，呢一筆要分開計。
幾個容易算錯嘅位：
- 淨計客人定計雙方？ 兩邊都要計就乘 2。
- 靜音時間算唔算？ 實際送去轉寫嘅音訊有幾長，就計幾長。
- 失敗嘅會唔會扣錢？ 唔會。失敗、逾時、服務不可用一律退回。
第二段：語音合成（TTS），按字符計
語音合成按字符計，唔按時間計。同一段說話，文字越長，錢越多。
港嘢公開定價頁列咗四個付費方案，每千字符嘅單位價如下：
| 方案 | 月費 | 月配額 | 單位價（每 1K 字符） |
|---|---|---|---|
| 輕量 | HK$58 | 60K 字符 | HK$0.97 |
| 入門 | HK$128 | 200K 字符 | HK$0.64 |
| 專業 | HK$338 | 600K 字符 | HK$0.56 |
| 工作室 | HK$688 | 1.4M 字符 | HK$0.49 |
全部數字見公開定價頁。重點係單位價：方案越大，單位價越平。輕量方案最貴，工作室方案最平。
另外，配額用完之後可以加購字符包，單價係 HK$1.16／1K 字符，比任何方案嘅單位價都貴。所以唔好靠加購字符包嚟做高用量方案。
換句話說：如果你每個月要跑 50 萬字符，應該計下升級方案係咪抵。
第三段：語言模型，按 token 計
語言模型嘅費率因供應商而異，本文唔會俾一個數字，因為每家都唔同。
但要點算，你要捉兩個變數：
| 變數 | 點影響成本 |
|---|---|
| 每通電話幾多輪對話 | 輪數越多，token 越多 |
| 每輪幾長 | 系統提示詞（你俾嘅背景資料）通常重複送 |
第二點係最容易被忽略嘅成本位。如果你每輪都送同一段公司背景資料，token 成本會隨輪數線性上升。做法通常係：只送真正需要嗰部分，或者將穩定資料另外處理。
呢一段雖然本文唔作數字，但佢影響成本嘅幅度唔會細過語音合成。
用公開費率算一次：三分鐘電話
先講清楚假設，唔好跳過：
| 假設 | 值 |
|---|---|
| 通話長度 | 180 秒 |
| 客服講嘢佔通話時間 | 6 成，即 108 秒 |
| 語速 | 240 字／分鐘（即 4 字／秒） |
| 客服出聲字數 | 108 × 4 = 432 字 |
語速 240 字／分鐘同定價頁顯示嘅「約幾多分鐘粵語語音」係同一個口徑。
【原創數據】 按以上假設，用公開費率計出嚟嘅每通話成本如下（2026-10 計算）：
| 方案 | 語音辨識 | 語音合成 | 每通電話合計 |
|---|---|---|---|
| 輕量 | HK$0.07 | HK$0.42 | HK$0.49 |
| 入門 | HK$0.07 | HK$0.28 | HK$0.35 |
| 專業 | HK$0.07 | HK$0.24 | HK$0.31 |
| 工作室 | HK$0.07 | HK$0.21 | HK$0.28 |
計法好直白：語音辨識 = 180 秒 × HK$1.40 ÷ 3600 = HK$0.07；語音合成 = 0.432K 字符 × 方案單位價。
留意兩個重點：
- 語音辨識成本喺四個方案一樣，因為佢係按音訊計，唔跟方案。
- 方案越大，差距越細。 輕量同工作室每通相差 HK$0.21，一萬通就差 HK$2,074。
點樣將每通話成本推返去月費
第一步係計每月要燒幾多字符，第二步先係揀方案。
| 每月通話量 | 所需字符 | 夠用嘅最低方案 | 每月成本 |
|---|---|---|---|
| 1,000 通 | 432K | 專業（600K） | HK$312 |
| 1,000 通 | 432K | 工作室（1.4M） | HK$282 |
| 3,000 通 | 1.296M | 工作室（1.4M） | HK$845 |
| 10,000 通 | 4.32M | 超出所有月配額 | 要企業方案或自架授權 |
呢個表最重要嘅唔係成本欄，而係「夠用嘅最低方案」欄。兩個重點：
- 配額係硬約束。 1,000 通用專業方案要 HK$312，同一個通話量用工作室方案就只要 HK$282。唔係最平方案最好，而係配額啱用嘅方案最平。
- 量一大過所有方案，就唔係方案問題。 10,000 通要 4.32M 字／月，連工作室方案嘅 1.4M 都唔夠。呢個時候要傾企業方案或者自架授權，唔係靠加購字符包頂住。
如果想再細睇，可以用每千通嘅單位成本：輕量 HK$489、入門 HK$346、專業 HK$312、工作室 HK$282。
邊啲變數最影響成本
按影響幅度排：
| 變數 | 點樣影響 | 幅度 |
|---|---|---|
| 通話長度 | 每一秒都係成本 | 線性，最直接 |
| 客服講嘢比例 | 講多咗，語音合成字符就多 | 比例翻倍，合成成本翻倍 |
| 方案單位價 | 字符成本直接乘 | 輕量到工作室差 2 倍 |
| 對話輪數 | 影響語言模型 token | 視乎提示詞設計 |
| 首次攔截率 | 攔到唔使轉真人 | 影響總量，唔影響單通成本 |
【獨家觀察】 實務上最抵嘅成本優化，通常唔係「壓低語音合成單價」，而係縮短通話。同一個場景，客服講嘢由 108 秒減到 60 秒，語音合成字符由 432 跌到 240，入门方案每通成本即刻由 HK$0.28 降到約 HK$0.15。比換方案有效得多，而且唔使升級。
敏感度測試：1 分鐘、3 分鐘、10 分鐘各計一次
一個數唔夠。你要用自己嘅典型通話做基準，再拉闊睇清楚成本點樣隨長度郁。
以下沿用同一組假設（客服講嘢佔 6 成、240 字／分鐘）：
| 通話長度 | 客服出聲字數 | 語音辨識 | 語音合成（入門） | 每通合計（入門） | 每通合計（工作室） |
|---|---|---|---|---|---|
| 1 分鐘 | 144 字 | HK$0.02 | HK$0.09 | HK$0.12 | HK$0.09 |
| 3 分鐘 | 432 字 | HK$0.07 | HK$0.28 | HK$0.35 | HK$0.28 |
| 10 分鐘 | 1,440 字 | HK$0.23 | HK$0.92 | HK$1.15 | HK$0.94 |
睇完呢張表，你會發現一件事：每通電話嘅成本，同長度幾乎成正比。 1 分鐘同 10 分鐘差 10 倍，成本亦係差 10 倍。
所以你最需要知道嘅唔係「AI 客服一通電話幾錢」，而係「我哋嘅典型通話幾長」。平均通話長度 2 分鐘定 8 分鐘，直接決定你嘅月費。
成本以外，仲要預留嘅四樣嘢
以下四項，通常唔會出現喺「每通話成本」入面，但係實際預算一定要有：
- 電話線同電話號碼。 通常按分鐘計，同 AI 部分分開收。
- 錄音同逐字稿嘅儲存。 如果要留檔做質檢或者合規，呢一項按保留期計。
- 轉真人嘅比例。 如果有 5% 嘅通話要轉人手，呢 5% 嘅人工成本要另外計。
- 錄音告知同個人資料合規。 錄音前要話畀客人知，並且按需要提供拒絕錄音嘅選項。香港嘅《個人資料（私隱）條例》對呢類做法有要求，可以睇個人資料私隱專員公署嘅條例摘要。
點樣由成本推返 ROI
ROI 嘅分母係「每通電話嘅人工成本」。呢個數只有你哋公司知：
- 客服每小時成本 = 人工成本（薪金＋座位＋系統）÷ 每小時處理嘅通話數
- 每通電話人工成本 = 每小時成本 ÷ 每小時處理嘅通話數
用呢個數同上面算出嚟嘅每通話成本相減，就係每通電話省低幾多。
要留意，呢個比較通常低估咗 AI 嘅價值，因為 AI 嘅真正好處通常唔止「慳錢」，仲包括：夜晚同假日都接得住、唔會攰、服務質量標準化。如果你想睇呢部分，要另外量度（例如自助解決率、客戶等待時間），唔好硬塞入成本對比。
順帶一提，延遲都係體驗成本。分段量度嘅方法好有用：一篇 2025 年 8 月嘅 arXiv 論文，喺電信場景嘅 voice agent pipeline 上量到平均分段延遲，語音辨識約 0.05 秒、語言模型約 0.67 秒、語音合成約 0.28 秒，而由輸入到出聲平均 0.68 秒 (論文，2025-08-05 查閱)。分段量完你就知應該邊一段最值得優化，完整嘅延遲預算分解可以睇語音客服延遲預算。
常見問題
每通電話成本可以一個固定數字講晒嗎？
唔可以。因為通話長度同客服講嘢比例會變。合理嘅做法係：用一個「典型通話」做基準，再做敏感度測試（例如 1 分鐘、3 分鐘、10 分鐘各計一次）。
檔案轉寫同即時聽寫，應該點揀？
對話一定要用即時。離線用途（通話質檢、報告、字幕、會議記錄）就用檔案轉寫，慳四成三（HK$0.80 對 HK$1.40，見公開 API 文件）。
買字符包定升級方案好？
高用量就升級方案。字符包單價 HK$1.16／1K，比所有方案都貴，適合作為高峰期嘅補充，唔適合作主力。
語言模型嗰部分點算？
要你自己填供應商費率同對話 token 數。做法係先量一通典型電話嘅實際 token 消耗，再乘以月通話量。
呢個成本包唔包接通率、轉真人率？
唔包。呢啲係營運指標，唔係技術成本。佢哋影響「總成本」同「客戶體驗」，但唔影響「每通電話」嗰個數。
想傾下你嘅場景？
如果你想知自己嗰個場景嘅實際數字，最直接係攞一段真實通話錄音試一次，用實際輸出對返本文嘅算式。
想知更多 AI 客服落地嘅工程細節，可以睇廣東話 AI 客服方案、AI 客服語音場景實戰同粵語語音客服點解要咁揀聲線。如果係 IVR 升級場景，可以睇廣東話 AI IVR 指南；要真人接手嘅設計，睇語音客服 warm transfer 設計。
本文由港嘢內容團隊編輯審閱（editorial review，2026-10-25）。想了解我哋嘅背景，可以睇關於港嘢；想傾你嘅場景或者有技術問題，聯絡我哋。