模型的六种类型

日常说的「大模型」通常只指文本模型。但你要做的产品，很可能同时用到好几类。它们的能力边界不同，计费单位更是完全不同——这一点比能力差异更容易让你在预算上翻车。

六种分别是什么

文本模型。文字进、文字出，就是你最熟的那种。按 Token 计费，输入一个价、输出一个价，输出通常贵几倍。绝大多数 AI 功能的主力。

图片模型。给一段描述（也可以再给一张参考图），生成一张图。按张计费，分辨率越高越贵，而且是跳档式的——分辨率调一档，单价可能翻好几倍。

视频模型。给文字或图，生成一段视频。按秒计费，这是它和其他所有类型最不一样的地方。一段十几秒的视频，成本可能顶得上几百次文本调用。做预算时务必单独算这一项。

语音合成（TTS）。文字进、音频出。按字符数计费，不是按 Token。所以文本模型那套换算在这里不适用。音色克隆、情感控制通常另外收费。

语音识别（ASR）。音频进、文字出。按音频时长计费，跟说了多少字无关——一段沉默的录音和一段密集对话，只要时长一样，价钱就一样。

向量模型（Embedding）。文字进，出来一串数字坐标。它不生成任何内容，只负责把「意思」变成可以计算距离的坐标。这是整套语义检索和知识库的地基，而且是六类里最便宜的，通常比文本模型便宜一两个数量级。名词地图里也提到过它。

计费单位才是重点

能力差异你大概能猜到，计费单位的差异才是真正会伤到你的地方。

看那张图右边的条形：同样是「调用一次模型」，成本能差出两个数量级。向量最便宜，视频最贵，中间隔着好几档。

这带来一条很实际的纪律：估成本时，六类必须分开算，不能用同一套心算。做一个「上传录音 → 转文字 → 摘要 → 生成配图」的功能，你要同时算 ASR 的时长费、文本模型的 Token 费、图片模型的张数费。任何一项用错单位，整个预算就废了。

还有一个常被忽略的点：非文本模型往往还有并发和时长的硬限制。视频生成一次可能要等几十秒到几分钟，这不只是成本问题，更是产品设计问题——你得设计一个像样的等待体验，而不是让用户对着转圈干等。

真实产品是拼出来的

实际产品很少只用一类模型。举个具体的：一个「会议纪要」功能，链路通常是这样——

录音先交给 ASR 转成文字（按时长计费）；文字交给文本模型做摘要和待办提取（按 Token）；如果要做语义搜索，还要把纪要切段后过一遍向量模型存进库里（按 Token，但很便宜）；要是产品还想生成一张分享卡片，再叫一次图片模型（按张）。

四类模型，四种计费单位，四条独立的失败路径。拆开看，每一段的成本和风险才算得清楚。

选型时也一样：这四段可以来自不同厂商，没必要绑在一家。ASR 挑准确率和中文表现好的，文本模型挑你那类任务上实测好的，向量模型挑便宜稳定的就行。怎么把它们统一接进来是另一个话题。