你花了几个月把文本 token 账单算得明明白白，倍率、峰谷、缓存、分词器税全门儿清。然后你接了个「看图说话」的需求，往请求里塞了一张图——月底对账，那一项比纯文本贵了 40 倍。
不是你算错了，是多模态的计费单位压根不统一。文本按 token，图像按「张」，视频按「秒」，语音按「千字符」或「音频 token」。同一笔账单里混着四种货币，你拿 $/token 的尺子去量，自然量不出黑洞在哪。
一、多模态计费的「四种货币」，比文本隐蔽 10–100 倍
2026 年 9 月的真实牌价（公开 API 定价，每日更新口径）已经把这条鸿沟摆得很清楚：
- 图像：GPT-Image-2、Gemini 3.1 Flash Image 约 $0.045–0.36 / 张（1024×1024）；DeepSeek 新出的
deepseek-v4-flash-vision-exp走 token 计图像，输入 $0.22–0.44、输出 $0.66–1.32（每百万）。 - 视频：Google Veo 3.1 约 $0.05–0.60 / 秒——一段 60 秒的视频，就是 $3 到 $36；Sora 2 同级。
- 语音：TTS（文字转语音）$15–30 / 百万字符；实时语音 Realtime 按音频 token 计，$32 输入 / $64 输出（每百万）。
- 纯文本对照：DeepSeek-V4-Flash 输出约 ¥12 / 百万 token，能换上千万中文字。
看明白了吗？一次多模态调用，成本可能是同等长度纯文本的 10 到 100 倍，而且它不写在「token 数」里，前端只给你一个「1 张图 / 3 秒视频 / 500 字语音」的小字——你事后对账才发现爆了。
二、为什么多模态是「看不见的」黑洞
文本时代，你能从控制台看到每个请求的 token 数，贵不贵一眼可辨。多模态有三个特性，让成本控制天然更难：
- 单位不可比：同样是「生成一张图」，不同厂商有的按张、有的按输出 token、有的按分辨率档位，表面都叫「图像生成」，真实单价差出好几倍，你没法直接比。
- 隐性放大：Agent 工作流一旦把「截图 / 录屏 / 语音」塞进循环，每轮重发历史上下文 + 重算图像，成本是按步数指数级放大的——我们上一轮讲 Agent Tokenmaxxing，多模态是它的「涡轮增压版」。
- 缓存难命中：纯文本提示词容易命中缓存，图像/视频/音频的缓存命中规则各家不同，没用到就是实打实的原价。
一句话：文本账单你看得见，多模态账单它「藏」在张/秒/千字符里。
三、四步把多模态账单控住
别等月底被吓一跳，四步现在就能做：
- 第一步：用 $/task 比价，别用 $/token 或 $/张。一张客服工单配图，你该关心「处理一单多少钱」，不是「一张图多少钱」。把图像/视频/语音都折算成「每个业务任务的成本」，这才是可比口径（上一轮 tokenizer tax 讲的也是这套逻辑，多模态只是把单位混乱放大了）。
- 第二步：分辨率、帧率、时长压到「刚好够用」。1024×1024 和 512×512 对同一张流程图，人眼几乎无差，价格差一倍；视频 720p 够用就别上 4K；语音 22kHz 够用就别上 48kHz。每一档都是真金白银。
- 第三步：缓存与批处理用满。同一张参考图、同一段开场语音被反复调用，走缓存/批处理往往能省 40–70%。前提是你会用缓存键和批量接口——很多「贵」，其实是没用上本来就有的折扣。
- 第四步：逐笔明细可溯源 + 按密钥额度上限。把每张图、每秒视频、每千字符语音都记成一行账（时间/模型/类型/数量/金额），出账你能倒推「是哪一步吃空了预算」；再给不同环境/不同 Agent 设独立密钥和额度上限，爆的是测试号不是生产号。
四、Yady 的做法：把多模态也摊开给你看
我们不玩「单位魔术」。Yady 上游 = 火山引擎方舟官方授权通道，报价 = 方舟官方价 × 固定 1.27 倍，不随峰谷、不随分词器、也不随「图像按张还是按 token」浮动——你拿到的是一口价倍率，不是薛定谔的账单。
更重要的是逐笔明细可导出：图像、视频、语音、文本，全都记成一行可追溯的账（含 request_id），你自己就能算每个任务的真实 $/task，对账不用猜。配合 New API 原生的按密钥额度上限 / 环境隔离，多模态失控也只烧在你能兜住的号里。
方舟通道当前已上架 deepseek-v4-flash-vision（视觉版），多模态账单你可以拿真实调用跑一遍、对一遍，看是不是「算得清」。
我们给不了、或在补的也照实说：方舟当前仅激活 1 个模型（广度短板，不掩饰）；我们不承诺全网最低价；上游若调价，提前公告、不做静默变更。
五、一句话带走
文本 token 算得清，不代表账单安全——多模态的「张/秒/千字符」才是 2026 年最容易被低估的 API 账单黑洞。 选对比价单位、压住分辨率帧率、用满缓存批处理、把每笔明细摊开对账，四步做完，多模态也能像文本一样「算得清」。
Yady API · 合规 AI 大模型中转网关（基于火山引擎官方渠道）· 不降级 · 不掺水 · 数据不训练。逐笔明细可导出，每个任务的真实成本你说了算。
