遲到二十四個月的開口：DeepSeek 語音對話的四種音色與三張帳單

2024年9月，OpenAI 向 ChatGPT 付費訂閱者全面開放 Advanced Voice，官方口徑的平均回應延遲為320毫秒。整整兩年後的2026年9月12日，DeepSeek 才開始在自家 App 內分批灰度測試語音對話：入口是右上角一個小喇叭按鈕，設置頁新增「朗讀音色」欄位，可選音色四種。二十四個月的時間差，答案寫在成本結構裡：所有對話介面當中，語音的單位成本最高，對推理算力的消耗也最直接。

一支刪到只剩文字的 App，撐了二十個月

DeepSeek App 於2025年1月隨 R1 模型的擴散走紅，當月即登頂多個市場的 App Store 免費榜，QuestMobile 量得的月活峯值在2025年2月達到約1.9億。與同期競品相比，這支 App 的功能清單異常克制：沒有會員制與廣告版位，語音對話也遲遲未上線。豆包在2025年1月底上線端到端即時語音通話，之後數個月成為中國首款對外確認月活破億的 AI 原生 App；元寶、Kimi、訊飛星火先後把語音列為標配。ChatGPT 的規模更大，2025年10月開發者大會公布的每週活躍使用者口徑達八億。功能最少的 DeepSeek 靠模型口碑維持留存，這在免費模式下成立的前提只有一個：把每一次對話的邊際成本壓到最低。

這次開口提供的四種音色延續海洋命名：貝殼標榜百變活潑，白浪明朗堅定，海星俏皮甜美，暗潮低沉渾厚，聲線加人設描述的做法接近豆包與 ChatGPT 的音色貨架。設置欄位名稱寫的是「朗讀音色」，而非即時對話或語音助理；從命名看，第一階段形態比較接近語音輸入、文字推理、語音播報的級聯組合，與 GPT-4o 那種原生即時情感對話之間，還隔著一個架構世代。

三個計費環節，兩輪語音週期

語音介面的商業史走過兩輪。第一輪由 Siri 在2011年隨 iPhone 4S 開場，Echo 於2014年把語音帶進客廳，亞馬遜2019年對外稱搭載 Alexa 的裝置累計銷量已破一億臺；中國市場的智慧音箱出貨量在2019至2020年間攀上高峯後連年下滑。這一輪建立在小命令、單輪回應之上，始終沒有找到穩定的獲利公式。第二輪由大模型重啟，計時起點正是2024年9月的 Advanced Voice，DeepSeek 是主要玩家中最晚開口的一個。

原因攤開在計費結構上。級聯式語音對話要串三個模型：語音辨識把聲音轉成文字，語言模型生成回覆，語音合成再把文字轉成聲音。三個環節各自計費，延遲逐級疊加。OpenAI 選擇重做端到端原生音訊模型，把平均延遲壓到320毫秒，代價直接寫在價目表上：2024年8月公開的 gpt-4o 音訊 API 定價，音訊輸入每百萬 token 收100美元，音訊輸出每百萬 token 收200美元；同模型的文字輸入為2.5美元，輸出10美元。聲音進門比文字貴40倍，出門貴20倍。OpenAI 把新能力逐欄寫進價目表的節奏，先前在ChatGPT Sites 逐欄覆蓋網站架設業的價目表的分析中已見過一次，音訊介面沿用同一套邏輯。

對一家免費且無廣告的 App 而言，這個倍數足以解釋二十個月的等待。文字對話的成本可以靠蒸餾、上下文快取與更小的模型版本往下壓，音訊的每一秒都黏著算力。分批灰度測試在此扮演成本閥門：先開放小比例使用者，量測單次通話的實際 GPU 佔用與中斷率，再決定放量節奏。環節本身的商品化程度也在變化，小米近期開源了工業級目標說話人語音辨識模型 Xiaomi-CocktailASR-1，語音辨識的取得成本持續下探，級聯方案的組裝總價比三年前便宜了一截，這是 DeepSeek 敢在此時開口的產業背景。

四種音色對上的市場座次

受惠方的名單不長。第一層是使用者，免費取得人格化音色搭配頂規推理模型的組合，目前市面上沒有第二份同等報價。第二層是 DeepSeek 自身的留存帳：豆包的先例顯示，語音通話對單次使用時長與回訪頻率有明顯槓桿，對一款靠口碑而非投放維持的 App，這是成本最低的留存工具。

承壓方的結構更值得攤開。豆包、元寶、Kimi 這類以語音體驗做差異化的助手 App，面對的是品牌與免費畫上等號的後進者，語音從特色回到基準配備；以語音技術起家的訊飛，主場迎來免費玩家；商業 ASR 與 TTS 授權商同時面對大廠自研與開源模型的兩面擠壓，報價空間收縮。最後一個承壓者是 DeepSeek 自己，免費模式下音訊推理的邊際成本高於文字，灰度測試本身就是這筆帳的風控工具。

免費之後的下一步：三種情境

同一段時間，DeepSeek 在文字端打出另一手牌。V4.1 Flash 宣稱全面超越 V4 Pro、支援原生多模態視覺理解，API 最高降價60%；原定9月14日下線的 V4 Pro 服務宣布延續，計費方式不變。文字降價搶開發者，語音灰度試水溫，兩條線共用同一套成本紀律。

後續走向可以拆成三種情境。其一，朗讀式形態常態化，成本增量最小，與免費模式相容度最高，代價是體驗停留在單向播報。其二，升級端到端即時對話，體驗對齊 GPT-4o 與豆包，但單次對話算力倍增，全量免費開放的機率低，更可能以限時限額形式推進。其三，語音能力進入 API，按音訊 token 計價，把成本轉由開發者承擔；對照 OpenAI 每百萬 token 100美元的行情，這是唯一能把語音支出轉為收入的路徑。

四種音色全部取自海洋，呼應 DeepSeek 的深海命名體系。真正的變數在階梯選擇：從朗讀走到即時，每一階的邊際成本相差一個量級，而免費模式沒有外部買單者。灰度測試推進的速度與範圍，就是這本帳最直接的讀數。