给会看图的大模型发一张截图，再发一篇长文，你可能会发现前者吃掉的额度更多。原因是模型内部统一用 token 记账：文字按字词切分计价，图片和语音也要先折算成 token，才能进入上下文窗口参与计算。这套折算规则，就是人们常说的多模态 token 计量方式。
一个贴切的类比是出国换汇。不管你揣着人民币、美元还是日元，进店消费前都得换成当地货币；模型也一样，文字、图片、语音进门前，都要换成 token 这一种「通用货币」。
类比失效的地方在于：汇率对所有人一致、一天一个价，多模态的折算率却既随分辨率和时长变化，各家模型又各有算法，没有统一「汇率表」，只能查各自的官方文档。
图片怎么折算：先切块，再按块计费
主流做法是把图片缩放后按固定尺寸切块，每块折算成固定数量的 token，一张图对应几百上千个 token 都属常见。分辨率越高、切块越多、开销越大。这解释了一个常见现象：发一张高清表格截图，比发几十个字的提问贵得多，上下文窗口被图片大量占用后，留给对话的空间就少了。
能带走的做法：只想让模型看个大概，先压缩再发送；需要读清小字（合同条款、代码截图）才保留高清，并接受更高的消耗。
语音怎么折算：按时长，也按各家规则
语音一般按播放时长折算，几十秒的音频对应几百个 token 的量级，但具体比例因模型而异，没有统一标准。同一个问题，直接说 30 秒语音和先打 50 个字，消耗可能差出数倍。
用豆包或讯飞星火这类带语音交互的助手时可以留意：嘈杂环境录的音，先转文字、顺手删掉口头禅再发送，往往又省又准。具体折算规则以各家官方文档的最新版本为准。
折算率和你有什么关系
哪怕不写程序，折算率也实实在在影响体验：长对话里模型开始「忘事」，多数时候是上下文窗口被前面的图片占满了；按量计费的产品，账单大头也常是几张高清图。看懂折算，就能预判什么时候该省、什么时候值得花。
顺带理清两个相邻概念：图片在模型眼里的清晰度，是站内讲的识图分辨率档位；模型文件里每个参数记多细，则是权重精度的话题。一个管输入，一个管文件，别混。
一次对话的账单是怎么累出来的
文字按字词计、图片按块计、语音按时长计，三者累加不能超过模型的上下文窗口，超了就截断最早的内容。长对话中途贴大图，等于把前面的记录往外挤——很多人觉得「模型越聊越糊涂」，这是直接原因之一。
三种输入各按什么单位折算，最后落到账单上的差别。
| 输入类型 | 折算方式 | 消耗量级 | 省额度的做法 |
|---|---|---|---|
| 纯文字 | 按字词切分计价 | 三者中最低 | 长对话优先用文字，历史截图先转写成文字再聊 |
| 图片 | 缩放后按固定尺寸切块，每块折成固定数量的 token | 一张几百到上千 token，分辨率越高、切块越多越贵 | 只看大概就先压缩再发，要读小字才保留高清 |
| 语音 | 按播放时长折算 | 几十秒对应几百 token，比例因模型而异 | 嘈杂环境录的音先转文字、删掉口头禅再发 |
省额度有两个可操作的办法：把历史截图里的关键信息先让模型转写成文字再继续聊，文字的折算成本通常远低于图片；另外可以看看 Kimi 这类主打长文档的产品，窗口更大，贴图前也先想想值不值。多模态只是模型家族的一角，同一家族里还有把文本压成语义坐标的嵌入模型、给检索结果排座次的重排序模型，各管一段，知道分工有助于选对工具。
多模态消耗速查
- 纯文字：按字词切分，消耗最低，长对话优先用文字；
- 图片：按切块数计，分辨率越高越贵，读小字才上高清；
- 语音：按时长折算，嘈杂音频先转文字更划算；
- 自查一句：发图前先问「模型需要看清到什么程度」，能低清就别高清。
读者对多模态 token的常见疑问
- 一张图片一定比一段文字贵吗？：多数情况是，几百 token 起步很常见，但具体数字随分辨率和模型版本变化，以官方文档为准。
- 语音先转文字再发送会更省吗？：通常会，转写后的文字比同一段语音折算的量少得多，还能顺手删掉重复内容。
- 为什么同一张图两次消耗不一样？：它可能被服务端自动缩放过，或模型更新了折算规则，数字对不上时先查官方的最新说明。
