大模型时代，我们对信息的搜集和处理需求被极大地释放了。无论是以AI录音卡为代表的语音记录硬件，还是以AI陪伴、AI助手为代表的自然语音交互，大家正以不同的方式，在人与人、人与AI之间进行着海量的信息置换和传递。

无论你是一个普通用户还是一个创业者，当你躬身入局，亲自深度使用或者下场做一款AI产品的时候就会发现：“不当家不知道柴米油盐贵”。无论是AI陪伴还是会议记录工具，AI服务的长期成本，如果没有一个完美的商业模式来支撑，真的是用的越多，亏得越多！

当市场需求在快速增加，但底层成本还居高不下的时候，往往意味着变革的开始，必然会有新入局者搅动这个市场。

一个小时的AI会议记录，成本到底有多少？

首先，我们看一下AI录音卡（Plaud）的会员机制：

Plaud的会员收费

它的专业会员一个月订阅费是28元，包含20小时额度，折算下来单价是 1.4元/小时。

那么，用AI处理一个小时的会议，真实的云端服务成本到底是多少呢？我们硬核地来算一笔账。

一般一个小时的会议，粗略按照40分钟有效讲话时长计算（去除停顿和静音）。正常人的语速差不多是1秒钟5个字，40分钟差不多是 40 * 60 * 5 = 1.2万字。

我们按照一个汉字1.5个Token来计算，一个小时的会议差不多可以产生1.8万的输入Token，再加上System Prompt（系统提示词），我们宽裕点按2万Token来算。（其实我自己实际使用下来，一个小时的会议根本用不了2万Token。）

输出Token的消耗，则和你定制的总结提示词以及想要提取的信息量有关。但一般也就是一两千字，太长了也没有阅读意义。假如按2000字算，输出Token差不多就是0.3万。

我们按照 Deepseek V4 Flash 版本的API价格来计算，每百万Token输入是1块钱，输出是2块钱。

总结一下，一场一个小时的会议下来，调用AI大模型的费用如下：

输入Token 大约2W，成本 0.02元； 输出Token 大约0.3W，成本 0.006元； 总成本仅为：0.026元！

你看，大模型的处理费用才不到3分钱！ 那么剩下高昂的成本去哪儿了？

没错，全在语音识别（ASR）上！

我们看一下国内两个头部云厂商的语音识别API价格：

豆包的录音文件识别API价格

阿里云的录音文件识别API价格

最便宜、最优惠的单价也要 0.67元/小时。而且别忘了，这里还没有算云服务的并发费用。当API使用量大了之后，并发费用绝对是一个不能忽略的庞大数字。

一目了然，一次AI会议转录最核心的成本，根本不在大模型，而是在前置的语音识别服务上。

传统的API定价，明显落后于时代了

互联网上的公开数据已经越来越不值钱了，它们早就被压缩、吸收进了各大模型中。而每个人每天真实听到、看到的事情，才是最稀缺、最重要的。

这必然也是将来AI发展的一个核心方向——个性化AI（Personal AI）。

为什么抖音、小红书逐渐抢占了百度等传统搜索引擎的时间？不就是这个道理吗。当一个应用通过算法把用户留住，用户画像越来越精准，体验也就越个性化。相比之下，那种只有等用户有需求时才去主动搜索的平台，自然就没落了。

作为强大的生产力工具，大模型把信息处理的效率提高了几个量级，极大地解放了人们提取知识的效率。这就意味着，我们需要把更多真实的“原材料”投喂给模型。这也就是为什么近两年AI录音卡、便携记录硬件（比如Looki）能够应运而生——大家抢占的都是大模型的上游，即最核心的个性化私有数据。

我们单看语音这一个维度。假如一个人一天录制8个小时的语音，按照上面的云端API价格计算，一个小时六毛钱，一天将近5块钱。那么一年的语音识别云服务费就要1800块钱，接近2000元！

别说普通用户了，就是高频重度办公用户，也未必愿意每年为此持续掏2000块钱。短期来看，对于高需求用户，API调用的确过于昂贵；而在新的商业模式还没跑通之前，云厂商也不太可能大幅降价。

面临这种行业困局，我们该怎么解决呢？

充分利用端侧闲时算力和开源力量

这是目前实现降本增效最好的方式。

什么是我们端侧的闲时算力？就是我们每天都在用的智能手机和个人PC。

我个人认为，目前的个人端侧算力是严重过剩的。

比如对于一台办公用的Mac来说，平时我们主要用它处理一些基础的工作事务，它内部强大的芯片算力实际上长期处于闲置状态。如果能够充分将这些闲置算力利用起来，就能极大地降低AI服务的边际成本。

另一方面，越来越多的用户开始习惯“Always On（全局常开）”的记录方式，因为这样没有主动开关机的心理负担。但随之而来的，是极其敏感的数据隐私安全问题。这时候，我们更加需要让数据在端侧（本地）进行闭环处理。

以我个人的痛点为例：我每天有大量的会议需要参加——面试、日会、周会、对接客户等等。很多时候客户说“我们今天的需求主要有三个”，等他说完第三个的时候，前两个我已经忘了。 所以高质量的语音记录和AI总结绝对是刚需。

但市面上录音卡的持续订阅费对我来说确实太贵了。因此，我们团队自己动手开发了一款桌面端产品。

我们将热词引擎、声纹识别、语音识别（ASR）全部集成在端侧，实现本地部署运行，在Mac上跑起来毫无压力。

每天的会议纪要及其关联性，一目了然，完全本地化，安全又高效。

大模型部分则按需充值，总结提示词（Prompt）模板可以根据自己的工作流随意定制。每天、每周、每月消耗了多少Token，账单都清清楚楚、明明白白。

客观地说，端侧本地跑的模型在极限精度上和云端巨头可能差一些，但是用于会议记录和总结，由于上下文足够长，加上我们做的大量工程优化（特别是热词、关键词唤醒技术），效果已经完全够用，甚至在某些特定场景下更好用。

你相信“端侧AI”会爆发吗？

以前我不相信，但是随着技术的演进和成本的倒逼，现在我慢慢相信了。

为什么呢？如果你认同“AI Agent（智能体）将来能成为一种全新的操作系统（OS）”，那么你就有充分的必要条件去相信端侧AI的爆发。