2026 年最佳语音 AI Agent 平台

你想要一个能接电话、预约行程或筛选线索的 AI，而十家厂商都说自己最快、最便宜、最像真人。 价格页对不上号：有的按分钟全包计费，有的收平台费再加转嫁的模型成本，有的把数字藏在销售电话后面， 还有的是需要你自己托管的免费框架。

本文依据各厂商自己的定价页和文档（抓取于 2026 年 11 月 11 日）把它们放在一起比较。简短结论： 想这周就上线电话 Agent，选 Retell AI 或 Vapi；想要自己能掌控的代码，选 LiveKit Agents 或 Pipecat；每分钟成本是硬约束，选 Deepgram； 受监管的企业想买托管的结果，选 Bland 或 Synthflow。细节和注意事项见下文。

独立创作者 Jonas Massie 的对比视频（英文），评测 ElevenLabs、LiveKit、Vapi、Retell、Synthflow 和 GoHighLevel Voice AI，维度包括价格、成熟度、开发者友好度和支持。视频中的观点属于创作者本人，不代表我们。

简短回答

没有唯一的最佳平台，因为“语音 AI Agent 平台”涵盖三类不同的产品。托管电话 Agent 平台（Retell、Vapi、Bland、Synthflow、ElevenLabs Agents）给你控制台、电话号码和按分钟计费的账单。开发者框架与云（LiveKit Agents、Pipecat、Pipecat Cloud）给你代码和托管。模型与 API 厂商（OpenAI Realtime API、Deepgram Voice Agent API）给你语音管线，电话、工具和运维留给你自己。

三个发现决定了我们的排序。第一，标价的每分钟价格很少是全部账单：Vapi 的 $0.05 只是托管费，ElevenLabs 在 $0.08 之上另计 LLM，只有 Bland 和 Deepgram 把模型打包进一个费率。第二，延迟数字全部是厂商自述，十家里没有一家发布中立基准。 第三，Hume 曾是表现力语音候选名单上的常客，却将在 2026 年 11 月 13 日关停 EVI，因此它排在榜单末尾，作为警示而不是推荐。

快速推荐

总对比：价格（截至 2026 年 11 月 11 日）

下表每个单元格都来自厂商的实时定价页。价格以美元计，不含税。请仔细看第二列：有的是全包价，有的只含平台费， OpenAI 的数字按 token 计，因为 OpenAI 没有公布每分钟费率。

总对比：能力

第二张表说明你能用什么来构建：无代码还是代码、能替换哪些模型、通话如何接入电话网络、核心是否开源， 以及各厂商声称的延迟。函数调用（工具使用）在这十个平台上都以某种形式提供，所以没有单独成列； 区别在于工具如何定义，以及运行得有多可靠。

如果你想单独评估语音层，我们的姊妹指南 最佳文本转语音 API 和 最佳语音转文本 API 会更深入地介绍 这里每个平台所接入的语音和转写引擎。

构建语音 Agent 的三种方式

LiveKit 在 2026 年 10 月的一条帖子里把格局说得很清楚：语音 Agent 有三种构建方式。级联式管线把语音转文本、 LLM 和文本转语音串联起来。回合制语音到语音模型输入音频、输出音频，一次一个回合。全双工模型则同时听和说。本文列出的平台对这三种方式的支持组合各不相同。

级联式是电话场景的默认选择。你可以挑最好的转写引擎、够用且最便宜的 LLM，以及符合品牌的声音， 还能通过读转写文本逐段调试。代价是三次跳转带来的延迟，这也是各厂商争相优化话轮检测和流式输出的原因。 语音到语音模型跳过转写，听起来可能更自然，但你会失去一部分控制，而且每分钟价格更高： Retell 标价 GPT Realtime 2.1 为 $0.38/分钟，而它的级联式默认估算是 $0.11。 全双工最新、也最不成熟，建议当作需要测试的东西，不要拿来搭建呼叫中心。

Vapi

Vapi 称自己是语音 AI Agent 的开发者平台。每个助手由转写引擎、语言模型和声音组成，你可以从很长的供应商列表中分别选择， 其中包括 OpenAI、Anthropic、Google、Gladia、Deepgram 和 ElevenLabs。它提供两种构件：Assistants，即单个提示词加工具和结构化输出；以及 Squads，把多个专家助手串起来并在转接时保留上下文， 适用于医疗分诊或订单处理等场景。

价格（截至 2026 年 11 月 11 日）。仅按用量计费的档位起步为 $0，附赠 $5 免费额度，之后 Vapi 托管费为 $0.05/分钟（预付）， 模型供应商按成本转嫁。该档位包含 2 个组织、1 个入站 Vapi 号码、4 路并发和 14 天原始数据保留。Core 为 $29/月（10 路并发、5 个号码、ZDR、2 个工作日邮件 SLA）。Pro 为托管费的 10%，最低 $999/月（30 路并发、180 天保留、RBAC、Slack 频道、99% 可用性 SLA）。Premier 由销售主导，提供 99.9% 可用性 SLA 和专用 SIP。Vapi 自家的每月 1,000 分钟示例包含 $50 托管费、 约 $10 的 Deepgram 转写、$8 至 $45 的 OpenAI 和 $15 至 $24 的 ElevenLabs 语音，合计 $82 至 $129。

电话接入。免费的 Vapi 号码只能接入站电话。要拨出电话，需要从 Twilio、Telnyx 或 DIDWW 导入号码。 Vapi 将自家的电话和 SIP 传输费列为 $0，Premier 客户可获得专用 SIP。延迟。文档称响应时间低于 600ms 且话轮切换自然， 这是厂商自述的数字。

优点。托管平台中模型选择最广，转嫁式定价清晰，控制台让非工程师几分钟内就能搭出第一个 Agent，其余一切都有 API， 并且官网声称通过 SOC 2、HIPAA 和 PCI 合规。缺点。账单有五个变量（托管、转写、LLM、语音、电话），所以标价会低估总成本， 而且真正有用的支持档位从 $29 和 $999 的套餐才开始。最适合：想快速做原型、自由更换供应商， 并在不换平台的前提下升级到企业功能的团队。

Retell AI

Retell 把自己定位为面向呼叫中心的语音 Agent 平台，并称已在 4,000 多家企业投入生产。它的卖点偏运营： 在接通前先向人工坐席简要说明情况的 Agent 式暖转接，能按键穿过电话树并输入分机号的 IVR 导航， 以及把确定性流程与生成式回复混合使用，这样脚本中的某一步不必依赖模型临场发挥。

价格（截至 2026 年 11 月 11 日）。Retell 按量付费，没有平台费，也没有功能分级限制。 页面报价为 $0.07 至 $0.31/分钟，取决于你的选择，其计算器的默认值落在 $0.11/分钟：语音基础设施 $0.055、LLM $0.04、TTS $0.015， 使用自定义电话时电话费为 $0。组件价格是公开的。平台语音以及 Minimax、Fish、Cartesia、OpenAI 和 Inworld 的语音都是 $0.015/分钟， ElevenLabs Flash 为 $0.04，ElevenLabs v3 或 v4 为 $0.08 至 $0.10。LLM 从最小模型的 $0.0016/分钟， 到 GPT 5.5 或 Claude 5 Opus 的 $0.16（快速档更高，最高 $0.384）不等，语音到语音选项包括 $0.38/分钟的 GPT Realtime 2.1 和 $0.07 的 mini。通过 Twilio 或 Telnyx 的 Retell 号码每分钟加收 $0.015，SIP 中继或自定义电话不收费。 附加项包括知识库查询 $0.005/分钟、PII 去除 $0.01、安全护栏 $0.005。20 路并发免费；额外容量每路并发 $8/月。

计费细节在这里很重要：通话精确到秒计量，静音和等待时间也会计费，因为语音转文本一直在监听，只对已接通的通话收费， 通话转给人工后 AI 费用停止，而电话费用继续计算。

优点。托管平台中价格表最透明，20 路免费并发很慷慨，功能是为真实呼叫中心打造的。缺点。模型列表变动频繁，成本随你选的 LLM 和声音大幅浮动，所以 $0.07 至 $0.31 的区间很宽； 官网约 600ms 的延迟数字是厂商自述。最适合：想要托管电话 Agent、组件价格可预测并且需要转接人工的团队。 Retell 的定价页还内置了估算器，入围之前值得用一下。

Bland AI

Bland 瞄准的是不能出错的通话：医疗、保险和金融服务。它的标志性说法是“唯一完全运行在自家模型上的语音 AI”， 因此听、想、说都跑在 Bland 自己的栈上，而不是第三方厂商的拼凑。它称有 230 多家受监管公司在使用，原生支持 40+ 种语言， 并可部署在电话、短信和网页上。

价格（截至 2026 年 11 月 11 日）。Bland 把 LLM、语音转文本和文本转语音打包成一个每分钟数字，没有 token 费用。Start 为 $0.14/分钟，无平台费、无需信用卡，含 10 路并发、每天 100 通电话，转接 $0.05/分钟。Build 为 $0.12/分钟加 $299/月平台费，含 50 路并发、每天 2,000 通电话，转接 $0.04。 Enterprise 为定制：专用基础设施、本地或 VPC 部署、前置部署工程师、BAA、SSO 和数据驻留。 电话费用单独计费，可用你自己的 Twilio、SIP 中继，或按成本价使用 Bland 的。套餐表中，暖转接和实时转接、护栏和短信仅在 Enterprise 提供。

Bland 的 FAQ 拿自己和 Vapi、Retell 做了对比，称这两者的典型生产栈大约是每分钟 $0.13 至 $0.30 和 $0.11 至 $0.25。 这是 Bland 自己的说法，请当作营销看待；下面的成本部分改用各厂商公开的数字。它还列出了 SOC 2 Type I 和 II、带 BAA 的 HIPAA、 GDPR、ISO 27001 和 FedRAMP 20x Class A，Enterprise 可在 NDA 下获取文档，并描述了 28 天的企业上线流程。

优点。一个简单的数字，端到端的栈只有一个责任方，出问题时有人可找，合规叙事是这里最强的。缺点。你无法更换 LLM 或语音厂商，受监管买家关心的功能（BAA、SSO、暖转接）都在 Enterprise 之后， 自助套餐还有每日通话上限。最适合：想要一个负责到底的供应商、且能接受封闭技术栈的受监管企业。

Synthflow

Synthflow 销售的是嵌入现有电话系统的 AI 语音 Agent。它的客户案例是 Batteries Plus：在美国 700 多家门店的 Zoom Phone 中运行名为 Edison 的 Synthflow Agent，从启动到试点用了五周，页面称暖转接时 Agent 响应时间低于 0.5 秒（厂商自述）。 官网声称每天通话超过 100 万次、可用性 99.99%、100+ 企业客户，并展示了通话过程中的 CRM 更新。

价格（截至 2026 年 11 月 11 日）。没有公开费率。Synthflow 以年度企业协议销售，按通话量、电话、集成、安全和上线支持定制， 没有免费套餐、没有试用，也没有每分钟价格。合同可涵盖 Synthflow 原生电话、SIP 中继或经批准的企业电话， 并为 BPO 和软件平台提供白标工作区。其 Trust Center 列出 SOC 2 Type 2、ISO/IEC 27001、GDPR、HIPAA（自我声明）和 PCI DSS v4.0.1， ISO/IEC 42001、DORA 和欧盟 AI 法案显示为进行中。

优点。与呼叫中心深度集成、前置部署工程师、白标，以及可信的企业客户名单。缺点。不经销售沟通就无法试用，无法比较每分钟成本，并且我们抓取的页面没有说明能否自带 LLM 或语音。 最适合：想要托管部署、并乐于谈判的中型和大型企业呼叫中心、零售连锁和 BPO。

ElevenLabs Agents

ElevenLabs 是从语音这一侧进入语音 Agent 的。它的 Agents 产品（营销名称 ElevenAgents）可在语音、聊天和邮件渠道上配置、部署并监控 90+ 种语言的 Agent， 公司称每周处理超过 1,000 万次对话。它的卖点是质量：自研语音模型，并与多家厂商的语音识别、话轮切换和推理模型结合。

价格（截至 2026 年 11 月 11 日）。Agent 按通话分钟计费，不占用共享额度池。各套餐包含：Free 15 分钟和 4 路并发；Starter 75 和 6； Creator 275 和 10；Pro 1,238 和 20；Scale 3,738 和 30；Business 12,375 和 40。额外分钟为 $0.08，超过并发上限时按突发价翻倍为 $0.16， 文字消息每条 $0.003。LLM 使用另行计费。ElevenLabs 不额外收取电话费，但接入的 Twilio 账户或 SIP 中继会直接向你计费。 由于 LLM 另计，真实的每分钟数字是 $0.08 加上你选的模型，这使它更像 Retell 的组件式模型，而不是 Bland 的打包价。

优点。选它的理由是语音质量和语言覆盖，工具调用是 Agent 配置的一部分，免费套餐便于测试。缺点。低档套餐的分钟额度有限，突发定价在峰值时翻倍，官网只写“超低延迟”而没有数字。最适合：声音本身就是产品的面向客户的 Agent，例如品牌助手、多语言客服，以及讲故事或角色类 Agent。

OpenAI Realtime API

OpenAI 是模型加 API 的选项。Realtime API 提供语音到语音模型，一跳完成音频输入到音频输出，会话可通过浏览器里的 WebRTC、服务器上的 WebSocket 或用于电话的 SIP 连接。在 WebRTC 和 SIP 连接中，服务器会管理输出音频缓冲，因此知道实际播放了多少音频，来电者打断时会截断其余部分。 文档还展示了通过 Twilio 把音频流式传到电话通话中。没有无代码构建器：Agent、工具和通话流程都由你来写。

价格（截至 2026 年 11 月 11 日）。OpenAI 按 token 计价，经典 Realtime 模型没有公布每分钟数字。gpt-realtime-2.1 音频为每百万 token 输入 $32、输出 $64（缓存输入 $0.40），文本输入 $4、输出 $24。gpt-realtime-2.1-mini 音频输入 $10、输出 $20，文本输入 $0.60、输出 $2.40。gpt-realtime-2、gpt-realtime-1.5 和 gpt-realtime 保持 $32 和 $64 的音频费率。 另有一条 GPT-Live 价格，gpt-live-1 为 $0.05/分钟，按秒计费，后端模型和工具使用另计。 第三方会替你换算成分钟：Retell 标价 GPT Realtime 2.1 为 $0.38/分钟、mini 为 $0.07，LiveKit 在其推理套餐上标价 GPT Realtime 2.1 为 $0.0676/分钟、 mini 为 $0.0216。这两种换算差距很大，所以做预算前要弄清你的供应商和对话模式适用哪个费率。

还有一个日期需要注意，如果你打算把 OpenAI 单独的文本转语音端点搭配其他技术栈：文档称 tts-1、tts-1-hd 和gpt-4o-mini-tts 已弃用，并将于 2027 年 1 月 6 日关停，迁移路径是通过 Realtime API 使用 gpt-realtime-2.1-mini。

优点。模型与语音的集成最紧密，模型强，首次演示容易。 缺点。其他一切（电话接线、工具管道、监控、重试）都归你，token 计价难以换算成单通电话的预算， 而且 OpenAI 没有公布中立的延迟数字。最适合：想要语音到语音质量、并愿意自建通话层的工程团队， 通常通过 LiveKit 或 Pipecat 来做，它们都封装了 OpenAI 的实时模型。

LiveKit Agents

LiveKit Agents 是一个开源框架（Apache-2.0，2026 年 11 月 12 日约 15,191 个 GitHub star），用于以 Python 或 Node.js 构建语音、视频和多模态 Agent， 搭配 LiveKit Cloud 提供部署、电话和推理。你编写一个会话，把 STT、LLM、TTS（或单个实时模型）连起来， LiveKit 负责 WebRTC 传输、话轮检测和扩缩容。LiveKit Inference 让你通过一个账户、一张账单调用多家供应商的模型， 而不必为每家厂商管理一把密钥。

# LiveKit Agents (Python)：级联式 STT -> LLM -> TTS 会话
# 摘自 LiveKit 文档快速入门并改编；省略 import。
server = AgentServer()

@server.rtc_session(agent_name="my-agent")
async def my_agent(ctx: agents.JobContext):
    session = AgentSession(
        stt=inference.STT(model="assemblyai/universal-3-6-pro", language="en"),
        llm=inference.LLM(model="google/gemma-4-31b-it"),
        tts=inference.TTS(
            model="fishaudio/s2.1-pro",
            voice="fa4c9eb3dccc4806b382b40d61c6b10a",
        ),
        turn_handling=TurnHandlingOptions(
            turn_detection=inference.TurnDetector(),
        ),
    )
    await session.start(room=ctx.room, agent=Assistant())

在同一个框架里换成语音到语音模型只需很小的改动：

# 同一个框架，用语音到语音代替三个阶段
# 摘自 LiveKit 文档并改编；省略 import。
session = AgentSession(
    llm=inference.RealtimeModel(
        model="openai/gpt-realtime-2.1",
        voice="marin",
    ),
)

价格（截至 2026 年 11 月 11 日）。Build 套餐为 $0/月，含 1,000 个 Agent 会话分钟、5 路并发会话、一个免费电话号码、可观测性和模拟测试。 Ship 起价 $50/月（含 5,000 分钟，之后 $0.01/分钟，20 路并发会话，自定义语音，回滚）。Scale 起价 $500/月 （含 50,000 分钟，最多 600 路并发会话，区域固定，私有链接，HIPAA 报告，推理折扣）。Enterprise 增加量级定价、SSO 和 SLA。 LiveKit 的计算器对默认模型下的电话 Agent 估算为 $0.0479/分钟：Agent 会话 $0.01、电话 $0.01、LLM $0.0014， STT 和 TTS 各 $0.0075 至 $0.01。模型价格按分钟列出，从 DeepSeek-V4.1 Flash 的 $0.0011 到 Gemini 4 Argon 的 $0.0155， OpenAI 的实时模型更高。

LiveKit 自己的帖子显示产品迭代很快。9 月，公司宣布 LiveKit Cloud 上的 Agent 部署，可让预发布环境与生产环境并行运行：

优点。本榜单中最低的每分钟估算，开源且有真正的退路，内置 SIP 电话，强大的测试与部署工具， 并且通过 Inference 提供最广的模型菜单。缺点。 以代码为先、没有可视化构建器，你要运维的部分比托管平台多， 而且众多活动部件（框架、云、推理、电话）需要实打实的学习。最适合：既想要掌控又想要托管选项、 正在构建语音产品的工程团队。我们的 LiveKit Agents 与 Pipecat 对比文章讲得更深入，构建 AI 电话 Agent 指南 则端到端演示一个可运行的实现。

Pipecat 与 Pipecat Cloud

Pipecat 是 Daily 团队推出的开源 Python 语音与多模态 Agent 框架（BSD-2-Clause，2026 年 11 月 12 日约 17,214 个 GitHub star）。 它把 Agent 建模为传递帧的服务管线，并对接 80 多家 LLM、STT 和 TTS 供应商，包括 Anthropic、Cartesia、Deepgram、ElevenLabs、Google 和 OpenAI。 传输层包括 Daily WebRTC、WebSocket，以及用于拨入拨出的 Twilio Media Streams。函数调用是框架的一部分， 因此 LLM 可以在对话中请求查询和操作。

价格（截至 2026 年 11 月 11 日）。框架免费。托管的 Pipecat Cloud 按 Agent 规格对每个活跃分钟收费：agent-1x（0.5 vCPU，1 GB）$0.01，agent-2x $0.02，agent-3x $0.03， 预留常驻费率分别为每分钟 $0.0005、$0.0010 和 $0.0015。并发不限。Pipecat Cloud 上 1:1 会话的 Daily WebRTC 语音免费， SIP 拨入拨出为每分钟 $0.003 至 $0.02，PSTN 为每分钟 $0.018，Twilio 向供应商计费，SIP REFER 转接每次 $0.20。 Krisp VIVA 降噪每月 10,000 活跃分钟内免费，之后 $0.0015。录音音频为 $0.005/分钟。LLM、STT 和 TTS 账单来自你所选的供应商。

优点。宽松的许可证、最大的供应商菜单、非常易于改造的管线模型，以及简单的托管价格。缺点。仅支持 Python，没有可视化构建器，除非通过 Daily 安排企业计费，否则你要自己组装并逐一向各供应商付费。最适合：想要最大灵活性并保留自托管选项的 Python 团队。如果你在自己的服务器上运行， 我们的最佳 AI GPU 云（英文）指南介绍了自托管模型该放在哪里，LiveKit 与 Pipecat 对比则讲了取舍。

Deepgram Voice Agent API

Deepgram 起家于语音转文本，现在提供一个单一的 WebSocket API，打包了语音识别、托管语言模型和文本转语音。 你可以换成自己的 LLM 或 TTS 来降低价格。该 API 支持函数调用，因此 Agent 可以在对话中调用外部服务。

价格（截至 2026 年 11 月 11 日）。按 WebSocket 连接的分钟数计费，一个费率涵盖 STT、托管 LLM 和 TTS。按量付费：Standard $0.075/分钟，Standard 自带 TTS $0.065， Custom 自带 LLM $0.065，Custom 自带 LLM 和 TTS $0.050，Advanced $0.163，Advanced 自带 TTS $0.122。 Growth（预付额度起价 $4,000/年，最高 8 折）将上述价格降到 $0.068、$0.051、$0.059、$0.041、$0.146 和 $0.110。 新账户获赠 $200 免费额度，无需信用卡，Deepgram 称约可覆盖 43,000 分钟的 Nova-3 转写。 Growth 的 Voice Agent 并发在北美最多 60，在欧洲、澳大利亚和印度最多 45。合规方面包括 SOC 2 Type 1 和 2、 Enterprise 的 HIPAA 及 BAA、带欧盟端点的 GDPR 和 PCI，Enterprise 客户还可在自己的 NVIDIA GPU 上运行自托管容器。

优点。本对比中公开的最低托管全包费率，打包价格易于预测，底层的 STT 和 TTS 很强（见我们的 语音转文本榜单）。缺点。 它是 API，不是电话通话产品：电话、通话流程和你自己的可观测性都要自备，并且我们抓取的页面上没有延迟数字。最适合：优化每分钟成本、并且愿意搭建周边系统的团队。

Hume EVI

Hume 的 Empathic Voice Interface 曾是一个实时语音到语音 API，能根据来电者的声音调整语气， 具备打断处理、工具调用，并支持自定义语言模型。它曾是表现力语音演示的最爱，但它也要下线了。

状态（截至 2026 年 11 月 11 日）。Hume 正在下线其 EVI 和 Octave 文本转语音 API。它们将于美国东部时间 2026 年 11 月 13 日 00:01 停止响应， 在此之前保持完全支持，之后 Hume 会永久删除账户中的数据。关于来源有一点需要说明：Hume 的旧文档链接现在重定向到 Audio Decisions API 页面， 所以我们无法加载 Hume 自己的公告。日期来自 Cartesia 的迁移指南，该指南引用了 2026 年 10 月 3 日存档的 Hume 开发者文档。 如果你有 EVI 集成，请导出配置、提示词、日志，以及克隆声音所依据的源录音，并在截止日期前迁移。

Hume 现在做什么。它当前的产品是 Audio Decisions API，一个面向音频的决策模型：你发送一个 MP3 或 WAV 文件（1 秒到 5 分钟） 和用自然语言写的问题，返回概率，例如 Agent 是否抢了来电者的话，或听起来在五分制上有多自然。它不是语音 Agent 平台， 但可以用来给你的 Agent 的通话打分。Hume 的首页有一个排行榜，gemini-3.1-flash-live（3.76）和 gpt-realtime-2（3.74）领先， 一个 ElevenLabs agent 为 3.45；这些是 Hume 自己的评分，应当视为一家厂商的观点。最适合：评估语音 Agent。不要用 EVI 做任何新东西。

10,000 分钟要花多少钱

把每分钟价格换算成月账单更容易比较。这是一个按每月 10,000 通话分钟做的粗略示例，只用上文公开的数字。 它不含号码租用、税费和并发附加项，并假设取每行所注明的最便宜的公开模型选项，所以用高端 LLM 或声音时你的实际总额会更高。

规律很清楚。框架和打包 API 在纸面上最便宜，托管平台在计入供应商费用后，以大约 2 到 3 倍的每分钟成本换来一层便利， 而企业合同制的厂商则把价格保密。这笔溢价值不值，取决于你自己搭建通话层要花多少工程时间。 把 Agent 自托管在租来的服务器上，账又会不一样；其他 Agent 基础设施类别如何给托管定价，可以看我们的浏览器基础设施榜单（英文）。

延迟：真正已知的信息

每家厂商都说自己的 Agent 很快。以下是截至 2026 年 11 月 11 日我们能找到的信息，并标注了每个数字的来源。 这些都不是独立基准。

• Vapi：“低于 600ms 的响应时间和自然的话轮切换”（Vapi 文档，厂商自述）。
• Retell AI：约 600ms（Retell 官网，厂商自述）。
• Synthflow：Batteries Plus 部署上 Agent 响应时间低于 0.5 秒（Synthflow 官网，厂商自述）。
• ElevenLabs Agents：“超低延迟”，没有数字。
• OpenAI、LiveKit、Pipecat、Deepgram、Bland：在已抓取页面上没有找到端到端延迟数字。
• Hume：其首页展示了一个 910 毫秒间隔导致 Agent 错过来电者紧迫感的示例，这只是示意，不是基准。

实际结论是，人类对话在几百毫秒的话轮间隔下会感觉自然，级联式技术栈配合快速 LLM 和流式 TTS 可以达到 600ms 左右， 但这个数字会随你的模型、声音、电话运营商和地区而变化。请在你自己的通话上、按预期并发、 并使用你真正要上线的 LLM，测量首个音频的时间。

如何选择

无论选哪个，有两条实用规则。第一，用你自己的号码试用：打 30 通脚本化通话，包括打断和转接人工， 比较首次开口时间和任务完成率。第二，签字之前把完整账单建好模，包括电话和 LLM。如果你的 Agent 还要操作其他系统， 可以在我们的最佳 MCP 服务器指南（英文）中了解它如何通过 MCP 连接， 编码工作流中语音界面的例子则可以看Antigravity 语音模式 CLI 指南（英文）。

评估方法

我们在 2026 年 11 月 11 日抓取了每家厂商的实时定价页、文档和首页，并在 11 月 12 日查看了 LiveKit Agents 和 Pipecat 的 GitHub 仓库。 本文中每个价格、限制和套餐名称都来自这些页面。当厂商隐藏价格（Synthflow，以及 Premier 和 Enterprise 档位）或只公布按 token 的费率（OpenAI）时， 我们如实说明，而不是估算。我们没有自己做通话测试，所以延迟数字都是厂商自述，并按此标注。 厂商对其他厂商的说法，例如 Bland 与 Vapi 和 Retell 的对比，也注明是其自述。排名是编辑判断，没有付费推广，也不使用联盟链接。 价格变动频繁；购买前请到厂商页面确认。

常见问题

来源

所有页面均抓取于 2026 年 11 月 11 日至 12 日。

• Vapi：定价与支持套餐；Vapi 文档：简介
• Retell AI：定价；Retell AI：首页
• Bland AI：定价；Bland AI：首页
• Synthflow：定价；Synthflow：首页
• ElevenLabs：定价；ElevenLabs Agents
• OpenAI：API 定价；OpenAI：Realtime API 指南
• LiveKit：定价；LiveKit Agents 文档；GitHub 上的 livekit/agents
• Pipecat Cloud：定价；Pipecat 文档；GitHub 上的 pipecat-ai/pipecat
• Deepgram：定价；Deepgram Voice Agent 文档
• Hume AI：首页；Hume 开发者文档：Audio Decisions API；EVI 下线日期来自 Cartesia 的 Hume 迁移指南（第三方，引用 2026 年 10 月 3 日存档的 Hume 文档）
• YouTube 上的 Jonas Massie：I Tested 6 AI Voice Agent Platforms（英文）
• LiveKit 在 X 上，2026 年 10 月 15 日；LiveKit 在 X 上，2026 年 9 月 2 日