录音和视频直接传给 AI 问：30 分钟录音问一次约 4660 豆，先算账再传
结论先说：在附件菜单选「视频 / 录音」，传完打一句话就能问，不用换模型。30 分钟、50MB 的录音问一次约 4660 豆，10 分钟、100MB 的视频问一次约 5.2 万豆。 视频比录音贵一个量级，追问每次也要重新算一遍文件，所以传之前值得先算一下账。标准会员每月 160 万豆，按这个用法够问 343 次长录音，或者 30 次长视频。
一次要花多少豆
| 文件 | 问一次约 | 160 万豆能问 |
|---|---|---|
| 5 分钟、8MB 录音 | 1000 豆 | 约 1660 次 |
| 30 分钟、50MB 录音 | 4660 豆 | 约 343 次 |
| 1 分钟、10MB 视频 | 5400 豆 | 约 295 次 |
| 10 分钟、100MB 视频 | 5.2 万豆 | 约 30 次 |
口径： 2026 年 10 月站内费率，录音走千问 3.8 全模态 Flash，视频走千问 3.8 Flash，输入输出都是 0.2 豆 / token。录音每秒约 7 token，视频每秒约 400 token，一次回答按 1200 token 估，再加每 MB 38 豆的文件流量费。
这张表只用来建立预期，你不用自己算。文件传完，附件卡片上会直接写「本次约 N 豆」，实际按模型返回的用量扣。如果你当前选的是另一个能看视频的模型，比如更贵的版本，就按那个模型计价，卡片上的数字会跟着变。
实测一段 13 秒的视频，总共用了 4867 token，折合约 1000 豆。新用户登录送的 5000 豆，够问一次 30 分钟录音，或者几十秒的短视频。10 分钟的视频要先买会员才问得起。
怎么传：一步
- 点输入框的上传文件，选「视频 / 录音」，挑一个文件；
- 等上传进度走完，卡片显示时长和预估豆子；
- 打一句话，发送。
附件菜单里的「视频 / 录音」入口和消息里的播放卡片（测试环境截图，文件是示例）
不用选模型。当前模型看不了视频或听不了录音时（比如 DeepSeek、Kimi），这一条会自动交给能看的模型回答。消息里的文件可以直接播放，拖进度条就能对照回答里的时间点。
最省豆的 3 个做法
一条消息把问题问全。 传完后追问「第 5 秒讲了什么」不用重传，但模型要把原文件再读一遍，文件 token 和流量费都再算一次。10 分钟的视频追问 3 次，就是约 20 万豆。与其一句句问，不如第一条就写：
总结这段录音的要点，列出每个人提到的待办和截止时间，再标出争论最多的那一段在第几分钟。
视频先剪后传。 只关心其中 2 分钟，就只传这 2 分钟，豆子差 5 倍。
只要听内容，就传音频。 同样 10 分钟，录音（约 16MB）约 1700 豆，视频（100MB）约 5.2 万豆。如果画面不重要（讲座、访谈、播客），把音频导出来再传，能省九成以上。
手上的内容该怎么传
| 你手上有什么 | 用哪个 |
|---|---|
| 手机录音、会议录屏、本地视频 | 本文说的上传 |
| B 站、抖音等网上的视频 | 保存到本地再上传 |
| 要逐字稿、说话人分开 | 用录音转文字，再把文字拿来问 |
什么情况传不上去
| 情况 | 你会看到 | 怎么办 |
|---|---|---|
| 格式不对 | 仅支持 mp4、mov、webm 视频和 mp3、m4a、wav 音频 | 先转格式 |
| 视频超 100MB 或 10 分钟 | 视频不能超过 100MB / 10 分钟 | 先剪一段 |
| 录音超 50MB 或 30 分钟 | 音频不能超过 50MB / 30 分钟 | 先剪一段 |
| 一条消息传第二段 | 一条消息先传一段 | 发出后接着传下一段 |
| 一天传超 2GB | 今天上传额度用完了 | 第二天再传 |
文件保存 180 天，到期后消息里显示「文件已过期」。
准不准
测试用的 13 秒视频，人物、水印和第 7~8 秒的动作都对得上。16 秒录音能逐句列出原文和时间段。但一段 3 秒的录音，把「欢迎使用阿里云」听成了「关于使用阿里云」。所以人名、金额、日期这类要紧的内容，让它给出时间点，再回去听一遍原声。
现在可以做的
打开下面的链接，问题已经填好，传上你的录音就能发：
总结这段录音的要点，列出每个人提到的待办和截止时间，再标出争论最多的那一段在第几分钟。
一句话总结
录音放心传，长视频先剪，问题一次问全。 卡片上的「本次约 N 豆」就是你要看的数，超出预期就先删掉重来，不扣豆。