用文本那套「每百万 token 多少钱」去估图像和视频，算出来的数字会低得离谱。因为它们根本不在 token 体系里：图像按张，视频按秒。一张图 0.04 美元听起来不多，但一次生成 10 张、一天跑几百次，量级和聊天完全不是一回事。

这一节把媒体计价单独拆出来，接到第 5 章的成本体系上。

一、问题不是「贵不贵」，而是「按什么单位算」

官方模型页把媒体价目按单位列得很清楚：

• 图像生成按张：grok-imagine-image-2.0 与 grok-imagine-image 单价不同。
• 视频生成按秒：不同型号、不同分辨率单价不同。
• 语音按分钟、转写按小时、TTS 按百万字符。

这意味着成本模型必须按能力域分开累加，不能用「请求数 × 文本单价」一把算完。第 5 章的 Workload 只覆盖文本；媒体要另开一栏。

二、最小可运行示例：媒体成本估算器

下面的脚本不联网、不需要真实密钥。它把「张」和「秒」两类单位分开，按型号取价，算一次生成任务的成本。

"""媒体成本估算：图像按张、视频按秒。"""

## 2026-11-04 官方 models 页示例价（USD）；实际以官方页与控制台为准
PRICES = {
    "image-2.0": ("张", 0.04),
    "image-base": ("张", 0.02),
    "video-1.5": ("秒", 0.080),
    "video-1.5-lite": ("秒", 0.020),
    "video-base": ("秒", 0.050),
}

def media_cost(model: str, units: int) -> float:
    if model not in PRICES:
        raise ValueError(f"未知媒体型号：{model}")
    _, unit_price = PRICES[model]
    return round(units * unit_price, 4)

def offline_check() -> None:
    cases = [
        ("10 张 image-2.0", "image-2.0", 10),
        ("15 秒 video-1.5", "video-1.5", 15),
        ("15 秒 video-1.5-lite", "video-1.5-lite", 15),
    ]
    for label, model, units in cases:
        print(f"{label}：${media_cost(model, units):.4f}")

if __name__ == "__main__":
    offline_check()

真正估算时，把 PRICES 换成你抓取当日的官方价；units 对图像是张数、对视频是秒数。不要把这两类相加成「一次请求的成本」——它们的量级差太多，混在一起会掩盖真正的开销来源。

三、图像与视频的计费差异

能力	计价单位	代表型号	注意事项
图像生成	每张	grok-imagine-image-2.0	n 可选 1–10，张数直接乘
视频生成	每秒	grok-imagine-video-1.5 / -lite	时长 1–15 秒，分辨率影响单价
图像理解	随文本 token	支持视觉输入的语言模型	不是按张计费
语音 / 转写 / TTS	分钟 / 小时 / 字符	Voice 系列	见 9.3

三件要强调的事：

• 图像「生成」与「理解」计费方式完全不同。理解是输入图片随文本 token 一起算；生成是按张。把两者混为一谈，估算会差一个数量级。
• 视频是异步的。官方说明：提交后用返回的 request_id 轮询，再下载；SDK 会代你轮询。所以「请求成功」不等于「视频已生成」，成本要等任务完成才确定。
• 型号不同，每秒单价不同。官方 Video 页称每秒价按分辨率列出，而 models 页当前按型号给出单值（1.5 / 1.5-lite / 基础型号各不同价）；具体分档以官方页当前显示为准。选型时先问「要不要原生 1080p」，再谈价格。

四、预期输出与异常分支

运行估算器，预期输出：

10 张 image-2.0：$0.4000
15 秒 video-1.5：$1.2000
15 秒 video-1.5-lite：$0.3000

换成真实账单时，若出现异常，按下面顺序定位：

现象	优先怀疑	第一步动作
图像成本远超估算	忘了乘张数	核对 n 与实际生成张数
视频成本对不上	按「次」而非「秒」算	用时长 × 每秒价重算
同一任务两次差异大	分辨率或型号不同	记录型号与分辨率
请求成功但没出片	异步任务未完成	用 request_id 查状态

最后一行尤其重要：视频是异步的，提交成功只代表任务入队。把「已提交」当「已完成」，会同时错估成本与交付时间。

五、判据卡

判断项	该这么做	不该这么做
图像成本	张数 × 每张价	按 token 估
视频成本	秒数 × 每秒价	按请求次数估
图像理解	算进文本 token	当成按张计费
视频任务	轮询到完成再结算	提交即认为完成
型号选择	先定分辨率与能力	只看单价

这张卡的重点是单位先对齐。五条里有三条在说：先确定按什么计量，再谈价格高低。

六、来源与核验

• 官方模型页：https://docs.x.ai/developers/models（核验日期 2026-11-04）。图像与视频的按张 / 按秒价目、各型号差异以该页为准；本节单价为示例值，实际以官方页与控制台当前显示为准。
• 官方 Image Generation：https://docs.x.ai/developers/model-capabilities/images/generation（核验日期 2026-11-04）。POST /v1/images/generations、model、n（1–10）、aspect_ratio 与返回 url 的写法来自该页。
• 官方 Video Overview：https://docs.x.ai/developers/model-capabilities/video/overview（核验日期 2026-11-04）。异步提交与 request_id 轮询、1.5 与 1.5-lite 的能力差异、时长 1–15 秒与分辨率范围来自该页。

七、动手试

1. 给你的成本模型加一栏媒体：文本、图像、视频、语音各一行，算出你项目一个月的合计。
2. 比较「10 张 2.0 图」与「15 秒 1.5 视频」的成本，说明为什么不能用「一次生成」作为统一口径。
3. 设计一个视频任务的记账流程：提交时记什么、轮询时记什么、失败时怎么冲销。写出三个时间点各写哪条日志。