简要回答
按我们 2026 年 10 月的实测，云端 H3 数字人接口约 0.05 元每秒视频，一段 9 秒口播实扣 0.45 元、约 6 分钟出片；自托管 GPU 生成一条 58.87 秒口播花费 1.387 元，约 0.024 元每秒，但耗时约 31 分钟；本地 RTX 4060 Ti 生成 9.8 秒样片的电费约 0.02 元。产量小时用云端接口更省心，产量大且能接受等待时，自托管更便宜。
我们测了哪三条路线
为了给自研的内容工作台“案例工场”选型，我们对数字人口播做了对比测试。流程都是“文案、声音克隆配音、音频驱动画面、拼接成片”，区别在于画面生成在哪里运行：
- 云端接口：调用托管的 MiniMax H3 工作流，按视频秒数计费。
- 自托管 GPU：租用云端 RTX 5090 运行 ComfyUI 工作流，按 GPU 时长计费。
- 本地显卡：在一台 RTX 4060 Ti 16GB 的 Windows 电脑上运行开源 CosyVoice 与 MuseTalk。
实测数据
| 路线 | 样片 | 耗时 | 花费 | 折合每秒 |
|---|---|---|---|---|
| 云端 H3 接口（768P） | 9 秒 | 约 6 分钟 | 0.45 元 | 0.05 元 |
| 自托管 GPU（RTX 5090） | 58.87 秒 | 约 31 分钟 | 1.387 元 | 约 0.024 元 |
| 本地显卡（RTX 4060 Ti） | 9.8 秒 | 约 100 至 109 秒 | 电费约 0.021 元 | 约 0.002 元 |
补充两个参考点：云端 H3 通道闲时价格约 0.04 元每秒；我们此前评估的部分商用数字人接口约 0.5 元每秒。本地显卡路线的画质与口型表现弱于 H3，适合对画面要求不高的批量内容。
怎么选
- 每周几条视频：直接用云端接口，省去运维，成本也不高。
- 每天大量产出、能接受等待：自托管 GPU 每秒成本约为云端接口的一半，但要处理排队、卡死和自动关机，我们的脚本在任务卡住 10 分钟后会自动中断。
- 数据不能出本地：选本地显卡，并预留至少 40GB 的模型权重空间。
我们的结论是：自托管在最好情况下只是与云端接口大致打平。对多数企业，先用接口验证内容效果，再根据产量决定是否自建更稳妥。
成本之外要注意什么
- 肖像与声音授权：只使用本人或已获书面授权的形象和声音。
- 扣费不明：生成失败但可能已扣费的情况并不少见。我们在案例工场中把预留、实扣、计费不明分开记账，结果不明的任务不自动重试，避免重复扣费。
- 长视频一致性：分段生成的长视频，段与段之间的人物一致性需要单独验收。
- 价格会变：以上为 2026 年 10 月的价格与实测，供选型参考。
常见问题
一分钟数字人口播大概要多少钱？
按 2026 年 10 月实测，云端 H3 接口约 3 元每分钟（0.05 元每秒）；自托管 GPU 约 1.4 元每分钟，但需要约 30 分钟生成。
数字人视频需要标注 AI 生成吗？
建议标注。我们的样片都带有“AI 生成内容”标识，同时只使用已授权的肖像与声音。