11 月 13 日，DeepSeek 在 X 上連發四帖，公佈了一批新的 API。開發者現在可以調用 DeepSeek App 裏面已經在用的搜索、文件解析、讀鏈接和語音能力，而且調用方式有兩種。一種是在對話請求裏打開內建功能，另一種是把每一項能力當成獨立 API 單獨調用。
內建功能的名單一共有八項。搜索網頁的時候，回答會帶上引用。文件解析可以處理圖片和文件，而且手寫內容也在處理範圍裏面。讀鏈接這一項會先抓取網頁，然後模型再根據網頁內容做推理。
名單裏面還有三項和對話本身有關的功能。模型回答完之後，系統會自動生成對話標題。安全檢查會檢查用戶輸入和模型輸出有沒有安全風險。用戶標記這一項可以把時區、地點和語言傳給模型，所以模型回答的時候能用上這些信息。
剩下兩項是深度搜索和語音。深度搜索的意思是，模型在多步推理的過程中自己去搜網頁和讀鏈接，據 DeepSeek 文檔的轉述，一次最多大約調用 20 次工具。語音包括兩部分，用戶說話之後系統把語音轉成文字，模型回答之後系統再把文字讀出來。
如果開發者想打開內建功能或者深度搜索，那麼他用的模型必須是 DeepSeek V4.1-Flash，接口裏寫的模型名是 deepseek-flash。因爲模型不對的時候，參數雖然能傳進去，但是功能不會打開，所以接入之前要確認自己調用的是不是這個模型。
主模型原生支持和平臺獨立 API 的區別
DeepSeek、OpenAI 和 Gemini 這三家放在一起比的時候，要先把口徑分清楚，因爲口徑不同，結論就會不同。如果只問一個主模型自己能不能直接收語音和發語音，那麼三家的答案不一樣。如果問的是整個 API 平臺有沒有提供這項能力，那麼三家都有相應的服務。所以下面的比較按平臺口徑來寫，而且主模型原生支持的地方我會另外標出來。
OpenAI 和 Gemini 本來就有的能力
OpenAI 的 Responses API 本來就有內建的網頁搜索工具，而且出現的時間比 DeepSeek 這次公佈要早。OpenAI 的主模型可以直接收圖片輸入，所以看圖這一項不需要另外接一個解析服務。生成圖片有單獨的 gpt-image 系列 API，而且這個系列也可以作爲 Responses 的內建工具來調用。
語音這一項容易說錯，因爲很多人會把 OpenAI 的主模型和 OpenAI 的平臺混在一起。平臺上有獨立的轉寫 API，現在推薦的模型是 gpt-transcribe，價格是每分鐘 0.0045 美元，換算成每小時是 0.27 美元。這個轉寫 API 除了處理錄好的音頻文件之外，也提供實時轉寫。平臺上也有文字轉語音的 API，模型包括 tts-1 和 gpt-4o-mini-tts。
除了轉寫和文字轉語音之外，OpenAI 還有 Realtime API，它可以直接做語音進和語音出的對話。另外，tts-1 和 gpt-4o-mini-tts 已經公告會在 2027 年 1 月 6 日停用，停用之後要遷到 Realtime，所以現在接入的人要把這個日期算進去。
Gemini 的情況和 OpenAI 又不一樣，因爲 Gemini 官方的模型說明把文字、圖片、音頻、視頻和 PDF 都列進了主模型的輸入模態裏面。也就是說，用戶發一段語音過去，主模型可以直接收，不需要先經過一個單獨的轉寫步驟。搜索這一項，Gemini 用的是 Google Search grounding，也就是讓模型的回答接上 Google 搜索的結果。
畫圖方面，Gemini 有 Nano Banana 系列的圖片生成模型。生成語音方面，Gemini 有專門的文字轉語音模型系列，而且 Live API 可以做語音進和語音出的對話。所以只看主模型原生支持的範圍，Gemini 能直接收的輸入種類比另外兩家多。
DeepSeek 的價格和限制
DeepSeek 的搜索和讀鏈接價格相同，每調用一千次收費 0.75 美元。OCR 按頁收費，每一千頁收費 0.225 美元，而且 OCR 做的是從圖片和文件裏面認出文字，它本身不會生成新圖片。
語音轉文字（ASR）按小時收費，現在的價格是每小時 0.058 美元，因爲現在是限時五折，所以原價是每小時 0.116 美元。文字轉語音（TTS）按字數收費，現在的價格是每一萬字 0.225 美元，原價是每一萬字 0.45 美元，同樣是限時五折。
語音轉文字這一項可以算一筆賬。DeepSeek 每小時收費 0.058 美元，而 OpenAI 每小時收費 0.27 美元，所以 OpenAI 的價格大約是 DeepSeek 的 4.7 倍。搜索這一項，OpenAI 和 Gemini 同類工具的價格我這一輪沒有逐項核官方價目，所以這裏只寫 DeepSeek 自己的單價，不和別家比。
生成圖片這一項，三家裏面只有 DeepSeek 沒有，OpenAI 有 gpt-image 系列，Gemini 有 Nano Banana 系列。如果一個應用需要用戶上傳圖片之後再生成新圖片，那麼 DeepSeek 這批 API 覆蓋不了這一步，開發者仍然要另外接別家的圖片生成服務。
語音轉文字的限制更具體。DeepSeek 的 ASR 單段最長 120 秒，文件最大 8MB，而且不支持流式轉寫，它支持 21 種語言。因爲有這三個限制，所以它適合處理短語音片段。但是用戶對着麥克風連續說話、一邊說一邊出文字的場景，它現在的用法和 OpenAI 的實時轉寫、Gemini 的原生音頻輸入並不一樣。
文字轉語音這一邊，DeepSeek 提供 2 個音色和 10 種語言，而且可以走 WebSocket 流式輸出。OpenAI 的同類模型有 11 到 13 個音色，所以如果應用需要讓用戶挑音色，那麼 DeepSeek 現在能提供的選擇會少很多。
DeepSeek 的打包方式和 chat-demo
和另外兩家比，DeepSeek 有一處具體的做法差別，就在接法上。OpenAI 的內建工具主要放在 Responses API 裏，Gemini 用的是 generateContent 接口加 grounding 和工具調用。
DeepSeek 是把 App 裏面已經在用的搜索、文件解析和語音做成了參數開關，而且這些開關加在它既有的 Messages、Responses 和 Chat Completions 三種端點上，由服務端執行。除了內建方式之外，同一批能力又做成了獨立 API，所以開發者可以只調用其中一項，不必把整套對話流程都換過去。
官方同時開源了一個前端 demo，名字叫 chat-demo，這個 demo 支持把 DeepSeek 的對話記錄導入進去。開源兩天之後，這個倉庫攢了 1,507 個星。官方的說法是，開發者照着這個 demo，就能在自己的應用裏面把 DeepSeek App 重新做出來。
這個說法是官方自己的表述，我沒有親手裝過這個 demo，所以它到底能復刻到什麼程度，這裏不下結論。demo 本身擺在那裏，開發者可以自己去看代碼，再判斷它離一個能直接用的應用還差多少。
費用的算法和接入之前的確認事項
工具費和 token 費分開收，這件事在三家都存在，因爲 OpenAI 的價目裏也寫了，帶工具的模型會按工具另外收費。所以開發者要算的，是自己每個月會調用多少次搜索、讀多少頁文件和轉寫多少小時語音，然後把每一項的單價乘上去，再和 token 費加在一起。只看 token 單價，會漏掉工具費這一部分。
我自己平時就讓 agent 讀網頁和讀文件，所以我看這種價格表的時候，會先把調用次數估出來，因爲搜索和讀文件都是按次和按頁累積的。接入之前，開發者可以拿一週的真實記錄算一遍，這樣就能知道工具費大概會佔到總費用裏的多少，再決定哪些功能默認打開，哪些功能等用戶點了之後再調用。
如果你也在搭聊天機器人或者 agent，而且正在選搜索、文件和語音這幾項能力接哪一家，麻煩收藏一下，再訂閱這個博客。後面我還會接着發這類把幾家放在一起核過的比較。