Smart Calculators

Smart

Calculators

Token 計算機

計算使用 AI 語言模型的成本，從文字估算 token 數量，並比較 GPT-4、Claude、Gemini 等模型的計費。

$

$

每次請求成本

$0.01

輸入: $0.0030 · 輸出: $0.0075

每日成本

$1.05

100 每日請求次數

每月成本

$31.50

30 天

年度成本

$383.25

365 天

從文字估算 token 數

Token 計算器。估算 GPT、Claude、Gemini 等 LLM 的 token 數與 API 費用。

Token 計算器會算出文字會被 LLM 切成多少 token，再依 GPT、Claude、Gemini、DeepSeek 等模型的每百萬 token 單價，分別算出 input 與 output 的 USD 費用。輸入英文約以 1 token ≈ 4 字元、繁體中文約以 1 token ≈ 0.5 個字估算，協助開發者控管 OpenAI Anthropic Google API 的成本。

什麼是 AI Token 計算器？為什麼台灣開發者需要它？

AI Token 計算器是用來估算一段提示詞會消耗多少 token、再依模型單價推算 API 費用的工具，支援 OpenAI GPT、Anthropic Claude、Google Gemini、xAI Grok、DeepSeek、Mistral 與 Meta Llama 等主流 LLM。Token 是模型把文字切成的最小單位，可能是一個英文單字、一段子詞、一個中文字或一個標點，是 LLM API 計費的基準。
對台灣的後端工程師、SaaS 創辦人或是在公司內部導入 AI 工作流的人來說，token 數量就等於每月雲端帳單的金額。每一次 API 呼叫都會分別計算「input tokens」（你的 system prompt、使用者輸入、對話歷史、RAG 檢索結果）和「output tokens」（模型回覆），兩者單價不同，output 通常比 input 貴 3 到 5 倍。一個原型測試只要幾分美金，但拉到正式生產（每天 1 萬到 10 萬次呼叫）就可能變成新台幣 30,000 到 300,000 元的月費。
針對繁體中文場景還有一個特別重要的成本陷阱：tiktoken 的 cl100k_base 與 o200k_base 編碼是以英文語料為主訓練的，繁體中文每個字大約對應 2 到 3 個 token，常用字（我、的、是）才落在 1 token。實測顯示同樣語意的訊息，繁體中文版會比英文版多耗 40% 到 100% 的 token——也就是同樣一份服務，台灣使用者的 API 帳單可能會比英文使用者貴一倍。先用 Token 計算器把這層成本看清楚，才能合理估算定價、制定 prompt 策略，避免上線後發現毛利被吃光。

如何計算 LLM API 費用？

計算單次 API 呼叫的成本只需要三項資料：input token 數、output token 數，以及該模型的每百萬 token 單價。
計算步驟如下：
1. 估算 input token 數。把 system prompt、使用者輸入、對話歷史、RAG 檢索結果通通丟進上方的 Token 計算器，或用粗估值——英文約 1 token ≈ 4 字元（每千字英文約 250 token），繁體中文約 1 token ≈ 0.5 個字（每千字中文約 1,800 到 2,000 token）。
2. 估算 output token 數。短回覆 100 到 300 token，長解說 1,000 到 2,000 token，程式碼或 JSON 格式請另抓 30% 到 50% 的緩衝。
3. 查模型單價。各家官網都標示「每百萬 token 美元」（USD/1M tokens），input 與 output 是分開計價，部分模型還有快取（cached）價格大約是原 input 的 10% 到 50%。
4. 套用費用公式（見下節）。
以實例示範：用 Claude Sonnet 4.6（input $3、output $15 / 1M tokens）跑一次 RAG 問答，input 2,000 token、output 500 token——單次成本 = (2,000 ÷ 1,000,000 × $3) + (500 ÷ 1,000,000 × $15) = $0.006 + $0.0075 = $0.0135，約新台幣 0.43 元（以 1 USD = 31.6 TWD 換算）。每天 10,000 次呼叫，月費就是 $4,050（約新台幣 12.8 萬元）。改用 GPT-4.1 mini（$0.40/$1.60）只要 $720（新台幣 2.3 萬），但回答品質會略降。
上方的 Token 計算器會把這四步合併在一個介面：把文字貼進去，自動同步切出 GPT、Claude、Gemini 多家 token 數，並用最新單價算出單次與每月成本，省去手動查 pricing page 的時間。

AI Token 費用計算公式

C=Tin×Pin1,000,000+Tout×Pout1,000,000C = \frac{T_{in} \times P_{in}}{1{,}000{,}000} + \frac{T_{out} \times P_{out}}{1{,}000{,}000}
  • CC = 單次 API 呼叫的總成本（USD）
  • TinT_{in} = input token 數（system prompt、使用者輸入、對話歷史、RAG context）
  • ToutT_{out} = output token 數（模型回覆生成的 token）
  • PinP_{in} = input 每百萬 token 的單價（USD/1M tokens）
  • PoutP_{out} = output 每百萬 token 的單價（USD/1M tokens）
推估每月成本時，把單次成本乘上每日呼叫數與當月天數：
Cmonthly=(Tin×Pin+Tout×Pout1,000,000)×R×30C_{monthly} = \left(\frac{T_{in} \times P_{in} + T_{out} \times P_{out}}{1{,}000{,}000}\right) \times R \times 30
其中 R 是每日 API 呼叫次數。如果有用 prompt caching（OpenAI、Anthropic、Google 都有支援），快取命中的 input token 會以原價的 10% 到 50% 計費——把長 system prompt 或固定文件放在 prompt 開頭最划算，Anthropic 的測試指出可省下高達 90% 的 input 成本，並把 latency 降低 80%。實際估算時請把 input 拆成「快取部分」與「未快取部分」，分別套不同單價。Batch API（OpenAI、Anthropic）對非即時工作可再打 5 折，整段 ETL 跑批時建議啟用。

Token 費用試算實例：台灣 SaaS 與工程團隊情境

中文客服機器人：每月 50,000 次對話

一家台灣電商在官網部署 AI 客服，使用 GPT-4.1 mini（input $0.40、output $1.60 / 1M tokens）。每次對話平均 input 800 token（system prompt 200 + 使用者繁中問題 200 + 對話歷史 400）、output 400 token。
Input 成本：50,000 × 800 ÷ 1,000,000 × $0.40 = $16.00 Output 成本：50,000 × 400 ÷ 1,000,000 × $1.60 = $32.00 月費合計：$48.00（約新台幣 1,520 元）
啟用 prompt caching 後，固定的 200 token system prompt 可享 50% 折扣，input 成本降到約 $13，每月省 $3。如果改用 Claude Sonnet 4.6（$3/$15）追求中文回應品質，月費會跳到 $1,020（約新台幣 32,000 元）——約 21 倍。模型選擇是 SaaS 毛利的最大槓桿。

iThome 鐵人賽參賽者：自架文件問答 RAG 30 天

一位開發者在 iThome 鐵人賽 30 天挑戰中要做一個技術文件 RAG 系統，每天測試 200 次查詢。每次 input 4,000 token（檢索回來的 3 段文件 + 提問）、output 600 token。模型選 Gemini 2.5 Flash（input $0.30、output $2.50 / 1M tokens），同時開 1M context。
每日 input：200 × 4,000 ÷ 1,000,000 × $0.30 = $0.24 每日 output：200 × 600 ÷ 1,000,000 × $2.50 = $0.30 單日成本：$0.54 | 30 天：$16.20（約新台幣 510 元）
預算極小、context 又夠塞整本文件，是個人開發者跑實驗的甜蜜點。若改用 GPT-4o（$2.50/$10）品質會略好但月費跳到約 $114（新台幣 3,600 元），21 倍價差不一定有 21 倍的回答品質提升——RAG 的瓶頸通常在檢索而非生成模型。

20 人開發團隊用 Claude Code：月帳單試算

一家台北的軟體公司給 20 位工程師導入 Claude Code（背後是 Claude Sonnet 4.6，$3/$15），每位工程師每天約 40 次請求，平均 input 2,500 token、output 800 token。
每日請求：20 × 40 = 800 每日 input：800 × 2,500 ÷ 1,000,000 × $3.00 = $6.00 每日 output：800 × 800 ÷ 1,000,000 × $15.00 = $9.60 每日合計：$15.60 月費（22 個工作天）：$343.20（約新台幣 10,850 元）
換算每位工程師每月 $17.16（約新台幣 540 元），相當於每週一杯星巴克。Anthropic 對重複的 codebase context 有 prompt caching，可再省 15% 到 25%。值得注意：直接用 API 計費通常比訂閱 Claude Pro（$20/月，新台幣約 640 元）划算，但 Claude Code 訂閱版（$200/月）對重度使用者反而便宜——超過每月 60 次以上深度任務就要算清楚。

降低 LLM API 成本的實戰技巧

  • 依任務難度分流模型。簡單分類、抽取、摘要用便宜模型（GPT-5 Nano、GPT-4.1 Nano、Gemini 2.5 Flash-Lite、Claude Haiku 4.5、DeepSeek V3.2、Amazon Nova Micro）；複雜推理才呼叫旗艦（GPT-5、Claude Sonnet/Opus 4.6、Gemini 2.5 Pro、Grok 4）。混合 routing 可省 40% 到 60%。
  • 啟用 prompt caching。固定的 system prompt 與長 context 適合放在 prompt 開頭，OpenAI 自動快取、Anthropic 需要明確標 cache_control header。Anthropic 官方資料顯示快取命中可省 90% input 成本、降低 80% latency，對於 RAG 與聊天機器人尤其有感。
  • 非即時工作用 Batch API。OpenAI 和 Anthropic 的 batch 模式打 5 折，適合報表生成、批量文件處理、向量化管線。台灣常見場景：每天凌晨跑客戶資料 enrichment、自動產生 SEO 描述。
  • 繁體中文 prompt 越精簡越好。中文每個字約等於 2 到 3 個 token（cl100k_base 編碼），冗長的「請你扮演一位專業的⋯⋯」開場就吃掉 30 到 50 個 token，乘上每月幾十萬次呼叫就是看得見的錢。把 system prompt 改寫成英文也是省錢手段（英文 token 密度高約 50%），但要小心模型對中文 in-context 範例的理解力。
  • 限制 max_tokens。output 比 input 貴 3 到 5 倍，沒設上限就讓模型講廢話。確認需求後務必設 max_tokens，分類任務 30、回覆 200、長解說 800 都比預設 4,096 划算。
  • 監控用量、設定預算告警。OpenAI 與 Anthropic 平台都有 daily limit 設定；台灣團隊也可串 Helicone、Langfuse、OpenLIT 等第三方工具，依 endpoint、模型、user 拆分用量。建議在月度預算的 50%、80%、100% 各設一個 webhook 通知，免得一個 bug 把錢燒光。
  • 高用量場景考慮自架開源模型。Llama 4、Mistral Small、DeepSeek V3.2 完全免授權費，Groq、Together AI、Atlas Cloud 等代管服務的價格在 $0.11 到 $0.50/M tokens，台灣的開發者也可在自家 GCP/AWS Tokyo region 自建 vLLM 服務。日呼叫量上百萬時自架可能比 API 便宜 5 到 10 倍，但要把 GPU、運維、SLA 成本算進去。
  • 解讀月度帳單時別忘了匯率與發票。OpenAI、Anthropic 都以 USD 結算，刷信用卡會有約 1.5% 海外手續費；如果走台灣公司報帳要注意境外電子勞務稅率（5% 加值營業稅，由買方代繳），財務同仁通常會請你提供 invoice 與用量明細。

Token 與 LLM API 費用常見問題

繁體中文 1,000 字會被切成多少 token？

用 OpenAI 的 cl100k_base（GPT-3.5、GPT-4 系列）或 o200k_base（GPT-4o、GPT-5）編碼實測，繁體中文每 1,000 字約 1,800 到 2,000 token——也就是 1 個中文字約 1.8 到 2.0 token。常用字（我、的、是、台、灣）通常 1 token，較生僻字或專有名詞會被拆成 2 到 3 個 byte 的 token。比較英文：1,000 字英文只要約 1,333 token。同樣的服務，繁體中文使用者的 API 成本大約比英文使用者多 40% 到 50%。

為什麼 output token 比 input token 貴 3 到 5 倍？

因為生成方式不同。Input 可以一次平行運算所有 token（一次 forward pass 就完成），output 則必須一個 token、一個 token 序列產生，每個新 token 都要再跑一次完整的 forward pass，計算量與 GPU 記憶體頻寬都遠高於 input。所以 Claude Sonnet 4.6 是 input $3、output $15（5:1）；GPT-4.1 是 $2 / $8（4:1）。設計 prompt 時，能用 input 帶過的就別讓模型輸出，例如「給我 1-10 的分數」就比「請詳細說明分析過程並給出評分」省 90% 的 output 成本。

2026 年最便宜的 LLM API 是哪一家？

依 2026 年 3 月公告，每百萬 token（input/output）最便宜的依序是：Amazon Nova Micro（$0.035/$0.14）、OpenAI GPT-5 Nano（$0.05/$0.40）、Google Gemini 2.0 Flash-Lite（$0.075/$0.30）、Mistral Small（$0.10/$0.30）、GPT-4.1 Nano（$0.10/$0.40）、Llama 4 Scout 經 Groq（$0.11/$0.34）、xAI Grok 4.1 Fast（$0.20/$0.50）、DeepSeek V3.2（$0.28/$0.42）。中階性價比代表是 Gemini 2.5 Flash（$0.30/$2.50）、GPT-4.1 Mini（$0.40/$1.60）、Claude Haiku 4.5（$1/$5）。「最便宜」要看任務難度配對：分類抽取用 Nova Micro/Flash-Lite，需要中文邏輯推理用 Claude Haiku 或 GPT-4.1 Mini 比較穩。

Prompt caching 對台灣場景的省錢效果有多大？

對於有重複 context 的應用（聊天機器人、知識庫問答、長 system prompt），效果非常明顯。Anthropic 的快取讀取單價只要 input 原價的 10%、寫入快取只是 1.25 倍，5 分鐘內第二次呼叫就能回本。OpenAI 自動套用 prompt caching 不需設定，但 Anthropic 與 Google 需要明確標 cache_control。實務上：5,000 token 的 RAG 系統 prompt + 文件 chunk，啟用快取後 input 從 5,000 × $3 = $0.015 降到 5,000 × $0.30 = $0.0015，省 90%。對中文 RAG（同樣語意 token 數較多）省下的絕對金額更可觀。

怎麼在送 API 前先精準算出 token 數？

三種主流做法。第一，用 OpenAI 的 tiktoken（Python：import tiktoken; enc = tiktoken.encoding_for_model("gpt-4o"); len(enc.encode(text))）或 JavaScript 套件 gpt-tokenizer。Anthropic 提供 anthropic.messages.count_tokens API，Google 有 client.count_tokens()。第二，用上方的 Token 計算器，貼上文字立刻看到 GPT、Claude、Gemini 的 token 數比較。第三，用粗估值（中文 1.8–2 token/字、英文 0.25 token/字），快速心算。生產系統建議走第一種，每 1,000 次呼叫的誤差不會超過 1%。

Token 和「字」、「字元」、「詞」差在哪？

詞（word）是人類語言的單位，token 是 BPE/SentencePiece 演算法切出來的單位，可能是整個英文單字、子詞、一個中文字、單一標點。常見英文字「the」、「is」是 1 token；長字「unbelievable」會被切成「un」、「believ」、「able」三個 token。繁體中文「你好」可能是 2 token、「人工智慧」可能是 2 到 4 token，視前後文與訓練語料而定。所以 token 不會等於字數，更不會等於字元數，這也是 LLM 計價無法簡單對應「我寫了多少字」的原因。

處理一份 5,000 字的繁體中文文件大約要多少錢？

5,000 字繁體中文約 9,000 到 10,000 token（取 1 字 ≈ 1.9 token）。用 GPT-4.1（input $2/M、output $8/M）讀這份文件、產一份 500 字摘要（約 950 token output），單次成本約 $0.026（input）+ $0.008（output）= $0.034，約新台幣 1.1 元。每天處理 1,000 份就是 $34（新台幣 1,070 元）/日、$1,020（新台幣 32,200 元）/月。改用 GPT-4.1 Mini 月費降到 $204（新台幣 6,440 元），是文件處理 pipeline 的常見選擇。

圖片或檔案會吃 token 嗎？多模態怎麼算？

會。視覺模型（GPT-4o、Gemini、Claude 3.5 Sonnet）會把圖片切 patch 編碼成 token。GPT-4o 處理一張 1024×1024 的圖約 765 token：拆成 4 個 512px tile（每 tile 170 token）+ 基底 85 token；high detail 模式會多倍計費，low detail 約固定 85 token。Gemini 對圖片每張固定 258 token、Claude 視解析度約 500 到 1,500 token。PDF 通常先 OCR 或抽文字後再丟入 prompt，跟一般文字一樣計費。語音則是另套計費（OpenAI Whisper 是按分鐘）。

Token 計算器免費嗎？資料會被儲存嗎？

完全免費、不需要註冊、沒有使用次數限制。所有 token 計算都在瀏覽器端完成，輸入的文字不會送到我們的伺服器、不會被記錄、也不會用於任何訓練。對於放心貼公司內部 prompt、客戶資料 prefix、未公開 system prompt 都很合適。如果要在自動化 pipeline 中持續計算，可以直接整合 OpenAI tiktoken（Python）或 gpt-tokenizer（JavaScript）等開源套件，在地端執行。

Claude、GPT、Gemini 三家 2026 年定價怎麼比？

依 2026 年 3 月公告（USD/1M tokens，input/output）：頂規方案——Claude Opus 4.6（$5/$25）、GPT-5.4（$2.50/$15）、Gemini 2.5 Pro（$1.25/$10）。標準方案——Claude Sonnet 4.6（$3/$15）、GPT-5（$1.25/$10）、Gemini 3 Flash（$0.50/$3.00）。經濟方案——Claude Haiku 4.5（$1/$5）、GPT-4.1 Mini（$0.40/$1.60）、Gemini 2.5 Flash（$0.30/$2.50）。極省方案——GPT-5 Nano（$0.05/$0.40）、GPT-4.1 Nano（$0.10/$0.40）、Gemini 2.5 Flash-Lite（$0.10/$0.40）。Anthropic 沒有 Nano 等級的超低價方案，但 Claude 系列在 prompt caching 後（90% 折扣）的中長文件處理常常反而最划算。實作建議：先用 Token 計算器把候選模型的單次成本算出來，再評估品質落差是否值得價差。

Token 與 LLM 計費名詞

Token（詞元）

LLM 處理文字的最小單位，由 tokenizer 演算法決定。可能是一個英文單字、子詞、一個中文字、一個標點或單字節。LLM API 計費的計量單位。

Tokenizer（分詞器）

把文字切成 token 的演算法。OpenAI 用 tiktoken（cl100k_base、o200k_base），Google 用 SentencePiece，Anthropic 用自家 BPE，同一段文字在不同 tokenizer 下 token 數會不一樣。

BPE（Byte Pair Encoding）

目前主流 LLM 使用的 tokenization 演算法，從字元開始反覆合併最常出現的 pair，建立子詞詞彙表。GPT、Claude、Llama 都是 BPE 變體。

Context Window（上下文視窗）

模型一次能處理的 token 上限（input 加 output）。GPT-4.1 與 Claude Sonnet 4.6 為 1M token、Gemini 2.5 Pro 為 1M token、Grok 4.1 Fast 為 2M token。對長文件 RAG 與大型程式碼庫尤其關鍵。

Prompt Caching（提示詞快取）

把重複的 prompt 前綴 KV 向量快取起來，下次請求若前綴相同就不用重新計算，可降低 latency 與 input 成本最多 90%。Anthropic 與 Google 需要明確設定 cache_control，OpenAI 自動啟用。

Input vs. Output Tokens

Input token 是你送給模型的提示詞，output 是模型生成的回覆。Output 因為要序列生成、計算量大，價格通常是 input 的 3 到 5 倍。

Cost per Million Tokens（每百萬 token 單價）

LLM API 通用的計價單位，寫成 $/1M tokens，input 與 output 分開報價。換算公式：實際成本 = 使用 token 數 ÷ 1,000,000 × 單價。

Batch API

OpenAI 與 Anthropic 對非即時工作提供的批次處理 API，價格約為即時 API 的 50%，但回應時效在數小時到 24 小時內，適合報表、向量化、bulk 摘要等情境。

參考資料與來源

  1. Hugging Face — BPE 分詞技術解說
  2. OpenAI — API 定價
  3. Anthropic Claude — API 定價
  4. Anthropic Claude — Token 計數文件
  5. Google Gemini — API 定價

內容由 Smart Calculators 團隊審核驗證