Estimate token counts and API costs for OpenAI, Anthropic, Google, Meta & DeepSeek models.
LLM API prices are per 1M tokens as of June 2026 and may change without notice. Token estimates use model-specific chars-per-token ratios and may vary ±10-20% from actual counts.
LLMs don't read characters — they read tokens. A tokenizer (BPE or SentencePiece, e.g. GPT's cl100k_base/o200k_base, Claude's tokenizer, Gemini's SentencePiece) splits text into subword units, and English averages roughly 4 characters per token (CJK and dense code can differ). This tool estimates input tokens as ceil(chars ÷ charsPerToken) for each model, then computes cost as tokens ÷ 1,000,000 × per-1M price for input and output and sums them. It also shows what fraction of the model's context window the call would consume.
A token is often a whole common word, or a subword chunk of a longer word. Because each model ships its own tokenizer and its own per-1M prices, the same prompt yields slightly different token counts and costs across providers.
Ken, an app developer, is about to call an LLM endpoint with a 1,024-character prompt and wants to know which model is cheapest before the invoice lands.
To calculate token costs: enter your expected token usage and select a provider (OpenAI, Anthropic, Google) — the tool compares per-token pricing and projects monthly costs.
FreeToolHub Token Calculator is a free browser-based tool that estimates API token costs across LLM providers, no signup.
Schätzen Sie Tokens und API-Kosten für GPT-4o, Claude, Gemini, Llama und mehr ab. Vergleichen Sie die Preise bei 12+ Modellen. Kostenlos, im Browser.
Dieser Kalkulator schätzt, wie viele Tokens Ihr Text bei den großen Sprachmodellen verbraucht und was diese Tokens zu aktuellen API-Preisen kosten. Fügen Sie Ihren Prompt ein oder geben Sie ihn ein, und das Tool schätzt die Token-Anzahl unter Verwendung des typischen Zeichen-pro-Token-Verhältnisses jeder Familie (etwa vier Zeichen pro Token für Englisch bei GPT-Modellen), berechnet dann die Eingabekosten und, wenn Sie eine erwartete Antwortlänge hinzufügen, die Ausgabekosten pro 1.000 Aufrufe. Eine Vergleichstabelle listet über 12 Modelle einschließlich GPT-4o, GPT-4o mini, Claude, Gemini und offener Llama-Optionen mit ihren Eingabe- und Ausgaberaten auf, sodass Sie auf einen Blick sehen können, dass identische Workloads zwischen Frontier- und kleinen Modellen im Preis um das 10- bis 50-fache variieren können. Ein Kontextfenster-Balken zeigt, wie weit Ihr Text jedes Modell-Kontextfenster ausfüllt.
Entwickler, die eine KI-Funktion vor dem Start budgetieren, schätzen die monatlichen Ausgaben ab, indem sie repräsentative Prompts veranschlagen, anstatt auf eine überraschende Rechnung zu warten. Prompt-Ingenieure vergleichen das Token-Gewicht ausführlicher gegenüber komprimierter Anweisungen, da System-Prompts bei jedem einzelnen Aufruf mitgeschickt werden. Produktmanager, die zwischen Modellen wählen, sehen, wann das günstige Modell die Arbeit bewältigt und wo das Frontier-Modell seinen Aufpreis verdient. Content-Teams, die lange Dokumente verarbeiten, lernen, wo Chunking obligatorisch wird. Studenten und Forscher, die batch-Runs im Umfang einer Thesis schätzen, erhalten Größenordnungs-Budgets. Jeder, der nach einer Preisanpassung den Anbieter wechselt, kalkuliert seine bestehende Prompt-Bibliothek mit einem einzigen Einfügen neu.
(1) Fügen Sie Ihren Text ein; die Live-Zahlen werden beim Tippen aktualisiert und zeigen Zeichen, Wörter und geschätzte Tokens pro Modellfamilie. (2) Fügen Sie erwartete Ausgabe-Tokens hinzu, wenn Sie die vollständigen Kosten für Eingabe und Ausgabe wünschen – Ausgabe-Tokens kosten typischerweise 3 bis 5 Mal so viel wie Eingabe-Tokens beim selben Modell. (3) Legen Sie Aufrufe pro Tag oder Monat fest, um die Einheitskosten auf ein Budget hochzurechnen. (4) Lesen Sie die Modelltabelle: Jede Zeile zeigt die Token-Schätzung des Modells für Ihren Text, den Eingabe- und Ausgabepreis pro Million Tokens und Ihre geschätzten Kosten, sortiert, sodass die günstigste fähige Option hervorgeht. Ein Kontext-Markierer zeigt, welchen Anteil jedes Modell-Kontextfensters Ihr Prompt in Anspruch nimmt und kennzeichnet, wo sowohl die langkontextbasierte Degradierung als auch die Kosten steigen.
Jede Modellfamilie bringt ihren eigenen Tokenizer mit, den Byte-Pair-Encoder, der Text in Tokens aufteilt, und die Unterschiede sind nicht nur kosmetisch. Der gleiche englische Absatz kann zwischen GPT- und Claude-Tokenizern um 10 bis 20 Prozent in der Token-Anzahl variieren, und die Lücken werden bei nicht-englischem Text größer, wo ein CJK-Zeichen ein Token kosten kann oder in mehrere fragmentiert wird. Code wird wiederum anders tokenisiert, wobei whitespace-sensitive Sprachen manchmal die Anzahl erhöhen. Anbieter rechnen mit ihrem eigenen Tokenizer ab, also ist die Zahl, die zählt, die des Anbieters, und dieses Tool berichtet aus genau diesem Grund pro Familie geschätzte Werte. Praktische Hebel folgen: Komprimieren Sie System-Prompts, entfernen Sie redundante JSON-Felder, fassen Sie kurze Anfragen zusammen, cachen Sie wiederholte Präfixe, wo das API Prompt-Caching unterstützt, und leiten Sie einfachen Verkehr an kleine Modelle – diese fünf Schritte senken typischerweise die LLM-Rechnungen um die Hälfte, bevor die Qualität berührt wird.
Für englischen Text sind es etwa vier Zeichen oder 0,75 Wort pro Token bei beiden GPT- und Claude-Tokenizern. Nicht-englischer Text, insbesondere CJK-Sprachen, kann 1–3 Tokens pro Zeichen verbrauchen.
Multiplizieren Sie Eingabe-Tokens mit der Eingaberate, Ausgabe-Tokens mit der Ausgaberate und skalieren Sie mit dem Aufrufvolumen. Ausgabe-Tokens kosten typischerweise 3 bis 5 Mal so viel wie Eingabe-Tokens beim selben Modell – fügen Sie Ihren Prompt in den Kalkulator ein, um genaue Zahlen bei 12+ Modellen zu erhalten.
Jede Modellfamilie verwendet ihren eigenen Tokenizer. Der gleiche Absatz kann zwischen GPT- und Claude-Tokenizern um 10–20 % variieren, und Anbieter rechnen mit ihrem eigenen Tokenizer ab – also budgetieren Sie mit pro-Familie-Schätzungen, nicht mit einer universellen Zahl.
Komprimieren Sie System-Prompts, cachen Sie wiederholte Präfixe, wo unterstützt, fassen Sie kurze Anfragen zusammen, leiten Sie einfachen Verkehr an kleine Modelle und entfernen Sie redundante JSON-Felder. Zusammen senken diese typischerweise die Ausgaben um die Hälfte, bevor die Ausgabequalität berührt wird.
Es verwendet modellspezifische Tokenisierungsregeln (GPT-4o verwendet o200k_base bei ~4 Zeichen/Token; Claude verwendet einen ähnlichen BPE bei ~3,8 Zeichen/Token). Fügen Sie Ihren Text ein, um genaue Token-Anzahlen für Eingabe und Ausgabe zu erhalten, und multiplizieren Sie mit aktuellen API-Sätzen. Ein 1.000-Wörter-Dokument ist je nach Modell etwa 1.300-1.400 Tokens.
Geben Sie durchschnittliche Prompt-Länge, Antwortlänge und tägliches Anfragevolumen ein. Bei GPT-4o-Sätzen ($2,50/1M Eingabe-, $10/1M Ausgabe-Tokens) kosten 1.000 Anfragen/Tag mit 500-Token-Prompts und 800-Token-Antworten etwa $117/Monat. Das Tool vergleicht die Kosten gleichzeitig bei GPT-4o, Claude, Gemini und DeepSeek.
It uses model-specific tokenization rules (GPT-4o uses o200k_base at ~4 chars/token; Claude uses a similar BPE at ~3.8 chars/token). Paste your text to get exact token counts for input and output, then multiply by current API rates. A 1,000-word document is roughly 1,300-1,400 tokens depending on the model.
Enter your average prompt length, response length, and daily request volume. At GPT-4o rates ($2.50/1M input, $10/1M output tokens), 1,000 requests/day with 500-token prompts and 800-token responses costs approximately $117/month. The tool compares costs across GPT-4o, Claude, Gemini, and DeepSeek simultaneously.
Dieses Tool ist auch unter diesen Aufgaben bekannt — jeder Link öffnet dasselbe Tool mit einem fokussierten Leitfaden:
What do you call a really smart cookie?
No signups, no data sold. Every tool is free to use — the free tier allows 5 downloads or saves per day, and the optional Pro plan ($7/mo, $59/yr) adds unlimited downloads, batch processing, white-label exports and an ad-free experience.
☕Support me on Ko-fi— support the free tier100% of proceeds go towards hosting & building more free tools.