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.
Estima tokens y costes de API para GPT-4o, Claude, Gemini, Llama y más. Compara precios entre más de 12 modelos. Gratis, en el navegador.
Esta calculadora estima cuántos tokens consume tu texto en los principales modelos de lenguaje y cuánto cuestan esos tokens a los precios actuales de las API. Pega o escribe tu prompt y la herramienta estima el número de tokens usando la relación habitual de caracteres por token de cada familia, aproximadamente cuatro caracteres por token en inglés para los modelos de la clase GPT, y luego proyecta el coste de entrada y, cuando añades la longitud de respuesta esperada, el coste de salida por cada 1.000 llamadas. Una tabla comparativa lista más de 12 modelos, incluidos GPT-4o, GPT-4o mini, Claude, Gemini y las opciones de Llama con pesos abiertos, con sus tarifas de entrada y salida, para que veas de un vistazo que la misma carga de trabajo puede variar de 10 a 50 veces en precio entre modelos de frontera y modelos pequeños. Una barra de ventana de contexto muestra hasta dónde llena tu texto el contexto de cada modelo.
Los desarrolladores que presupuestan una función de IA antes de lanzarla estiman el gasto mensual aplicando precios a prompts representativos en lugar de esperar una factura sorpresa. Los ingenieros de prompts comparan el peso en tokens de instrucciones verbosas frente a comprimidas, ya que los system prompts viajan en cada llamada. Los directores de producto que eligen entre modelos ven cuándo el modelo barato resuelve el trabajo y dónde el modelo de frontera justifies su prima. Los equipos de contenido que alimentan documentos largos aprenden dónde el troceado se vuelve obligatorio. Estudiantes e investigadores que estiman ejecuciones por lotes a escala de tesis obtienen presupuestos de orden de magnitud. Y cualquiera que cambie de proveedor tras una subida de precios vuelve a cotizar su biblioteca de prompts con un solo pegado.
(1) Pega tu texto; los contadores en vivo se actualizan mientras escribes, mostrando caracteres, palabras y tokens estimados por familia de modelos. (2) Añade los tokens de salida esperados si quieres el coste de ida y vuelta completo: los tokens de salida suelen costar 3 a 5 veces los de entrada en el mismo modelo. (3) Fija las llamadas por día o por mes para escalar el coste unitario hasta un presupuesto. (4) Lee la tabla de modelos: cada fila muestra la estimación de tokens de tu texto para ese modelo, el precio de entrada y salida por millón de tokens, y tu coste proyectado, ordenada de modo que la opción capaz más barata quede arriba. Un indicador de contexto marca qué fracción de la ventana de cada modelo consume tu prompt, señalando dónde suben a la vez la degradación de contexto largo y el coste.
Cada familia de modelos trae su propio tokenizador, el codificador de pares de bytes que divide el texto en tokens, y las diferencias no son cosméticas. El mismo párrafo en inglés puede diferir entre un 10 y un 20 % en número de tokens entre los tokenizadores de GPT y Claude, y las brechas se amplían en texto no inglés, donde un carácter CJK puede costar un token o fragmentarse en varios. El código se tokeniza de otra manera otra vez, y los lenguajes sensibles a los espacios en blanco a veces inflan el recuento. Los proveedores cobran con su propio tokenizador, así que el número que importa es el del proveedor, y esta herramienta informa estimaciones por familia precisamente por eso. De ahí salen las palancas prácticas: comprime los system prompts, elimina campos JSON redundantes, agrupa peticiones cortas, cachea prefijos repetidos donde la API admita prompt caching, y dirige el tráfico fácil a modelos pequeños: cinco movimientos que suelen reducir a la mitad la factura de LLM antes de tocar la calidad.
Para texto en inglés, aproximadamente cuatro caracteres o 0,75 palabras por token en los tokenizadores de GPT y Claude. El texto no inglés, en especial los idiomas CJK, puede consumir entre 1 y 3 tokens por carácter.
Multiplica los tokens de entrada por la tarifa de entrada, los tokens de salida por la tarifa de salida, y escala por el volumen de llamadas. Los tokens de salida suelen costar 3-5 veces los de entrada en el mismo modelo: pega tu prompt en la calculadora para ver las cifras exactas en más de 12 modelos.
Cada familia de modelos usa su propio tokenizador. El mismo párrafo puede diferir entre un 10 y un 20 % entre los tokenizadores de GPT y Claude, y los proveedores cobran con el suyo: presupuestar con estimaciones por familia, no con un único recuento universal.
Comprime los system prompts, cachea prefijos repetidos donde esté soportado, agrupa peticiones cortas, dirige el tráfico fácil a modelos pequeños y elimina los campos JSON redundantes. Juntos, estos movimientos suelen reducir el gasto a la mitad antes de tocar la calidad de la salida.
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.
Esta herramienta también se conoce por estas tareas — cada enlace abre la misma herramienta con una guía enfocada:
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.