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.
Estime tokens e custos de API para GPT-4o, Claude, Gemini, Llama e mais. Compare preços entre 12+ modelos. Gratuito, no navegador.
Esta calculadora estima quantos tokens seu texto consome nos principais modelos de linguagem e quais são os custos desses tokens nos preços atuais de API. Cole ou digite seu prompt e a ferramenta estima a contagem de tokens usando a razão típica de caracteres-por-token de cada família, aproximadamente quatro caracteres por token para inglês em modelos do tipo GPT, depois projeta o custo de entrada e, quando você adiciona um comprimento de resposta esperado, o custo de saída por 1.000 chamadas. Uma tabela de comparação lista 12+ modelos incluindo GPT-4o, GPT-4o mini, Claude, Gemini e opções Llama de pesos abertos com suas taxas de entrada e saída, para que você possa ver de relance que cargas de trabalho idênticas podem diferir de 10 a 50 vezes em preço entre modelos de ponta e modelos pequenos. Uma barra de janela de contexto mostra o quão longe seu texto preenche o contexto de cada modelo.
Desenvolvedores que orçam um recurso de IA antes do lançamento estimam o gasto mensal ao precificar prompts representativos em vez de esperar uma fatura surpresa. Engenheiros de prompt comparam o peso de tokens de instruções verbosas versus comprimidas, já que prompts de sistema viajam em cada chamada. Gerentes de produto que escolhem entre modelos veem quando o modelo barato lida com o trabalho e onde o modelo de ponta merece seu prêmio. Equipes de conteúdo que alimentam documentos longos aprendem onde a fragmentação se torna obrigatória. Estudantes e pesquisadores que estimam execuções em lote de tese obtêm orçamentos de ordem de magnitude. Qualquer pessoa que muda de provedor após uma mudança de preço recalcula os preços de sua biblioteca existente de prompts em uma única colagem.
(1) Cole seu texto; as contagens ao vivo atualizam enquanto você digita, mostrando caracteres, palavras e tokens estimados por família de modelo. (2) Adicione tokens de saída esperados se você quiser o custo total de ida e volta, os tokens de saída geralmente custam de 3 a 5 vezes mais que os de entrada no mesmo modelo. (3) Defina chamadas por dia ou mês para escalar o custo unitário em um orçamento. (4) Leia a tabela de modelos: cada linha mostra a estimativa de tokens daquele modelo para seu texto, preço de entrada e saída por milhão de tokens e seu custo projetado, ordenado para que a opção mais barata capaz de lidar com o trabalho apareça primeiro. Um medidor de contexto marca que fração da janela de cada modelo seu prompt consome, sinalizando onde a degradação de contexto longo e o custo aumentam.
Cada família de modelo vem com seu próprio tokenizador, o codificador de pares de bytes que divide o texto em tokens, e as diferenças não são meramente cosméticas. O mesmo parágrafo em inglês pode diferir de 10 a 20% na contagem de tokens entre tokenizadores GPT e Claude, e as lacunas se ampliam em texto fora do inglês, onde um caractere CJK pode custar um token ou fragmentar-se em vários. O código tokeniza de forma diferente novamente, com linguagens sensíveis ao espaço em branco às vezes inflando as contagens. Os fornecedores cobram por seu próprio tokenizador, então o número que importa é o do provedor, e esta ferramenta relata estimativas por família exatamente por esse motivo. Alavancas práticas seguem: comprima prompts de sistema, remova campos JSON redundantes, agrupe solicitações curtas, armazene prefixos repetidos onde a API suporta cache de prompt e roteie tráfego fácil para modelos pequenos, as cinco movimentações que normalmente cortam as contas de LLM pela metade antes de tocar na qualidade.
Para texto em inglês, aproximadamente quatro caracteres ou 0,75 palavra por token em ambos os tokenizadores GPT e Claude. Texto fora do inglês, especialmente idiomas CJK, pode consumir 1–3 tokens por caractere.
Multiplique os tokens de entrada pela taxa de entrada, os tokens de saída pela taxa de saída e escalone pelo volume de chamadas. Tokens de saída geralmente custam 3–5x mais que os de entrada no mesmo modelo — cole seu prompt na calculadora para obter números exatos em 12+ modelos.
Cada família de modelo usa seu próprio tokenizador. O mesmo parágrafo pode diferir de 10–20% entre tokenizadores GPT e Claude, e os fornecedores cobram por seu próprio tokenizador — então orçue com estimativas por família, não com uma contagem universal.
Comprima prompts de sistema, armazene prefixos repetidos onde suportado, agrupe solicitações curtas, roteie tráfego fácil para modelos pequenos e remova campos JSON redundantes. Juntos, esses normalmente cortam os gastos pela metade antes de tocar na qualidade da saída.
Ela usa regras de tokenização específicas do modelo (GPT-4o usa o200k_base em ~4 caracteres/token; Claude usa um BPE similar em ~3,8 caracteres/token). Cole seu texto para obter contagens exatas de tokens para entrada e saída, depois multiplie pelas taxas atuais de API. Um documento de 1.000 palavras é aproximadamente 1.300-1.400 tokens dependendo do modelo.
Digite seu comprimento médio de prompt, comprimento de resposta e volume diário de solicitações. Nas taxas do GPT-4o ($2,50/1M tokens de entrada, $10/1M tokens de saída), 1.000 solicitações/dia com prompts de 500 tokens e respostas de 800 tokens custam aproximadamente $117/mês. A ferramenta compara custos entre GPT-4o, Claude, Gemini e DeepSeek simultaneamente.
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 ferramenta também é conhecida por estas tarefas — cada link abre a mesma ferramenta com um guia focado:
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.