محاسبه توکن تصویر و صوت

مدل‌های بینایی تصویر را به قطعات کوچک (تایل) تقسیم می‌کنند و هر قطعه را جداگانه کدگذاری می‌کنند؛ به همین دلیل یک عکس معمولی صدها تا چند هزار توکن مصرف می‌کند، در حالی که همان مفهوم در قالب متن فقط چند توکن لازم دارد.

در حالت low تصویر کوچک‌نمایی می‌شود و همیشه ۸۵ توکن حساب می‌شود، اما جزئیات از دست می‌رود. در حالت high تصویر به کاشی‌های ۵۱۲ پیکسلی تقسیم می‌شود و هزینه برابر ۸۵ + ۱۷۰ × تعداد کاشی‌هاست؛ مثلاً یک عکس مربعی ۱۰۲۴ پیکسلی ۷۶۵ توکن می‌شود.

هر ارائه‌دهنده معماری کدگذار تصویر متفاوتی دارد: Claude مساحت تصویر را بر ۷۵۰ تقسیم می‌کند، Gemini تصویر را به کاشی‌های ۷۶۸ پیکسلی با هزینه ثابت ۲۵۸ توکن می‌برد، و OpenAI از ترکیب هزینه پایه و کاشی ۵۱۲ پیکسلی استفاده می‌کند. نتیجه: یک تصویر یکسان در سه مدل، سه عدد متفاوت می‌دهد.

دو مدل قیمت‌گذاری وجود دارد: مدل‌های رونویسی مثل Whisper بر اساس دقیقه (مثلاً ۰٫۰۰۶ دلار در دقیقه) و مدل‌های چندوجهی مثل Gemini بر اساس توکن (حدود ۳۲ توکن در هر ثانیه) هزینه می‌گیرند. این ابزار هر دو حالت را پشتیبانی می‌کند.

Gemini ویدئو را با نرخ پیش‌فرض یک فریم در ثانیه نمونه‌برداری می‌کند و هر فریم ۲۵۸ توکن است؛ مثلاً یک دقیقه ویدئو حدود ۱۵٬۴۸۰ توکن تصویری به‌علاوه ترک صوتی می‌شود. در OpenAI باید فریم‌ها را استخراج کرد و هر فریم مثل یک تصویر با جزئیات بالا محاسبه می‌شود.

مدل‌های تولید ویدئو مثل Seedance، Kling، Sora و Runway قیمت‌گذاری توکنی ندارند؛ هزینه بر اساس ثانیه ویدئوی تولیدشده است و هر مدل نرخ خودش را دارد (رزولوشن بالاتر و حالت حرفه‌ای گران‌تر است). کافی است مدت را در قیمت هر ثانیه مدل ضرب کنید؛ این ابزار نرخ‌های پیش‌فرض تقریبی دارد که می‌توانید با نرخ دقیق ارائه‌دهنده جایگزین کنید.