—Eingabetoken / Video
—Eingabe-Tokens / Minute
—monatliche Kosten
Die Bildrate ist der Drehknopf – man dreht ihn
Bildtokens skalieren direkt mit den abgetasteten Bildern. Bei langsamem Filmmaterial – Vorlesungen, Bildschirmaufzeichnungen, Sicherheits-Feeds – führt eine niedrigere Bildrate selten zu Verlusten und senkt die Kosten entsprechend. Audio und Ansage bleiben bei Ihren Einstellungen.
| Probenahme | Eingabe-Tokens/Video | Kosten/Video | Monatlich |
|---|
Die Modalität, für die niemand ein Budget hat
Text ist billig, Bilder sind teurer und Video ist eine eigene Kategorie – weil ein Modell ein Video in eine Wand aus Bildtokens umwandelt, jeweils ein abgetastetes Bild, und die Audiospur darüber stapelt. Die Intuitionsfalle besteht darin, ein Video wie ein Dokument als „eine Eingabe“ zu betrachten; In Wirklichkeit umfasst ein zehnminütiger Clip mit einem Bild pro Sekunde 600 Bilder, etwa 155.000 Bild-Tokens plus 19.000 Audio-Tokens, und eine volle Stunde durchläuft eine Million Eingabe-Tokens, bevor das Modell ein einziges Ausgabewort erzeugt. Aus diesem Grund kann eine Video-Verständnisfunktion, die in einer Demo trivial wirkte, eine ganze KI-Rechnung dominieren, sobald sie in einer Bibliothek läuft. Die Hebel sind direkt: Nehmen Sie weniger Bilder pro Sekunde auf, verzichten Sie auf den Ton, wenn Sie nur die visuellen Elemente benötigen, transkribieren Sie Sprache mit einem günstigen Speech-to-Text-Modell und argumentieren Sie über den Text, anstatt Audio-Token-Gebühren zu zahlen, und schneiden Sie auf das Segment, das wichtig ist. Größe der Transkriptalternative auf der Speech-to-Text-Kostenrechner, die Standbildseite auf der Vision-Bildeingaberechnerund die Generierungsrichtung auf der Kostenrechner für die Videoerstellung.
So funktioniert dieser Rechner
Es zählt die abgetasteten Bilder (Länge in Sekunden × Bilder pro Sekunde), multipliziert sie mit den Tokens pro Bild, um Bild-Tokens zu erhalten, fügt Audio-Tokens (Sekunden × Audio-Tokens pro Sekunde) und Ihre Eingabeaufforderung hinzu, um die gesamten Eingabe-Tokens zu erhalten, und bewertet dann die Ein- und Ausgabe zu Ihren Preisen pro Million. Kosten pro Video multipliziert mit Ihrem monatlichen Volumen ergibt die monatliche Rechnung, und die Tabelle führt das Ganze noch einmal über eine Reihe von Bildraten durch, damit Sie den Kompromiss erkennen können.
Häufig gestellte Fragen
Wie wird Video abgerechnet, wenn Sie es an ein LLM senden?
Ein multimodales Modell sieht sich Videos nicht so an, wie es ein Mensch tut – es tastet Frames ab, normalerweise etwa eines pro Sekunde, und behandelt jedes Frame als ein Bild, das aus Token besteht, und fügt dann die Audiospur als eigenen Token-Stream hinzu. Die Eingabekosten sind also die Anzahl der abgetasteten Frames multipliziert mit den Tokens pro Frame, plus Audio-Tokens und Ihrer Textaufforderung. Gemini berechnet für Video bei Standardauflösung etwa 258 Token pro Sekunde und für Audio etwa 32 Token pro Sekunde. Mit GPT-4o extrahieren Sie Frames selbst und jeder gekachelte Frame umfasst je nach Detail zwischen etwa 85 und über 1.000 Token. So oder so ist Video mit Abstand die Token-hungrigste Eingabemodalität, was dieser Rechner konkret macht.
Warum ist die Analyse eines einstündigen Videos so teuer?
Denn die Token skalieren mit der Länge des Filmmaterials. Bei einem Bild pro Sekunde und 258 Token pro Bild besteht eine Stunde Video aus 3.600 Bildern und etwa 929.000 Bild-Tokens sowie etwa 115.000 Audio-Tokens – weit über eine Million Eingabe-Tokens für ein einzelnes Video, bevor das Modell eine Antwort schreibt. Bei ein paar Dollar pro Million Input-Tokens ist das eine sinnvolle Rechnung pro Video, die sich in einer Bibliothek schnell vervielfacht. Der Rechner zeigt die Token pro Video, die Kosten pro Video und die monatliche Gesamtsumme an, sodass ein einmaliges Experiment bei großem Maßstab nicht zu einer Überraschung wird.
Wie mache ich das Verstehen von Videos günstiger?
Der größte Hebel ist die Bildrate: Durch die Abtastung mit einem Bild alle zwei oder fünf Sekunden statt mit einem Bild pro Sekunde werden Bildtokens proportional abgeschnitten, und bei sich langsam bewegendem Filmmaterial – einem Vortrag, einem Sicherheitsfeed, einer Bildschirmaufzeichnung – geht selten etwas Wichtiges verloren. Eine weitere große Ersparnis ist das Weglassen der Audiospur, wenn Sie nur die visuellen Elemente benötigen, oder das Transkribieren von Audiodaten mit einem günstigen Speech-to-Text-Modell und das Einspeisen des Transkripts als Text, anstatt Audio-Token-Gebühren zu zahlen. Durch die Reduzierung der Frame-Auflösung werden weniger Tokens pro Frame benötigt, und das Beschneiden auf das relevante Segment, anstatt die gesamte Datei zu senden, ist der einfachste Gewinn von allen. Die Bildratentabelle auf dieser Seite zeigt genau, um wie viel jede Einstellung die Rechnung bewegt.
Ist es günstiger, den Ton zu transkribieren, als das gesamte Video zu versenden?
Sehr oft, ja, wenn es bei Ihrer Frage darum geht, was gesagt wird und nicht darum, was gezeigt wird. Speech-to-Text-Modelle berechnen pro Audiominute einen Bruchteil eines Cents, und das resultierende Transkript umfasst ein paar tausend Text-Tokens für eine Stunde Sprache – das ist um Größenordnungen günstiger als die Zahlung von Bild-Token-Gebühren für einen Frame pro Sekunde. Senden Sie das vollständige Video nur, wenn der visuelle Inhalt wirklich wichtig ist. Transkribieren Sie bei Talking-Head-Aufnahmen, Meetings und Podcasts zuerst und begründen Sie den Text. Mit diesem Rechner können Sie Audio-Tokens auf Null setzen, um die Transkriptroute zu modellieren und sie mit dem Senden der Frames zu vergleichen.