Gemini ≈ ビデオ 258 tok/s、オーディオ 32 tok/s
動画あたりのコスト
入力トークン/ビデオ
入力トークン/分
月額費用

フレームレートはダイヤルであり、それをスイープする

画像トークンは、サンプリングされたフレームに応じて直接スケールされます。講義、画面録画、セキュリティ フィードなどのスロー フッテージの場合、フレーム レートが低くても何も失われることはほとんどなく、それに比例して料金も削減されます。音声とプロンプトは設定で保持されます。

サンプリング入力トークン/ビデオコスト/ビデオ毎月

誰も予算を立てていないモダリティ

テキストは安価ですが、画像はより高価で、ビデオは独自のカテゴリに属します。モデルがビデオを画像トークンの壁に変え、一度に 1 フレームずつサンプリングし、その上にオーディオ トラックを積み重ねるからです。直観の罠は、ビデオをドキュメントと同様に「1 つの入力」と考えることです。実際には、1 秒あたり 1 フレームの 10 分間のクリップは 600 フレーム、およそ 155,000 の画像トークンと 19,000 の音声トークンになり、モデルが 1 単語の出力を生成するまでに 1 時間で 100 万の入力トークンを通過します。デモでは些細なように見えたビデオ理解機能が、ライブラリ全体で実行されると、AI の請求額全体を支配する可能性があるのはこのためです。手段は直接的です。サンプリングする 1 秒あたりのフレーム数を減らし、ビジュアルのみが必要な場合は音声を削除し、安価な音声テキスト変換モデルを使用して音声を書き起こし、音声トークン料金を支払う代わりにテキストを推論し、重要なセグメントにクリップします。トランスクリプトの代替案のサイズを設定します 音声からテキストへのコスト計算ツールの静止画側 ビジョン画像入力計算機、および上の生成方向 ビデオ生成コストの計算ツール.

プロジェクトをホストします。DigitalOcean — $200 無料 ↗ホスティンガー VPS
ビジョン画像入力コストSpeech-to-Text のコストビデオ生成コストGemini API のコストビジョンAPIのコスト