KI-Token-Zähler & LLM-Kostenrechner.

Ein Token-Zähler ist ein Werkzeug, das Ihnen sagt, wie viele Token ein Text ergibt, sobald ein Sprachmodell ihn liest. Modelle werden in Token abgerechnet, begrenzt und ratenlimitiert, nicht in Wörtern — diese Zahl entscheidet also, ob ein Prompt hineinpasst und was er kostet. Dieser Token-Zähler führt den echten Tokenizer in Ihrem Browser über 34 Modelle von 7 Anbietern aus und zeigt Zahl, Kosten und belegten Anteil des Kontextfensters gemeinsam an.

Ein Token ist die grundlegende Texteinheit, die ein KI-Modell verarbeitet. Es kann ein ganzes Wort, ein Wortfragment, ein Satzzeichen oder ein einzelnes Zeichen sein. Häufige englische Wörter sind meist ein Token, längere oder seltenere Wörter zerfallen dagegen in Teile — „tokenization" kommt beim Modell als „token" plus „ization" an. Für gewöhnliches Englisch entspricht ein Token im Durchschnitt etwa 4 Zeichen oder 0.75 eines Wortes.

Etwa 4 Zeichen englischer Prosa, also ungefähr 0.75 eines Wortes. Das ist ein Durchschnitt, keine Regel: „the" ist ein Token aus drei Zeichen, während eine lange URL oder ein base64-Block ein Token pro Zeichen kosten kann. In Geld ist ein Eingabe-Token bei GPT-5.6 Terra $0.000002 wert — weshalb Tarife immer pro Million und nicht pro Token angegeben werden.

Einen Text zu tokenisieren heißt, ihn in die Vokabulareinheiten zu zerlegen, die das Modell tatsächlich liest, und jeder Einheit eine ganzzahlige ID zuzuordnen. Das Modell sieht Ihre Zeichen nie; es sieht diese Liste von IDs. Tokenisieren ist deterministisch — derselbe Text ergibt immer dieselben Token — und umkehrbar: Die IDs zurückzudecodieren liefert den ursprünglichen Text Byte für Byte. Token zu zählen heißt, den Text zu tokenisieren und zu melden, wie viele Teile dabei herausgekommen sind.

Die Einteilung in fünf Arten kommt aus der Compilertheorie und nicht aus der KI: Ein Lexer sortiert Quellcode in Schlüsselwörter, Bezeichner, Operatoren, Trennzeichen und Literale. Sprachmodelle verwenden diese Kategorien nicht. Für die LLM-Tokenisierung ist die nützliche Aufteilung eine andere — ganze Wörter, Subwort-Fragmente, einzelne Zeichen oder rohe Bytes, Satzzeichen und Leerraum sowie spezielle Steuer-Token wie Ende-des-Textes-Marker. Nur die letzte Art wird von der API hinzugefügt und nicht von Ihrem Text.

Etwa 750 Wörter englischer Prosa, gerechnet mit dem Arbeitsverhältnis von 0.75 Wörtern pro Token. Umgekehrt sind 1.000 Wörter grob 1.333 Token. Beide Richtungen sind Schätzungen und gelten nur für Prosa: 1.000 Token minifiziertes JSON, Quellcode oder Hindi- und japanischer Text tragen deutlich weniger Wörter als das. Genau deshalb ist Zählen besser als Teilen.

Rund 150.000 Wörter oder etwa 300 gedruckte Seiten bei 500 Wörtern pro Seite — ein Roman in voller Länge. Es ist außerdem eine verbreitete Kontextfenstergröße, weshalb die eigentliche Frage meist „passt das in 200K" lautet. In Geld kosten 200.000 Eingabe-Token $0.400 bei GPT-5.6 Terra und $0.030 bei GPT-4o Mini.

Etwa 750.000 Wörter oder rund 1.500 gedruckte Seiten — nennen wir es acht durchschnittliche Romane. Mehrere Modelle nehmen inzwischen so viel in einer einzigen Anfrage: GPT-5.6 Sol hat ein Fenster von 1M Token und Claude Sonnet 5 eines von 1M. Eine Million Token laut vorzulesen würde an die neunzig Stunden dauern.

Grob 1.500.000 Wörter oder etwa 3.000 gedruckte Seiten. Kein Modell in der Auswahl nimmt das in einer einzigen Anfrage — das größte Fenster hier fasst 1M Token — zwei Millionen beschreiben also üblicherweise ein Monatsbudget oder einen Dokumentbestand, den Sie aufteilen müssen. In Geld sind das $4.00 Eingabe bei GPT-5.6 Terra oder $0.300 bei GPT-4o Mini.

„1M Token" ist die Kurzform für eine Million Token, und der Ausdruck tritt an zwei Stellen auf. Als Kontextfenster heißt er, dass das Modell etwa 750.000 Wörter Prompt, Dokumente und Verlauf gleichzeitig halten kann. Als Preiseinheit ist er die Art, in der jeder Anbieter seine Tarife angibt — $2.00 pro 1M Eingabe-Token bei GPT-5.6 Terra ergibt $0.000002 pro Token. Mit Krypto-Token hat das nichts zu tun.

Bei GPT-5.6 Terra, zu $2.00 pro Million, kosten 1.000 Eingabe-Token $0.00200 und 1.000 Ausgabe-Token $0.012 — die Ausgabe ist immer die teure Richtung. Über die gesamte Auswahl reichen dieselben 1.000 Eingabe-Token von $0.00015 bei GPT-4o Mini bis $0.010 bei Claude Fable 5, eine Spanne von 67×. Der Text ändert sich nicht; nur die Rechnung.

Eine Million Token ist genau eine Abrechnungseinheit — alle Anbieter geben ihre Tarife pro Million an, das ist also die Zahl, die auf der Preisseite steht. Bei GPT-5.6 Terra kostet eine Million Eingabe-Token $2.00, ein Dollar kauft demnach 500.000 Token oder etwa 375.000 Wörter. Die Ausgabe ist teurer, mit $12.00 pro Million. Am günstigen Ende nimmt GPT-4o Mini $0.150, derselbe Dollar reicht dort also 13-mal weiter.

Token-Zahl multipliziert mit dem veröffentlichten Tarif des ausgewählten Modells, wobei Eingabe und Ausgabe getrennt bepreist werden. Text, den Sie hier einfügen oder ablegen, wird als Eingabe gezählt, und die Kosten pro Aufruf erscheinen sofort. Gecachte Eingabe — wenn aufeinanderfolgende Anfragen ein Prompt-Präfix teilen — ist noch billiger: $0.200 pro Million bei GPT-5.6 Terra gegenüber $2.00 regulär. Die Tarife stammen von der Preisseite jedes Anbieters und werden regelmäßig nachgeprüft.

Drei Wege, in absteigender Reihenfolge des Aufwands. Fügen Sie den Text in den Zähler am Kopf dieser Seite ein und lesen Sie die Zahl ab — exakt für OpenAI-Modelle, weil das echte o200k_base-Vokabular in Ihrem Browser läuft. Rufen Sie selbst eine Tokenizer-Bibliothek auf: tiktoken für OpenAI, SentencePiece für Google, die tokenizers-Bibliothek von Hugging Face für offene Modelle. Oder teilen Sie Ihre Zeichenzahl durch 4 für eine grobe Schätzung, die bei Code, JSON und nicht-lateinischen Schriften stark abweicht.

Für eine schnelle Antwort: Text einfügen oder eine Datei in den Zähler oben ziehen — die Zahl erscheint beim Tippen, ohne Konto, ohne API-Schlüssel, ohne Upload. Im Code nehmen Sie den Tokenizer des Anbieters selbst: len(enc.encode(text)) mit tiktoken in Python oder js-tiktoken in JavaScript. Wo ein Vokabular nicht veröffentlicht ist, nutzen Sie stattdessen den Zähl-Endpunkt des Anbieters — der count-tokens-Endpunkt von Anthropic ist der einzige exakte Weg zu einer Claude-Zahl.

Durch einen Byte-Pair-Encoding-Durchlauf, nicht durch das Zählen von Zeichen oder Wörtern. Der Tokenizer zerlegt Ihren Text mit einem festen regulären Ausdruck und verschmilzt dann wiederholt das häufigste benachbarte Byte-Paar nach einer beim Training gelernten Merge-Tabelle, bis keine Verschmelzung mehr greift. Die übrig gebliebenen Teile sind die Token, jedes einer ganzzahligen ID zugeordnet. o200k_base, das Encoding aktueller OpenAI-Modelle, enthält etwa 200.000 solcher Teile; das ältere cl100k_base etwa 100.000.

Für OpenAI-Modelle exakt — das quelloffene BPE-Vokabular von OpenAI läuft in Ihrem Browser, die angezeigte Zahl ist also die, die Ihnen berechnet wird. 11 der 56 Modelle im Vergleich werden so gezählt. Anthropic, Google, xAI, DeepSeek und Meta veröffentlichen ihre Tokenizer nicht, jene Werte sind daher kalibrierte Schätzungen und werden neben der Summe als solche gekennzeichnet. Betrachten Sie sie als guten Richtwert, nicht als Abrechnungsgrundlage.

Ja. PDF, DOCX, TXT, Markdown, JSON, CSV und XML werden unterstützt, bis 10 MB, und mehrere Dateien gleichzeitig sind kein Problem — jede erhält ihre eigene Zeile, und die Summen addieren sich. PDFs werden vollständig in Ihrem Browser mit PDF.js verarbeitet; es wird nichts hochgeladen. Ein gescanntes PDF ohne eingebetteten Text kann nicht gelesen werden, und das Tool sagt das, anstatt eine irreführende Zahl zu liefern.

Er wandelt Text in die ganzzahligen IDs um, die ein Modell verarbeiten kann, und wieder zurück. Konkret: Er zerlegt den Text mit einem regulären Ausdruck in Kandidatenstücke, führt über jedes Stück Byte-Paar-Verschmelzungen gegen ein festes Vokabular aus und gibt eine ID pro übrig gebliebenem Teil aus. Er übernimmt auch die unangenehmen Teile — das führende Leerzeichen, das „hello" und „ hello" zu zwei verschiedenen Token macht, Bytes, die kein gültiges UTF-8 sind, und die Steuer-Token, die Anfang und Ende einer Nachricht markieren.

Jede Textoperation eines Modells beginnt und endet mit einem, der Tokenizer ist also überhaupt erst das, was Ihre Eingabe für das Modell lesbar macht. Außerhalb des Modells verwenden Sie einen, um Token vor dem Senden einer Anfrage zu zählen, einen Prompt zu bepreisen, ein Dokument gegen ein Kontextfenster zu prüfen, Text für eine Vektordatenbank an Token- statt an Zeichengrenzen zu zerteilen und einen Gesprächsverlauf so zu kürzen, dass er weiterhin hineinpasst.

Tokenisierung ist das Zerlegen von Text in die Einheiten, die ein Modell liest. „Token counter" sind zwei Token, weil beide Wörter häufig genug sind, um einen eigenen Vokabulareintrag zu haben — und das Leerzeichen gehört zum zweiten, „ counter" und „counter" sind also verschiedene Token. Das Wort „tokenization" ist seltener und zerfällt daher in „token" plus „ization": ein Wort, zwei Token. Noch seltener zerfällt weiter — „unbelievably" kostet drei, als „un" plus „bel" plus „ievably". Der Visualisierer oben zeigt die genaue Zerlegung für jeden Text, den Sie einfügen.

In der KI der Hersteller des Modells selbst. OpenAI veröffentlicht tiktoken, Google hat SentencePiece quelloffen gemacht, Meta liefert seinen Tokenizer mit den Llama-Gewichten aus, und die tokenizers-Bibliothek von Hugging Face implementiert BPE, WordPiece und Unigram für offene Modelle. Anthropic, Googles Gemini und xAI halten ihre Produktionsvokabulare geschlossen und bieten stattdessen Zähl-Endpunkte an. Wenn Sie nach Zahlungstokenisierung gesucht haben: Das ist ein davon unabhängiger Dienst von Kartennetzwerken und Zahlungsdienstleistern.

Wählen Sie einen Algorithmus — BPE, WordPiece oder Unigram — stellen Sie einen Korpus zusammen, der dem Text ähnelt, den Sie tatsächlich verarbeiten werden, legen Sie eine Vokabulargröße fest und lassen Sie einen Trainer wie tokenizers von Hugging Face oder SentencePiece laufen; er gibt ein Vokabular und eine Merge-Tabelle aus. Ein größeres Vokabular bedeutet weniger Token pro Dokument, aber eine größere Embedding-Matrix. Eine Einschränkung zählt mehr als alle anderen: Für ein bestehendes Modell können Sie den Tokenizer nicht neu trainieren, weil sein Vokabular mit den Embedding-Gewichten verschweißt ist.

Ja, komplett kostenlos und ohne Einschränkungen — keine Anmeldung, kein API-Schlüssel, keine Testphase, keine Bezahlstufe, die den nützlichen Teil zurückhält. Alles läuft in Ihrem Browser, es gibt also keinen Server zu messen und für uns nichts abzurechnen: Sie können 1.000.000 Token so leicht zählen wie zehn. Die 34 Modelle in der Auswahl stehen allen zur Verfügung, und der Datei-Upload ebenso.

Nein. Der Tokenizer, das Auslesen der Dateien und die Rechnung laufen alle lokal in der Seite, die Sie ohnehin schon vor sich haben. Es wird nie etwas an einen Server gesendet, weil es keinen Server gibt, an den man es senden könnte — genau das macht das Tool auf einem Vertragsentwurf, einer unveröffentlichten Spezifikation oder einem Kundengespräch verwendbar. Schließen Sie den Tab, bleibt nichts zurück.