Contador de tokens de IA y calculadora de costos LLM.

Un contador de tokens es una herramienta que te dice en cuántos tokens se convierte un texto en cuanto lo lee un modelo de lenguaje. Los modelos se facturan, se limitan y se restringen por tokens y no por palabras, así que ese recuento es lo que decide si un prompt cabe y lo que cuesta. Este contador de tokens ejecuta el tokenizador real en tu navegador para 34 modelos de 7 proveedores, y muestra juntos el recuento, el coste y la parte de la ventana de contexto que ocupa.

Un token es la unidad básica de texto que procesa un modelo de IA. Puede ser una palabra entera, un fragmento de palabra, un signo de puntuación o un solo carácter. Las palabras inglesas frecuentes suelen ser un token cada una, mientras que las más largas o más raras se parten en piezas: «tokenization» llega al modelo como «token» más «ization». Para inglés corriente, un token equivale de media a unos 4 caracteres, o 0.75 de palabra.

Unos 4 caracteres de prosa inglesa, lo que viene a ser 0.75 de palabra. Es una media, no una regla: «the» es un token de tres caracteres, mientras que una URL larga o un bloque en base64 pueden costar un token por carácter. En dinero, un token de entrada en GPT-5.6 Terra vale $0.000002, y por eso las tarifas se anuncian siempre por millón y no por token.

Tokenizar un texto es partirlo en las unidades de vocabulario que el modelo lee realmente y asignar a cada unidad un identificador entero. El modelo no ve nunca tus caracteres: ve esa lista de identificadores. Tokenizar es determinista — el mismo texto produce siempre los mismos tokens — y reversible: descodificar los identificadores devuelve el texto original byte a byte. Contar tokens consiste en tokenizar el texto y decir cuántas piezas han salido.

La clasificación en cinco tipos viene de la teoría de compiladores, no de la IA: un analizador léxico ordena el código fuente en palabras clave, identificadores, operadores, separadores y literales. Los modelos de lenguaje no usan esas categorías. Para la tokenización de un LLM la división útil es otra: palabras enteras, fragmentos de subpalabra, caracteres sueltos o bytes en bruto, puntuación y espacios, y tokens de control especiales como las marcas de fin de texto. Solo ese último tipo lo añade la API y no tu texto.

Unas 750 palabras de prosa inglesa, con la proporción práctica de 0.75 palabras por token. En el otro sentido, 1000 palabras son aproximadamente 1333 tokens. Las dos direcciones son estimaciones y solo valen para prosa: 1000 tokens de JSON minificado, de código fuente o de texto en hindi y en japonés llevan bastantes menos palabras que eso. Por eso mismo contar es mejor que dividir.

Alrededor de 150.000 palabras, o unas 300 páginas impresas a 500 palabras por página: una novela entera. También es un tamaño de ventana de contexto habitual, así que la pregunta real suele ser «¿esto entra en 200K?». En gasto, 200.000 tokens de entrada cuestan $0.400 en GPT-5.6 Terra y $0.030 en GPT-4o Mini.

Unas 750.000 palabras, o aproximadamente 1500 páginas impresas: digamos ocho novelas de tamaño medio. Varios modelos aceptan ya esa cantidad en una sola petición: GPT-5.6 Sol tiene una ventana de 1M tokens y Claude Sonnet 5 de 1M. Leer un millón de tokens en voz alta llevaría cerca de noventa horas.

Aproximadamente 1.500.000 palabras, o unas 3000 páginas impresas. Ningún modelo del selector acepta tanto en una sola petición — la ventana más grande de aquí es de 1M tokens —, así que dos millones describen normalmente un presupuesto mensual o un conjunto de documentos que tendrás que trocear. En gasto son $4.00 de entrada en GPT-5.6 Terra, o $0.300 en GPT-4o Mini.

«1M tokens» es la forma abreviada de un millón de tokens, y aparece en dos sitios. Como ventana de contexto significa que el modelo puede retener a la vez unas 750.000 palabras de prompt, documentos e historial. Como unidad de precio es la forma en que todos los proveedores anuncian sus tarifas: $2.00 por 1M de tokens de entrada en GPT-5.6 Terra sale a $0.000002 por token. No tiene nada que ver con los tokens de las criptomonedas.

En GPT-5.6 Terra, a $2.00 el millón, 1000 tokens de entrada cuestan $0.00200 y 1000 tokens de salida $0.012: la salida es siempre la dirección cara. En todo el selector, esos mismos 1000 tokens de entrada van desde $0.00015 en GPT-4o Mini hasta $0.010 en Claude Fable 5, una diferencia de 67×. El texto no cambia; solo cambia la factura.

Un millón de tokens es exactamente una unidad de facturación: todos los proveedores anuncian sus tarifas por millón, así que esta es la cifra impresa en la página de precios. En GPT-5.6 Terra un millón de tokens de entrada cuesta $2.00, lo que significa que un dólar compra 500.000 tokens, o unas 375.000 palabras. La salida es más cara, a $12.00 el millón. En el extremo barato, GPT-4o Mini cobra $0.150, así que el mismo dólar llega 13 veces más lejos.

El recuento de tokens multiplicado por la tarifa publicada del modelo seleccionado, con la entrada y la salida tarifadas por separado. Pega o suelta texto aquí y se cuenta como entrada, con el coste por llamada a la vista al instante. La entrada en caché — cuando peticiones consecutivas comparten un prefijo de prompt — es aún más barata: $0.200 por millón en GPT-5.6 Terra frente a $2.00 de la estándar. Las tarifas salen de la página de precios de cada proveedor y se vuelven a comprobar de forma periódica.

Tres formas, de más a menos esfuerzo. Pega el texto en el contador del principio de esta página y lee el número: exacto para los modelos de OpenAI, porque el vocabulario o200k_base real se ejecuta en tu navegador. Llama tú mismo a una biblioteca de tokenización: tiktoken para OpenAI, SentencePiece para Google, la biblioteca tokenizers de Hugging Face para los modelos abiertos. O divide tu número de caracteres entre 4 para una estimación aproximada, que se desvía mucho con el código, el JSON y las escrituras no latinas.

Para una respuesta rápida, pega texto o suelta un archivo en el contador de arriba y el recuento aparece mientras escribes: sin cuenta, sin clave de API, sin subir nada. En código, usa el tokenizador del propio proveedor: len(enc.encode(text)) con tiktoken en Python, o js-tiktoken en JavaScript. Donde el vocabulario no está publicado, recurre al endpoint de conteo del proveedor: el de Anthropic, count-tokens, es la única forma exacta de obtener una cifra de Claude.

Con una pasada de byte pair encoding, no contando caracteres ni palabras. El tokenizador parte tu texto con una expresión regular fija y luego fusiona repetidamente el par de bytes adyacente más frecuente según una tabla de fusiones aprendida durante el entrenamiento, hasta que ninguna fusión es aplicable. Las piezas que quedan son los tokens, cada una asociada a un identificador entero. o200k_base, la codificación que usan los modelos actuales de OpenAI, contiene unas 200.000 piezas; la más antigua cl100k_base, unas 100.000.

Para los modelos de OpenAI, exacta: ejecuta el vocabulario BPE de código abierto de OpenAI en tu navegador, así que la cifra coincide con la que te facturan. 11 de los 56 modelos de la comparativa se cuentan así. Anthropic, Google, xAI, DeepSeek y Meta no publican sus tokenizadores, de modo que esos recuentos son estimaciones calibradas y se indican como tales junto al total. Tómalos como una buena referencia, no como un importe de facturación.

Sí. Se admiten PDF, DOCX, TXT, Markdown, JSON, CSV y XML, hasta 10 MB, y varios archivos a la vez no son problema: cada uno recibe su línea y los totales se suman. Los PDF se analizan por completo en tu navegador con PDF.js; no se sube nada. Un PDF escaneado sin texto incrustado no se puede leer, y la herramienta te lo dice en lugar de devolver un recuento engañoso.

Convierte texto en los identificadores enteros que un modelo puede procesar, y los vuelve a convertir. En concreto: parte el texto en fragmentos candidatos con una expresión regular, aplica a cada fragmento fusiones de pares de bytes contra un vocabulario fijo y emite un identificador por pieza que sobrevive. También se ocupa de las partes incómodas: el espacio inicial que hace de «hello» y « hello» dos tokens distintos, los bytes que no son UTF-8 válido y los tokens de control que marcan dónde empieza y acaba un mensaje.

Toda operación con texto que hace un modelo empieza y acaba con uno, así que el tokenizador es lo que vuelve tu entrada legible para el modelo, sin más. Fuera del modelo se usa para contar tokens antes de enviar una petición, poner precio a un prompt, comprobar un documento contra una ventana de contexto, trocear texto para una base de datos vectorial por fronteras de token en lugar de de carácter, y recortar el historial de una conversación para que siga cabiendo.

La tokenización es partir el texto en las unidades que el modelo lee. «Token counter» son dos tokens, porque las dos palabras son lo bastante frecuentes para tener su propia entrada de vocabulario, y el espacio pertenece a la segunda: « counter» y «counter» son tokens distintos. La palabra «tokenization» es más rara, así que se parte en «token» más «ization»: una palabra, dos tokens. Las más raras todavía se desmenuzan más — «unbelievably» cuesta tres, como «un» más «bel» más «ievably». El visualizador de arriba muestra la división exacta de cualquier texto que pegues.

En IA, el propio fabricante del modelo. OpenAI publica tiktoken, Google liberó el código de SentencePiece, Meta distribuye su tokenizador con los pesos de Llama, y la biblioteca tokenizers de Hugging Face implementa BPE, WordPiece y Unigram para los modelos abiertos. Anthropic, el Gemini de Google y xAI mantienen cerrados sus vocabularios de producción y ofrecen endpoints de conteo en su lugar. Si has llegado buscando la tokenización de pagos, ese es un servicio sin relación, de las redes de tarjetas y las pasarelas de pago.

Elige un algoritmo — BPE, WordPiece o Unigram —, reúne un corpus que se parezca al texto que vas a procesar de verdad, fija un tamaño de vocabulario y lanza un entrenador como tokenizers de Hugging Face o SentencePiece: produce un vocabulario y una tabla de fusiones. Un vocabulario más grande significa menos tokens por documento, pero una matriz de embeddings mayor. Hay una salvedad que importa más que todas: no puedes reentrenar el tokenizador de un modelo que ya existe, porque su vocabulario está soldado a los pesos de embeddings.

Sí, completamente gratis y sin límites: sin registro, sin clave de API, sin prueba, sin un plan de pago que se guarde la parte útil. Todo funciona en tu navegador, así que no hay servidor que medir ni nada que facturarte: puedes contar 1.000.000 tokens con la misma facilidad que diez. Los 34 modelos del selector están disponibles para todo el mundo, y la subida de archivos también.

No. El tokenizador, la lectura de los archivos y los cálculos se ejecutan todos localmente, en la misma página que ya tienes delante. Nunca se envía nada a un servidor, porque no hay servidor al que enviarlo, y eso es lo que hace que esto se pueda usar sobre un borrador de contrato, una especificación sin publicar o la transcripción de un cliente. Cierra la pestaña y no queda nada.