Zeichen-zu-Token-Rechner
Schätzen Sie kostenlos die LLM-Tokenzahl aus Zeichenzahlen. Wenden Sie präzise Zeichen-pro-Token-Verhältnisse für Prosa und Code auf GPT-4o, Claude, Gemini und 7 weitere Modelle an. Vergleichen Sie sofort Kosten und Kontextfenster-Nutzung – vollständig privat, ohne Registrierung.
Estimate token counts from character counts for any LLM - instantly, in your browser. Select your model and content type to apply accurate chars-per-token ratios, then see per-request and projected monthly API costs.
Volume Forecast
Estimated Tokens
~263
for 1,000 chars
Chars / Token
~3.80
prose
Input Cost / Req
$0.000657
GPT-4o
Monthly Input Cost
$19.73
30,000 requests
Context Window Usage
127,737 tokens remaining
Cost Breakdown per Request
If sent as Input (Prompt)
$0.000657
$2.50/M tokens
If Generated as Output
$0.002630
$10.00/M tokens
Quick Reference - GPT-4o (prose)
| Characters | Est. Tokens | Input Cost | Context % |
|---|---|---|---|
| 1,000 chars | ~263 | $0.000657 | 0% |
| 5,000 chars | ~1,316 | $0.003290 | 1% |
| 10,000 chars | ~2,632 | $0.006580 | 2% |
| 50,000 chars | ~13,158 | $0.0329 | 10% |
| 100,000 chars | ~26,316 | $0.0658 | 21% |
| 500,000 chars | ~131,579 | $0.3289 | Over |
| 1,000,000 chars | ~263,158 | $0.6579 | Over |
Token Estimate Across Models
Sorted by lowest monthly cost| Model | Ratio | Est. Tokens | Monthly Input Cost | Ctx % |
|---|---|---|---|---|
GPT-4o miniOpenAIBest Value | ~3.80 | ~263 | $1.18 | 0% |
DeepSeek-V3DeepSeekBest Value | ~3.80 | ~263 | $2.13 | 0% |
Gemini 2.5 FlashGoogleBest Value | ~4.00 | ~250 | $2.25 | 0% |
Llama 3.1 70BMetaBest Value | ~3.80 | ~263 | $5.68 | 0% |
Claude HaikuAnthropicBest Value | ~3.90 | ~256 | $6.14 | 0% |
Gemini 2.5 ProGoogle | ~4.00 | ~250 | $9.38 | 0% |
Mistral LargeMistral | ~4.00 | ~250 | $15.00 | 0% |
GPT-4oOpenAI Selected | ~3.80 | ~263 | $19.72 | 0% |
Claude SonnetAnthropic | ~3.90 | ~256 | $23.04 | 0% |
Grok 3xAI | ~3.90 | ~256 | $23.04 | 0% |
Warum Tokens vor dem Text zählen
Die Kosten eines LLM-Aufrufs und der Platz im Kontextfenster werden in Tokens gemessen, nicht in Zeichen. Wenn der finale Text noch nicht existiert, ist die Schätzung aus Zeichen der schnellste Weg, System oder Budget zu dimensionieren.
Geben Sie die Zeichenzahl ein und wählen Sie Inhaltstyp (Prosa oder Code) und Modell, um geschätzte Tokens, Kontextnutzung und Kosten zu erhalten.
- Englische Prosa: etwa 4 Zeichen pro Token.
- Code: etwa 3,0-3,4 Zeichen pro Token wegen Symbolen und Einrückung.
- Die übliche Fehlermarge der Schätzung liegt bei ±10-15 % für Prosa.
Verhältnisunterschiede zwischen Modellen
Jede Modellfamilie nutzt ihren eigenen Tokenizer, daher kann derselbe Text bei GPT-4o, Claude oder Gemini unterschiedlich zählen. Vergleichen Sie Kosten mit dem passenden Verhältnis je Anbieter.
- Ein einheitliches Verhältnis für alle Modelle verzerrt den Preisvergleich.
- Mehrsprachige Inhalte verbrauchen meist mehr Tokens pro Zeichen als Englisch.
- Bei kritischem Budget mit dem offiziellen Tokenizer validieren.
Von Zeichen zum Budget
Die Token-Schätzung ist der erste Schritt; das vollständige Budget ergänzt Aufrufvolumen und erwartete Ausgabe-Tokens.
- Zählen Sie die Zeichen eines repräsentativen Textes und rechnen Sie sie für das gewählte Modell in Tokens um.
- Multiplizieren Sie mit der erwarteten Zahl an Aufrufen pro Tag oder Monat.
- Addieren Sie die erwarteten Ausgabe-Tokens, die meist teurer sind als Eingabe-Tokens.
- Prüfen Sie, ob die Summe pro Anfrage bequem ins Kontextfenster des Modells passt.
Häufig gestellte Fragen
Er schätzt die Anzahl der LLM-Tokens in einer gegebenen Zeichenzahl. Statt den Text durch eine Tokenizer-Bibliothek zu schicken, geben Sie die Zeichenzahl ein und der Rechner wendet das durchschnittliche Zeichen-pro-Token-Verhältnis des Modells an. Das ist nützlich für Budgetplanung, Systemdesign und Kostenprognosen, bevor der eigentliche Text vorliegt.
Für englische Prosa entspricht ein Token bei den wichtigsten Modellen (GPT-4o, Claude, Gemini) im Durchschnitt etwa 3,8-4,0 Zeichen. Bei Quellcode sinkt das Verhältnis auf rund 3,0-3,4 Zeichen pro Token, weil Symbole, Operatoren und Einrückungen Tokens erzeugen. Faustregel: für englische Prosa durch 4 teilen, für codeintensiven Inhalt durch 3,2.
Bei einem Durchschnitt von 4 Zeichen pro Token für englische Prosa sind 1.000 Zeichen etwa 250 Tokens. Bei Code sind 1.000 Zeichen bei ~3,2 Zeichen pro Token etwa 312 Tokens. Das sind Schätzungen – die genaue Zahl hängt von Wörtern, Symbolen und dem Tokenizer des Modells ab.
LLM-Tokenizer werden stark auf englischem Text trainiert und tokenisieren gängige englische Wörter effizient als einzelnes Token. Code enthält viele Ein-Zeichen-Symbole (Klammern, Operatoren, Semikolons), kurze Bezeichner und Einrückungsleerzeichen, die jeweils ein oder mehrere Tokens erzeugen, aber sehr wenige Zeichen darstellen. Daher erzeugt dieselbe Zeichenzahl in Code mehr Tokens und höhere API-Kosten.
Sie basieren auf veröffentlichten durchschnittlichen Zeichen-pro-Token-Verhältnissen je Modellfamilie und sind für englische Prosa auf ±10-15 % genau. Für den Produktivbetrieb oder kritische Budgetplanung empfehlen wir die Validierung mit der Tokenizer-Bibliothek des Anbieters (tiktoken für OpenAI, der Anthropic-Tokenizer für Claude usw.). Der Rechner ist vor allem in der frühen Planung nützlich.
Ja. Die Zeichenzahl umfasst alle Zeichen des Textes: Buchstaben, Ziffern, Leerzeichen, Satzzeichen, Zeilenumbrüche und Sonderzeichen. So verarbeiten LLM-Tokenizer Text. Leerzeichen und Satzzeichen tragen zur Tokenzahl bei, besonders wenn sie in Mustern neben Wörtern stehen, die der Tokenizer als eigene Einheiten erkennt.
Ja, vollständig. Der Rechner läuft komplett clientseitig im Browser. Es werden keine Daten an einen Server übertragen – Sie geben nur eine Zahl ein, und alle Berechnungen erfolgen lokal auf Ihrem Gerät. Keine Registrierung nötig und nichts wird gespeichert.