Embedding-Kostenrechner
Schätzen Sie kostenlos die Gesamtkosten des Embeddings von Dokumenten und Datensätzen. Modellieren Sie einmalige Korpus-Ingest-Kosten, monatliche Re-Embedding-Kosten bei Aktualisierungen der Wissensbasis und Kosten pro Anfrage zur Suchzeit. Vergleichen Sie 11 Embedding-Modelle von OpenAI, Google, Cohere, Voyage AI und Mistral – inklusive Berechnung der Vektorspeichergröße. Schnell, privat und 100 % im Browser.
Calculate the full cost of embedding a document corpus - from one-time ingest to monthly refresh and per-query costs. Compare 11 embedding models across OpenAI, Google, Cohere, Voyage AI, and Mistral. All calculations run privately in your browser.
~10K docs, 500 tokens each (~25MB text)
Best price/performance for English text
Corpus Configuration
Corpus Summary
Monthly Refresh & Query Volume
First-Year Total Cost - text-embedding-3-small
One-time Ingest
$0.1000
5,000,000 tokens
Monthly Ongoing
$0.0200
refresh + queries
Year 2+ Annual
$0.2400
no re-ingest needed
Detailed Cost Breakdown
| Cost Component | Tokens | Cost | Notes |
|---|---|---|---|
| Initial Corpus Ingest | 5,000,000 | $0.1000 | One-time |
| Monthly Corpus Refresh | 250,000 | $0.005000/mo | 5% of corpus |
| Query Embeddings / Day | 25,000 | $0.000500/day | 500 × 50 tok |
| Query Embeddings / Month | 750,000 | $0.0150/mo | 30-day estimate |
| Monthly Ongoing Total | - | $0.0200/mo | refresh + queries |
| First-Year Total | - | $0.3400 | ingest + 12mo |
Cross-Model Cost Comparison
Sorted by lowest first-year cost| Model | $/1M | Dims | Ingest | Monthly | Yr 1 Total |
|---|---|---|---|---|---|
text-embedding-3-smallOpenAI Budget Active | $0.020 | 1,536 | $0.1000 | $0.0200 | $0.3400 |
voyage-3-liteVoyage AI Budget | $0.020 | 512 | $0.1000 | $0.0200 | $0.3400 |
text-embedding-004Google Budget | $0.025 | 768 | $0.1250 | $0.0250 | $0.4250 |
voyage-3Voyage AI | $0.060 | 1,024 | $0.3000 | $0.0600 | $1.02 |
text-embedding-ada-002OpenAI | $0.100 | 1,536 | $0.5000 | $0.1000 | $1.70 |
embed-english-v3Cohere | $0.100 | 1,024 | $0.5000 | $0.1000 | $1.70 |
embed-multilingual-v3Cohere | $0.100 | 1,024 | $0.5000 | $0.1000 | $1.70 |
mistral-embedMistral | $0.100 | 1,024 | $0.5000 | $0.1000 | $1.70 |
text-embedding-3-largeOpenAI Accurate | $0.130 | 3,072 | $0.6500 | $0.1300 | $2.21 |
voyage-3-largeVoyage AI Accurate | $0.180 | 2,048 | $0.9000 | $0.1800 | $3.06 |
Gemini Embedding 2Google Accurate | $0.200 | 3,072 | $1.00 | $0.2000 | $3.40 |
Click any row to select that model. Yr 1 = ingest + (monthly × 12).
Die drei Kostenphasen eines Embedding-Systems
Ein Korpus zu embedden ist keine einmalige Ausgabe. Es gibt einen Ingest-Peak, laufende Re-Embedding-Kosten bei Inhaltsänderungen und Anfragekosten, die mit der Nutzung wachsen.
Geben Sie Korpusgröße, durchschnittliche Tokens pro Dokument, monatliche Aktualisierungsrate und Anfragevolumen ein, um alle drei Phasen und die Jahressumme zu sehen.
- Ingest = Korpus-Tokens ÷ 1.000.000 × Preis pro Million.
- Monatliches Re-Embedding = Korpus × Aktualisierungsrate × Preis pro Token.
- Anfrage = monatliche Anfragen × Tokens pro Anfrage ÷ 1.000.000 × Preis pro Million.
Modell nach Kosten und Dimensionen wählen
Der Preis pro Million ist nur ein Teil: Die Vektordimension bestimmt, wie viel Platz jedes Dokument in der Vektordatenbank belegt – und damit die Speicherkosten.
- Kleine Modelle: bestes Preis-Leistungs-Verhältnis für englisches RAG.
- Große Modelle: Aufpreis gerechtfertigt bei komplexem oder mehrsprachigem Retrieval.
- Mehr Dimensionen = mehr Speicher: prüfen Sie die Rohgröße vor der Wahl.
Das erste Jahr budgetieren
Die Jahressumme verbindet den Ingest-Peak mit zwölf Monaten Aktualisierungen und Anfragen. Diese Zahl gehört ins Controlling-Gespräch.
- Berechnen Sie die Ingest-Kosten des gesamten Korpus einmalig.
- Addieren Sie das erwartete monatliche Re-Embedding nach Ihrer Aktualisierungsrate.
- Addieren Sie die monatlichen Anfragekosten und multiplizieren Sie mit zwölf.
- Vergleichen Sie zwei bis drei Modelle und prüfen Sie auch den resultierenden Vektorspeicher.
Häufig gestellte Fragen
Er schätzt, was das Embedding eines Dokumentkorpus über eine Vektor-Embedding-API kostet. Er modelliert alle drei Kostenphasen: einmaliger Korpus-Ingest, laufendes monatliches Re-Embedding bei Aktualisierungen der Wissensbasis und Kosten pro Suchanfrage. So können Entwickler und Teams RAG-Systeme, semantische Suche und Retrieval-Pipelines präzise budgetieren, bevor sie bauen.
Embedding-APIs berechnen pro Eingabe-Token – also den Text, der in einen Vektor umgewandelt wird. Anders als bei LLM-APIs gibt es keine separaten Ausgabekosten. Gesamtkosten = (Tokens ÷ 1.000.000) × Preis pro Million Tokens. Beispiel: 10.000 Dokumente à 500 Tokens = 5 Mio. Tokens. Bei 0,020 $/1 Mio. (text-embedding-3-small) kostet der Ingest 0,10 $.
Ingest-Kosten sind die einmalige Ausgabe für das Embedding des gesamten Korpus beim Aufbau der Wissensbasis. Anfragekosten sind die laufende Ausgabe für das Embedding jeder Suchanfrage zur Laufzeit – meist sehr kurz (10-50 Tokens), aber bei hohem Volumen summierbar. Meist ist der Ingest ein einmaliger Peak und Anfragen ein kleiner fortlaufender Posten.
Für englisches RAG und semantische Suche bieten text-embedding-3-small (0,020 $/1 Mio.) und voyage-3-lite (0,020 $/1 Mio.) das beste Preis-Leistungs-Verhältnis. text-embedding-3-large und voyage-3-large rechtfertigen den Aufpreis bei komplexem Retrieval oder mehrsprachigen Korpora. Googles text-embedding-004 (0,025 $/1 Mio.) ist eine starke Budget-Option für Google-Stacks. Testen Sie immer mit Ihren echten Daten.
Sie gibt an, welcher Prozentsatz des Gesamtkorpus monatlich hinzugefügt oder aktualisiert wird und ein Re-Embedding erfordert. 5 % bei 10.000 Dokumenten bedeutet 500 re-embeddete Dokumente pro Monat. Bei statischer Wissensbasis nahe 0 %, bei lebendiger Basis (News-Archiv, wachsende Doku) 10-30 % monatlich.
Nein – der Rechner deckt nur die Embedding-API-Kosten ab. Speicher- und Abfragekosten der Vektordatenbank (Pinecone, Weaviate, Qdrant, pgvector usw.) sind separat und anbieterabhängig. Der Rechner zeigt jedoch die rohe Vektorspeichergröße in Bytes, damit Sie Ihren Bedarf abschätzen können.
Vektorspeicher = Anzahl Dokumente × Vektordimensionen × 4 Byte (float32). Beispiel: 100.000 Dokumente mit text-embedding-3-large (3.072 Dimensionen) = ~1,23 GB roher Speicher. Höherdimensionale Modelle benötigen deutlich mehr Platz – ein zentraler Trade-off bei großen Deployments.
Ja. Der Rechner läuft vollständig clientseitig im Browser. Dokumentzahlen, Token-Schätzungen, Modellauswahl und Kostenprognosen werden lokal auf Ihrem Gerät berechnet und nie an einen Server gesendet. Kein Konto nötig und keine Datenspeicherung.