Wörter-zu-Tokens-Rechner
Schätze die Tokenzahl aus der Wortzahl online und kostenlos mit modellspezifischen Wörter-zu-Tokens-Verhältnissen für GPT, Claude, Gemini, DeepSeek, Llama, Mistral und weitere. Gib eine Wortzahl ein, füge Text ein oder wähle ein Inhalts-Preset - und sieh sofort Tokens, API-Kosten und die Kontextfenster-Nutzung über 15 Modelle hinweg.
Estimate token counts from word counts using model-specific word-to-token ratios for 15 leading AI models. Enter words manually, paste text, or pick a content preset - then see token estimates, API costs, and context window usage instantly.
Word Count
Quick Presets
Baseline: ~1.3 tokens/word
Usage Forecast
Est. Tokens
~975
GPT-4o
Words
750
input count
Ratio Used
1.30×
English Prose
Context Window Usage - GPT-4o
127.0K tokens remaining (99% free)
Monthly Input Cost - 30,000 requests
Per Request
$0.002437
If Generated (Output)
$292.50
Token Estimate
~975
Token Count Across Models
Sorted by cheapest monthly cost| Model | Tokens/Word | Est. Tokens | Monthly Input Cost | Context |
|---|---|---|---|---|
MetaLlama 4 ScoutBudget | ×1.30 | ~975 | $2.93 | 0% used |
MistralMistral SmallBudget | ×1.32 | ~990 | $2.97 | 1% used |
DeepSeekDeepSeek V4 FlashBudget | ×1.30 | ~975 | $4.10 | 0% used |
OpenAIGPT-4o MiniBudget | ×1.30 | ~975 | $4.39 | 1% used |
GoogleGemini 2.5 FlashBudget | ×1.25 | ~938 | $8.44 | 0% used |
DeepSeekDeepSeek V4 ProBudget | ×1.30 | ~975 | $12.72 | 0% used |
AnthropicClaude Haiku 4.5Budget | ×1.28 | ~960 | $28.80 | 0% used |
GoogleGemini 2.5 ProCapable | ×1.25 | ~938 | $35.18 | 0% used |
GoogleGemini 3.5 FlashBudget | ×1.25 | ~938 | $42.21 | 0% used |
OpenAIo3 (Reasoning)Capable | ×1.30 | ~975 | $58.50 | 0% used |
MistralMistral LargeCapable | ×1.32 | ~990 | $59.40 | 1% used |
OpenAIGPT-4o Selected | ×1.30 | ~975 | $73.13 | 1% used |
OpenAIGPT-5.4Capable | ×1.30 | ~975 | $73.13 | 0% used |
AnthropicClaude Sonnet 4.6Capable | ×1.28 | ~960 | $86.40 | 0% used |
AnthropicClaude Opus 4.8Capable | ×1.28 | ~960 | $144.00 | 0% used |
Warum unseren Wörter-zu-Tokens-Rechner nutzen
LLMs lesen nicht Wort für Wort: Sie zerlegen Text in Tokens von 2 bis 6 Zeichen. In englischer Prosa entspricht ein Wort im Schnitt etwa 1,3 Tokens, doch das Verhältnis hängt von Modellfamilie und Inhaltstyp ab. Dieser Rechner nutzt modellspezifische Verhältnisse für 15 große Modelle, damit du planen und kalkulieren kannst, ohne Code auszuführen oder eine API aufzurufen.
Alles wird in deinem Browser berechnet: Weder dein Text noch deine Wortzahlen verlassen dein Gerät.
- Sofortige Schätzungen: Zahl eingeben, Regler ziehen oder Text einfügen - die Tokens aktualisieren sich in Echtzeit.
- Private Berechnung: Wortzahlen, eingefügter Text und Schätzungen werden vollständig im Browser verarbeitet.
- Modellspezifische Verhältnisse für 15 Modelle von OpenAI, Anthropic, Google, DeepSeek, Meta und Mistral.
- Kosten- und Kontextfenster-Prognosen: Eingabekosten pro Anfrage, Monats- oder Jahresprognose und visueller Kontextbalken.
Typische Anwendungsfälle
Von der API-Budgetplanung bis zum RAG-Pipeline-Design: das sind die häufigsten Szenarien.
- API-Budget planen: schätzen, wie viele Tokens eine durchschnittliche Anfrage hat und was sie in großem Maßstab kostet.
- Prompt-Engineering: prüfen, ob System-Prompt, Beispiele und Eingabe ins Kontextfenster passen.
- RAG-Pipeline entwerfen: schätzen, wie viele Tokens jeder abgerufene Chunk verbraucht, bevor der Vector Store entsteht.
- Inhalte und Dokumente dimensionieren: prüfen, ob Artikel, Bericht oder Buchkapitel ins Kontextfenster passen.
- Kosten zwischen Modellen vergleichen: das wirtschaftlichste Modell für Workload und Sprache finden.
- Lernen: verstehen, warum Code oder CJK-Text deutlich mehr Tokens brauchen als englische Prosa.
Wie die Umrechnung von Wörtern in Tokens funktioniert
Das Basisverhältnis englischer Prosa liegt bei etwa 0,75 Wörtern pro Token (1,3 Tokens pro Wort), doch jeder Inhaltstyp verändert es: Code ×1,20, technisches Markdown ×1,15 und nicht-englischer oder CJK-Text bis ×1,60.
Der Rechner liefert Schätzungen, keine exakten Werte. Die tatsächliche Zahl hängt vom Tokenizer des Anbieters ab: OpenAI nutzt tiktoken (BPE), Anthropic einen eigenen SentencePiece-Tokenizer und Google Gemini ein für Mehrsprachigkeit optimiertes SentencePiece. Sonderfälle wie URLs, Zahlen, Emojis oder Fachjargon können das Standardverhältnis deutlich überschreiten.
- Gib eine Wortzahl ein: manuell, per Regler, über Presets (Tweet, Blogbeitrag, wissenschaftlicher Artikel) oder durch Einfügen und Hochladen von Text.
- Wähle Modell (15 Optionen) und Inhaltstyp: englische Prosa, Code, technisches Markdown, Nicht-Englisch oder JSON.
- Lege deine Nutzungsprognose fest: Anfragen pro Tag, Monat oder Jahr für die projizierten Eingabekosten.
- Prüfe die Ergebnisse: geschätzte Tokens, Kontextfenster-Nutzung, Kostenprognose und Modellvergleichstabelle.
Häufig gestellte Fragen
In standardmäßiger englischer Prosa entsprechen 1.000 Wörter etwa 1.300 Tokens mit Tokenizern der GPT- oder Llama-Familie, rund 1.280 Tokens bei Claude und rund 1.250 Tokens bei Gemini-Modellen. Diese Schätzungen nutzen das veröffentlichte durchschnittliche Wörter-zu-Tokens-Verhältnis des jeweiligen Modells. Code, JSON und nicht-englischer Text erzeugen bei gleicher Wortzahl mehr Tokens.
Jeder Anbieter trainiert einen anderen Tokenizer (Vokabular und Zerlegungsalgorithmus). OpenAI nutzt tiktoken mit einem BPE-Vokabular von 100.000 Tokens. Anthropic Claude verwendet einen eigenen SentencePiece-Tokenizer. Google Gemini nutzt ebenfalls SentencePiece, aber für Mehrsprachigkeit optimiert. Diese Tokenizer zerlegen denselben Text in leicht unterschiedliche Teile, was bei Englisch 2-5 % Abweichung ergibt.
Bei standardmäßiger englischer Prosa liegen die Schätzungen meist innerhalb von 5 % der tatsächlichen Zahl des offiziellen Tokenizers. Die Genauigkeit sinkt bei Code, strukturierten Daten, URLs, Zahlen und nicht-lateinischen Schriften. Für exakte Werte in Produktivsystemen nutze die offizielle Tokenizer-Bibliothek des Anbieters.
Für englische Prosa liegt der Branchendurchschnitt bei etwa 0,75 Wörtern pro Token, also ungefähr 1,3 Tokens pro Wort. Diese Zahl stammt aus der Dokumentation von OpenAI und wurde durch unabhängige Benchmarks über die wichtigsten Modellfamilien bestätigt.
Quellcode enthält viele Zeichen, die in englischer Prosa selten sind: Klammern, Operatoren, Unterstriche, Semikolons und zusammengesetzte Bezeichner. BPE-Tokenizer zerlegen sie anders als natürliche Wörter und erzeugen so oft mehr Tokens pro Wort als Prosa.
Ja. Gib die ungefähre Wortzahl deiner geplanten Chunk-Größe ein, wähle das Zielmodell, und der Rechner zeigt, wie viele Tokens dieser Chunk verbraucht. Eine übliche Faustregel ist, jeden Chunk unter 512 Tokens zu halten, was bei GPT-Modellen etwa 395 Wörtern entspricht.
Vollständig. Der Wörter-zu-Tokens-Rechner läuft zu 100 % in deinem Browser. Wenn du Text einfügst oder hochlädst, wird er lokal auf deinem Gerät verarbeitet: nie an einen Server gesendet, nirgends gespeichert und nicht über das Netzwerk übertragen. Dein Inhalt bleibt komplett privat.
Wähle den Inhaltstyp "Nicht-Englisch (CJK usw.)", um einen Multiplikator von 1,60× auf das Basisverhältnis anzuwenden. Chinesisch, Japanisch, Koreanisch und andere nicht-lateinische Schriften benötigen in Standard-BPE-Tokenizern deutlich mehr Tokens pro Zeichen als Englisch.