Calculateur de coûts d'embedding
Estimez gratuitement le coût complet d'embedding de documents et de jeux de données. Modélisez les dépenses d'ingestion unique du corpus, les coûts mensuels de ré-embedding lors des mises à jour de la base de connaissances et le coût d'embedding par requête au moment de la recherche. Comparez 11 modèles d'embedding d'OpenAI, Google, Cohere, Voyage AI et Mistral, avec le calcul de la taille de stockage vectoriel inclus. Rapide, privé et 100 % dans le navigateur.
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).
Les trois phases de coût d'un système d'embedding
Embedder un corpus n'est pas une dépense unique. Il y a un pic initial d'ingestion, une dépense continue de ré-embedding quand le contenu change, et un coût par requête qui croît avec l'usage.
Saisissez la taille du corpus, les tokens moyens par document, le taux de rafraîchissement mensuel et le volume de requêtes pour voir les trois phases et le total de la première année.
- Ingestion = tokens du corpus ÷ 1 000 000 × prix par million.
- Ré-embedding mensuel = corpus × taux de rafraîchissement × prix par token.
- Requête = requêtes mensuelles × tokens par requête ÷ 1 000 000 × prix par million.
Choisir le modèle selon le coût et les dimensions
Le prix par million n'est qu'un aspect : la dimension du vecteur détermine la place de chaque document dans la base vectorielle, donc le coût de stockage.
- Petits modèles : meilleur rapport coût-qualité pour le RAG anglais.
- Grands modèles : justifiés pour la récupération complexe ou multilingue.
- Plus de dimensions = plus de stockage : vérifiez la taille brute avant de choisir.
Budgéter la première année
Le total de la première année combine le pic d'ingestion avec douze mois de mises à jour et de requêtes. C'est le chiffre à présenter à la finance.
- Calculez le coût d'ingestion du corpus complet une seule fois.
- Ajoutez le ré-embedding mensuel attendu selon votre taux de rafraîchissement.
- Ajoutez le coût de requête mensuel et multipliez par douze.
- Comparez deux ou trois modèles et regardez aussi le stockage vectoriel résultant.
Foire aux questions
Il estime le coût d'embedding d'un corpus de documents via une API d'embedding vectoriel. Il modélise les trois phases : l'ingestion unique du corpus, le ré-embedding mensuel continu à mesure que la base de connaissances évolue, et le coût d'embedding par requête au moment de la recherche. Il aide à budgéter précisément les systèmes RAG, la recherche sémantique et les pipelines de récupération avant de les construire.
Les API d'embedding facturent par token d'entrée – le texte envoyé pour être converti en vecteur. Contrairement aux API LLM, il n'y a pas de coût de sortie distinct. Le coût total est : (tokens totaux ÷ 1 000 000) × prix par million de tokens. Exemple : 10 000 documents de 500 tokens = 5 M de tokens. À 0,020 $/1 M (text-embedding-3-small), l'ingestion coûte 0,10 $.
Le coût d'ingestion est la dépense unique d'embedding de tout le corpus lors de la création de la base de connaissances. Le coût de requête est la dépense continue d'embedding de chaque recherche à l'exécution – généralement très court (10-50 tokens), mais qui s'accumule à fort volume. Pour la plupart des projets, l'ingestion est un pic unique et les requêtes une petite dépense continue.
Pour le RAG et la recherche sémantique en anglais, text-embedding-3-small (0,020 $/1 M) et voyage-3-lite (0,020 $/1 M) offrent le meilleur rapport coût-qualité. text-embedding-3-large et voyage-3-large justifient leur prix pour la récupération complexe ou les corpus multilingues. text-embedding-004 de Google (0,025 $/1 M) est une bonne option économique pour les stacks Google. Benchmarkez toujours sur vos données réelles.
C'est le pourcentage du corpus total ajouté ou mis à jour chaque mois, nécessitant un ré-embedding. Un rafraîchissement de 5 % sur 10 000 documents signifie 500 documents ré-embeddés par mois. Pour une base statique, c'est proche de 0 %. Pour une base vivante (archive d'actualités, documentation croissante), cela peut atteindre 10-30 % par mois.
Non – le calculateur ne couvre que les coûts d'API d'embedding. Le stockage et les requêtes de la base vectorielle (Pinecone, Weaviate, Qdrant, pgvector, etc.) sont distincts et dépendent du fournisseur choisi. Le calculateur affiche toutefois la taille brute de stockage vectoriel en octets pour estimer vos besoins.
Elle se calcule ainsi : nombre de documents × dimensions du vecteur × 4 octets (encodage float32). Exemple : 100 000 documents embeddés avec text-embedding-3-large (3 072 dimensions) = ~1,23 Go de stockage brut. Les modèles à plus haute dimension exigent beaucoup plus d'espace – un arbitrage clé à grande échelle.
Oui. Le calculateur fonctionne entièrement côté client dans votre navigateur. Nombres de documents, estimations de tokens, sélections de modèles et projections de coûts sont calculés localement sur votre appareil et jamais envoyés à un serveur. Aucun compte requis et aucune donnée stockée.