Kalkulator Biaya Embedding
Estimasi gratis biaya lengkap untuk melakukan embedding dokumen dan dataset. Modelkan pengeluaran ingest korpus sekali, biaya re-embedding bulanan saat basis pengetahuan diperbarui, dan biaya embedding per kueri saat pencarian. Bandingkan 11 model embedding dari OpenAI, Google, Cohere, Voyage AI, dan Mistral — termasuk perhitungan ukuran penyimpanan vektor. Cepat, privat, dan 100 % di 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).
Tiga fase biaya sistem embedding
Melakukan embedding korpus bukan pengeluaran sekali. Ada lonjakan ingest awal, pengeluaran re-embedding berkelanjutan saat konten berubah, dan biaya per kueri yang tumbuh seiring pemakaian.
Masukkan ukuran korpus, rata-rata token per dokumen, tingkat penyegaran bulanan, dan volume kueri untuk melihat ketiga fase serta total tahun pertama.
- Ingest = token korpus ÷ 1.000.000 × harga per juta.
- Re-embedding bulanan = korpus × tingkat penyegaran × harga per token.
- Kueri = kueri bulanan × token per kueri ÷ 1.000.000 × harga per juta.
Memilih model berdasarkan biaya dan dimensi
Harga per juta hanya sebagian cerita: dimensi vektor menentukan seberapa besar ruang tiap dokumen di basis data vektor, dan karenanya biaya penyimpanan.
- Model kecil: rasio biaya-kualitas terbaik untuk RAG bahasa Inggris.
- Model besar: sepadan untuk retrieval kompleks atau multibahasa.
- Dimensi lebih tinggi berarti penyimpanan lebih besar: cek ukuran mentah sebelum memilih.
Menganggarkan tahun pertama
Total tahun pertama menggabungkan lonjakan ingest dengan dua belas bulan pembaruan dan kueri. Inilah angka yang layak disampaikan ke tim keuangan.
- Hitung biaya ingest seluruh korpus satu kali saja.
- Tambahkan re-embedding bulanan yang diharapkan sesuai tingkat penyegaran Anda.
- Tambahkan biaya kueri bulanan lalu kalikan dua belas.
- Bandingkan dua atau tiga model dan tinjau juga penyimpanan vektor yang dihasilkan.
Pertanyaan yang Sering Diajukan
Alat ini memperkirakan biaya melakukan embedding korpus dokumen memakai API embedding vektor. Alat ini memodelkan tiga fase biaya: ingest korpus sekali, re-embedding bulanan berkelanjutan saat basis pengetahuan diperbarui, dan biaya embedding per kueri saat pencarian. Ini membantu developer dan tim menyusun anggaran RAG, pencarian semantik, dan pipeline retrieval secara akurat sebelum membangunnya.
API embedding menagih per token input — teks yang Anda kirim untuk diubah menjadi vektor. Berbeda dengan API LLM, tidak ada biaya output terpisah. Total biaya = (token total ÷ 1.000.000) × harga per juta token. Contohnya, melakukan embedding 10.000 dokumen rata-rata 500 token = 5 juta token. Pada $0,020/juta (text-embedding-3-small), biaya ingestnya $0,10.
Biaya ingest adalah pengeluaran sekali untuk melakukan embedding seluruh korpus saat pertama membangun basis pengetahuan. Biaya kueri adalah pengeluaran berkelanjutan untuk embedding tiap pencarian saat runtime — biasanya sangat pendek (10-50 token), tetapi pada volume tinggi akan menumpuk. Untuk sebagian besar proyek, ingest adalah lonjakan sekali dan kueri adalah pengeluaran kecil berkelanjutan.
Untuk RAG dan pencarian semantik berbahasa Inggris, text-embedding-3-small ($0,020/juta) dan voyage-3-lite ($0,020/juta) menawarkan rasio biaya-kualitas terbaik. text-embedding-3-large dan voyage-3-large sepadan untuk tugas retrieval kompleks atau korpus multibahasa. text-embedding-004 dari Google ($0,025/juta) adalah opsi hemat yang kuat untuk stack native Google. Selalu uji dengan data Anda sendiri.
Ini persentase dari total korpus dokumen yang ditambahkan atau diperbarui setiap bulan sehingga perlu re-embedding. Penyegaran 5 % pada korpus 10.000 dokumen berarti 500 dokumen di-embed ulang setiap bulan. Untuk basis statis hampir 0 %. Untuk basis hidup seperti arsip berita atau dokumentasi yang tumbuh, bisa 10-30 % per bulan.
Tidak — kalkulator ini hanya mencakup biaya API embedding. Penyimpanan dan kueri basis data vektor (Pinecone, Weaviate, Qdrant, pgvector, dll.) terpisah dan bergantung pada penyedia Anda. Kalkulator menampilkan ukuran penyimpanan vektor mentah dalam byte agar Anda bisa memperkirakan kebutuhan.
Penyimpanan vektor dihitung sebagai: jumlah dokumen × dimensi vektor × 4 byte (encoding float32). Contohnya, 100.000 dokumen yang di-embed dengan text-embedding-3-large (3.072 dimensi) = ~1,23 GB penyimpanan vektor mentah. Model berdimensi lebih tinggi butuh ruang jauh lebih besar — trade-off penting pada penerapan skala besar.
Ya. Kalkulator berjalan seluruhnya di sisi klien, di browser Anda. Jumlah dokumen, estimasi token, pilihan model, dan proyeksi biaya semuanya dihitung lokal di perangkat Anda dan tidak pernah dikirim ke server mana pun. Tidak perlu akun dan tidak ada data yang disimpan. Data perencanaan pipeline Anda tetap 100 % privat.