Calculadora de custos de embeddings
Estime gratuitamente o custo completo de vetorizar documentos e conjuntos de dados. Modele o gasto de ingestão única do corpus, os custos mensais de re-vetorização conforme a base de conhecimento é atualizada e o custo de embeddings por consulta no momento da busca. Compare 11 modelos de embeddings da OpenAI, Google, Cohere, Voyage AI e Mistral, com cálculo do tamanho de armazenamento vetorial incluído. Rápido, privado e 100 % no navegador.
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).
As três fases de custo de um sistema de embeddings
Vetorizar um corpus não é gasto único. Há um pico inicial de ingestão, um gasto contínuo de re-vetorização quando o conteúdo muda e um custo por consulta que cresce com o uso.
Informe tamanho do corpus, tokens médios por documento, taxa de atualização mensal e volume de consultas para ver as três fases e o total do primeiro ano.
- Ingestão = tokens do corpus ÷ 1.000.000 × preço por milhão.
- Re-vetorização mensal = corpus × taxa de atualização × preço por token.
- Consulta = consultas mensais × tokens por consulta ÷ 1.000.000 × preço por milhão.
Escolher modelo por custo e dimensões
O preço por milhão é só parte da história: a dimensão do vetor define quanto cada documento ocupa no banco vetorial e, portanto, o custo de armazenamento.
- Modelos pequenos: melhor relação custo-qualidade em RAG em inglês.
- Modelos grandes: valem o preço em recuperação complexa ou multilíngue.
- Mais dimensões significa mais armazenamento: confira o tamanho bruto antes de escolher.
Orçar o primeiro ano
O total do primeiro ano combina o pico de ingestão com doze meses de atualizações e consultas. É o número que vale apresentar ao financeiro.
- Calcule o custo de ingestão do corpus completo uma única vez.
- Some a re-vetorização mensal esperada conforme sua taxa de atualização.
- Some o custo de consulta mensal e multiplique por doze.
- Compare dois ou três modelos e confira também o armazenamento vetorial resultante.
Perguntas frequentes
Ela estima quanto custa vetorizar um corpus de documentos usando uma API de embeddings vetoriais. Modela as três fases de custo: ingestão única do corpus, re-vetorização mensal contínua conforme a base é atualizada e o custo de embeddings por consulta no momento da busca. Ajuda desenvolvedores e equipes a orçar com precisão sistemas RAG, busca semântica e pipelines de recuperação antes de construí-los.
As APIs de embeddings cobram por token de entrada — o texto que você envia para virar vetor. Diferente das APIs de LLM, não há custo de saída separado. O custo total é: (tokens totais ÷ 1.000.000) × preço por milhão de tokens. Por exemplo, vetorizar 10.000 documentos de 500 tokens = 5 M de tokens. A US$ 0,020/1 M (text-embedding-3-small), a ingestão custa US$ 0,10.
O custo de ingestão é o gasto único de vetorizar todo o corpus ao criar a base de conhecimento. O custo de consulta é o gasto contínuo de vetorizar cada busca em tempo de execução — normalmente muito curto (10-50 tokens), mas que se acumula em volumes altos. Na maioria dos projetos, a ingestão é um pico único e as consultas são um gasto contínuo pequeno.
Para RAG e busca semântica em inglês, text-embedding-3-small (US$ 0,020/1 M) e voyage-3-lite (US$ 0,020/1 M) oferecem a melhor relação custo-qualidade. text-embedding-3-large e voyage-3-large valem o preço em recuperação complexa ou corpus multilíngues. text-embedding-004 do Google (US$ 0,025/1 M) é uma ótima opção econômica para stacks nativos do Google. Sempre teste com seus dados reais.
É a porcentagem do corpus total adicionada ou atualizada por mês, exigindo re-vetorização. Uma taxa de 5 % em 10.000 documentos significa 500 documentos re-vetorizados por mês. Para uma base estática, é quase 0 %. Para uma base viva, como arquivo de notícias ou documentação em crescimento, pode ser 10-30 % por mês.
Não — a calculadora cobre apenas os custos da API de embeddings. Armazenamento e consultas do banco vetorial (Pinecone, Weaviate, Qdrant, pgvector etc.) são separados e dependem do fornecedor escolhido. A calculadora mostra o tamanho bruto de armazenamento vetorial em bytes para você estimar suas necessidades.
Calcula-se assim: número de documentos × dimensões do vetor × 4 bytes (codificação float32). Por exemplo, 100.000 documentos vetorizados com text-embedding-3-large (3.072 dimensões) = ~1,23 GB de armazenamento bruto. Modelos de mais dimensões exigem muito mais espaço — um trade-off central em implantações de larga escala.
Sim. A calculadora roda inteiramente no lado do cliente, no seu navegador. Contagem de documentos, estimativas de tokens, escolha de modelos e projeções de custo são calculadas localmente no seu dispositivo e nunca enviadas a servidor algum. Não é preciso conta e nada é armazenado. Os dados de planejamento do seu pipeline permanecem 100 % privados.