Kinh Tế Token Đa Phương Thức: Chi Phí Thực Tế Cho Ảnh, Audio, Video
Kinh Tế Token Đa Phương Thức: Chi Phí Thực Tế Cho Ảnh, Audio, Video
Khi xây dựng ứng dụng AI đa phương thức, chi phí token không chỉ đến từ text. Một bức ảnh có thể tốn hàng trăm đến hàng nghìn token. Phân tích dựa trên dữ liệu giá API tháng 7/2026.
Bảng giá multimodal (per 1M token, USD)
表格 Model Input Output GPT-4o $2.50 $10.00 GPT-4o-mini $0.15 $0.60 Claude Sonnet 4.6 $3.00 $15.00 Claude Opus 4.7 $5.00 $25.00 Gemini 2.5 Pro $1.25 $10.00 Gemini 2.5 Flash $0.30 $2.50
Dữ liệu từ trang pricing OpenAI, Anthropic, Google AI Studio (7/2026).
1 ảnh tốn bao nhiêu token?
Mỗi provider tính theo cách khác nhau:
表格 Kích thước GPT-4o (high) Claude Gemini 512×512 255 ~350 ~258 1024×1024 765 ~1,400 ~258 2048×2048 2,805 ~5,600 ~1,032
GPT-4o dùng tile 512×512, mỗi tile = 170 token + 85 base. Claude tính theo diện tích: (W × H) / 750. Gemini cố định ~258 token cho ảnh thường.
Chi phí 1 ảnh 1024×1024: GPT-4o = $0.0019, Claude Sonnet 4.6 = $0.0042, Gemini Flash = $0.00008.
Audio và Video: chi phí ẩn lớn nhất
Audio trên Gemini: 32 token/giây. Video: 263 token/giây (1 frame + audio/giây).
表格 Tác vụ Gemini Pro Gemini Flash 1 phút audio $0.0015 $0.0001 1 phút video $0.020 $0.001 1 giờ video $1.18 $0.07
GPT-4o không hỗ trợ native video. Extract frame thủ công (30fps): 1 phút = 1,800 frame × 765 token → chi phí ~$14 trên GPT-5, đắt hơn Gemini 600 lần.
5 chiến lược tối ưu chi phí
-
Low-detail mode: GPT-4o chỉ 85 token/ảnh thay vì 765 — giảm 89%.
-
Resize ảnh trước khi gửi: Claude xử lý tối đa 1568px. Gửi ảnh lớn hơn chỉ lãng phí token.
-
Dùng Gemini cho video: Chi phí thấp hơn 10-600 lần so với frame extraction.
-
Transcribe audio trước: Whisper rồi gửi text cho LLM — giảm 90%.
-
Prompt caching: Claude giảm 90%, Gemini giảm 75%.
Kết luận
Chi phí multimodal phụ thuộc vào chọn đúng model cho đúng modality. Ảnh dùng Gemini Flash hoặc GPT-4o low-detail. Video dùng Gemini native. Audio nên transcribe trước.
Lưu ý: Giá có thể thay đổi. Kiểm tra pricing chính thức trước khi ra quyết định. Bài viết mang tính tham khảo kỹ thuật.
Bạn xử lý multimodal tốn bao nhiêu per request? Chia sẻ ở bình luận nhé!
Tham khảo
OpenAI API Pricing Anthropic Pricing Google Gemini Pricing How many tokens in an image?
All Rights Reserved
