РУКОВОДСТВО · ОБНОВЛЕНО 2026-09-16
Токены PDF, изображений и аудио: как оценить цену мультимодального запроса
Мультимодальный запрос может включать текст, страницы документа, изображения и звук. Их учёт зависит от модели и маршрута, поэтому число слов не показывает полную цену.
Сначала разделите вход по типам: текст запроса, страницы PDF, изображения или минуты аудио. Проверьте, какие единицы и ставки применяет конкретная модель, а затем сделайте контрольный вызов и сравните оценку с фактическим usage. Размер файла в мегабайтах сам по себе не равен количеству токенов и не даёт надёжной цены.
1. Перечислите все части запроса
В учёт входят инструкция, история диалога, сам файл или его представление, а также ответ модели. Для документа укажите число страниц, наличие текстового слоя, таблиц и сканов. Для картинки — разрешение и число изображений. Для аудио — длительность, формат входа и необходимость получить текст или синтезированный звук на выходе. Эта инвентаризация помогает выбрать подходящий метод, а не пытаться оценить любой файл одной текстовой формулой.
2. Проверьте способ обработки PDF
Текстовый PDF и скан отличаются: из первого иногда достаточно извлечь текст до отправки, второй требует распознавания изображения страницы. Документ с таблицей или схемой может потерять смысл при простом извлечении текста. В документации Gemini обработка PDF описана как анализ визуального и текстового содержимого, а учёт страниц меняется между поколениями моделей. Не переносите правило одной модели на другую. В тесте сравните один и тот же документ в исходном виде и после безопасного извлечения текста.
3. Не считайте изображения по килобайтам
JPEG в 200 КБ и PNG в 2 МБ могут содержать одинаковое число видимых объектов. Модель может разбивать изображение на фрагменты или учитывать выбранное разрешение. Если сервис позволяет выбрать детализацию, проверьте качество распознавания мелкого текста при меньшем разрешении и затем сравните фактический usage. Для нескольких изображений считайте весь набор. Если задача решается обрезанным фрагментом, он может быть дешевле полной страницы, но не должен исключить важную информацию.
4. Для аудио сравните длительность и итоговую задачу
Расшифровка двухминутной записи и голосовой диалог из нескольких ходов имеют разный объём входа и выхода. Некоторые маршруты тарифицируют минуты или секунды, другие учитывают аудиотокены; у одной модели ставки текста и аудио могут различаться. В планировании добавьте транскрипцию, последующее резюме и возможную генерацию речи отдельными строками. Не превращайте длительность в токены по универсальному коэффициенту без документации выбранного метода.
5. Соберите контрольную выборку и сверяйте счета
Возьмите, например, короткий текстовый PDF, десятистраничный скан, таблицу, изображение с мелкой подписью и аудиофайл разной длительности. Сохраняйте модель, метод, размер входа, детальность, usage, цену и качество результата. Для бюджета используйте среднее и дорогой перцентиль; отдельно учитывайте ошибки и повторы. Проверяйте цену и доступность именно выбранного метода, а не выводите их из наличия модели в каталоге.
Частые вопросы
Можно перевести мегабайты PDF в токены?
Надёжной универсальной формулы нет: важны страницы, текстовый слой, изображения и метод обработки.
Почему одинаковые картинки дают разный расход?
На расход могут влиять разрешение, детализация, разбиение на фрагменты и правила конкретной модели.
Аудио всегда тарифицируется по минутам?
Нет. Проверяйте единицу измерения и ставку выбранного маршрута.
Как получить точную цену до массового запуска?
Прогоните выборку типичных и тяжёлых файлов, сверьте фактический usage и заложите запас.