Token 是什麼？一次搞懂 AI 的計費單位、換算與省 token 用法

你是不是也有過這種經驗，看到 ChatGPT 或 AI API 的收費寫著「每百萬 token 多少錢」，或是模型標示「支援 128K token」，心裡卻冒出一個問號，token 到底是什麼？
這篇文章會用白話帶你把 token 一次搞懂，從定義、中文換算、計費邏輯，一路講到實際的省 token 技巧。

token 是什麼？先搞懂 AI 眼中的「文字最小單位」

當你把一段文字丟給 AI，第一步其實不是急著回答，而是先把這段文字「切塊」。
這個切出來的塊，就叫做 token。

在大型語言模型裡，token 是模型讀取與生成文字時的最小處理單位。
模型不會像人一樣一個字一個字地讀，而是先用一套叫做 tokenizer（斷詞器）的工具，把文字拆成一個個 token，再轉成數字送進模型運算。

用白話來說就是：

token \= AI 閱讀文字時，把句子拆開後的最小拼圖塊

一旦你知道 AI 是按「拼圖塊」在處理文字，就會明白為什麼費用、字數上限都不是用「字」在算，而是用 token 在算。
 

token 不等於「一個字」，AI 是怎麼斷詞的

很多人最大的誤會，就是把 token 直接當成「字」。
實際上一個 token 可能是一個完整單字，也可能只是半個單字、一個詞綴，甚至只是一個標點符號。

以英文來說，常見的單字像「design」會是 1 個 token，但比較長或少見的字，例如「tokenization」可能會被拆成「token」加「ization」兩個以上的 token。

design	tokenization

OpenAI 官方給的英文估算基準是 1 個 token 約等於 4 個英文字元，也大約是 0.75 個英文單字（資料來源：OpenAI Help Center）。

所以同樣一句話，字數和 token 數往往對不起來，這完全正常，因為 AI 看的本來就不是「字」。
 

中文、英文、數字的 token 數差很大

這裡有個對台灣使用者特別重要的重點，中文通常比英文更「吃 token」。

在常見的編碼方式下，很多常用中文字確實大約是 1 個 token，但相當多較不常用的字、或特定詞彙，會被拆成 2 個甚至更多 token。

爸爸 Tokens:1	父親 Tokens:2	家嚴 Tokens:3

整體平均下來，中文每個字的 token 消耗常常比英文高，這也是為什麼用中文跟 AI 對話，成本有時會比想像中高一些。

愛貝思小提醒：

token 就像 AI 的「字數計算機」，但它算的是拼圖塊，不是你看到的字。

只要先掌握這個核心概念，你之後在看 AI 工具報價、估算費用時，就不會再被「字數」誤導，而能用 token 的角度去判斷。
 

token 怎麼計算？從中文、英文到實際工具一次看懂

知道 token 是什麼之後，下一個問題通常是，那我怎麼知道一段文字會用掉多少 token？

常見的換算基準

最快的方式是先記住幾個粗略基準。

英文大約是 4 個字元 1 個 token，中文則抓 1 個字約 1 到 2 個 token 來估算會比較保險。如果你想要精準數字，OpenAI 有提供官方的線上工具，把文字貼上去就能看到實際的 token 數。

工具連結：OpenAI Tokenizer

要注意的是，不同模型用的斷詞規則不完全一樣，所以同一段文字在不同模型上的 token 數可能略有差異，估算時抓個範圍就好，不用追求百分之百精準。

舉個實際例子幫助你建立感覺。
一句英文「Video and ad asset creation once demanded huge budgets and time. With AI, production is faster and cheaper, with zero compromise on visual quality. 」看起來只是短短一句、186個字元，實際丟進斷詞器後大約會切成30個 token。

換成中文的話，像「過去的影音廣告：高預算、極耗時。現在的 AI 製作：更快速、更省錢，視覺品質絕不妥協。」這樣一句，token 數會落在40個上下，跟字數很接近，但只要句子裡出現比較少見的字或專有名詞，token 數就會往上跳。

所以與其死背公式，不如記住一個原則，內容越口語、越常見，token 越省。

越多專業術語、數字、外語夾雜，token 就越多。
 

輸入 token 與輸出 token 是分開算的

這是很多人忽略、卻會直接影響荷包的重點。
AI 的 token 通常分成兩種：
1.一種是你送進去的內容，叫輸入 token（input）
2.另一種是 AI 回覆給你的內容，叫輸出 token（output）。

兩者是分開計算的，而且在 API 計費上，輸出 token 的單價通常比輸入 token 貴上好幾倍。

所以說，你問一句話，AI 卻洋洋灑灑回你一大篇，那一大篇就是真正燒錢的地方。
 

什麼是上下文長度，128K token 大概多少中文字

你常看到模型標示「上下文長度（context window）128K token」，意思是這個模型一次能處理的 token 總量上限，包含你的輸入加上它的輸出，全部加起來不能超過這個數字。

如果用「1 個中文字約 1 到 2 個 token」來抓，128K（約 128,000）token 大概可以容納數萬到十幾萬個中文字的內容，足夠塞進一整本小冊子的份量。

一旦超過這個上限，較早的對話內容就可能被模型「遺忘」，或是請求直接被拒絕。

愛貝思建議：

不用每次都人工硬算，養成習慣把重要的提示詞貼到官方 tokenizer 工具測一下，幾次之後你對「這段大概多少 token」就會很有感覺了，這點對控制成本很有幫助唷。
 

token 為什麼重要？它如何影響 AI 費用、速度與回覆長度

AI 為什麼要按 token 收費

大型語言模型每處理一個 token，背後都要消耗實際的運算資源（也就是 GPU 算力與電力）。

所以幾乎所有 AI API 都採用「用多少算多少」的 token 計費方式，而不是按次數或按月吃到飽。

以 OpenAI 的 GPT-4o 為例，官方公告的價格約為每百萬輸入 token 2.5 美元、每百萬輸出 token 10 美元（價格會調整，請以官方最新公告為準，來源：OpenAI API Pricing）。

你會發現輸出比輸入貴很多，這也呼應了前面說的，AI 回得越長，花得越多。

這樣講可能還是有點抽象，我們換算成實際感受。

每百萬 token 聽起來很多，但其實一篇問答來回、加上你貼進去的參考資料，動輒就好幾千 token。

如果你的業務需要每天大量呼叫 AI，例如自動回覆客服訊息、批次生成商品文案，這些零碎的 token 累積起來，一個月的帳單就很可觀了。

這也是為什麼懂 token、會抓用量，對有在認真用 AI 的團隊來說是基本功，而不是技術人員才需要關心的細節。

token 用量如何影響速度與「字數上限」

token 不只影響費用，也影響速度與回覆長度。

模型是一個 token 一個 token 慢慢生成的，所以要它回越長的內容，等待時間自然越久。

同時，因為有上下文長度的上限，當你的對話越聊越長、貼進去的資料越來越多，可用來「回覆」的 token 空間就會被壓縮，這也是為什麼有時候 AI 的回答會突然變短，或像是「沒講完就停住」。

這也提醒我們一件事，與 AI 互動時，輸入和輸出其實是在搶同一個額度。

你前面塞了越多資料進去，留給它好好回答的空間就越少。

所以遇到重要的長任務，與其一次把所有資料倒給它，不如分段處理、聚焦在當下最關鍵的內容，讓模型有足夠的 token 餘裕把答案說完整，品質通常會更好。
 

不同對話的 token 消耗特性

愛貝思小提醒：

token 不只是技術名詞，它其實是你的 AI 帳單。看懂它，你才有辦法判斷一個 AI 服務或方案到底划不划算。

主流 AI 的 token 費用怎麼比？各家報價一次看

談到費用，很多人最想知道的就是，到底哪一家比較便宜？

先講結論，沒有絕對的「最便宜」，因為價格要看你用的是旗艦模型還是輕量模型，也要看任務需要多少 token。

下面整理目前市場上幾家主要 AI 的代表性報價，方便你抓個概念。要特別提醒，AI 的 token 價格變動非常快，各家幾乎每隔一段時間就調價或推新模型，以下數字僅供比較參考，實際請務必以各官方公告為準。

從表格可以看出兩件事：

1. 同一家也會分高低階，旗艦模型動輒是輕量模型的十倍以上單價，所以選對等級往往比換供應商更省。
2. 每一家都是輸出比輸入貴，這再次提醒你，控制 AI 的回覆長度很重要。

參考來源：OpenAI API Pricing、Google Gemini API 定價、Anthropic 定價

愛貝思小提醒：

比價時別只盯著單價數字，真正的成本是「任務需要的 token 量乘上單價」。

一個單價便宜、但很愛長篇大論的模型，整體花費不一定比較低。
建議先用小量實測，估出常見任務的平均 token 數，再回頭算每家的實際成本，這樣比較才有意義唷。

上圖是愛貝思開發的 AI 客服機器人，可以自動回覆客戶問題的同時，監測Token的用量避免預算超標。

文字、圖片、影片、音訊、程式碼，token 消耗差多少？

現在的 AI 不只會讀文字，還能看圖片、分析影片、幫你寫程式。
這些不同形式的內容，最後其實都會被換算成 token，但消耗量可說是天差地遠。

了解這點，你才不會在處理多媒體時帳單暴增還搞不清楚原因。
 

純文字：最省 token

文字是所有形式裡最省 token 的。
中文大約 1 個字 1 到 2 個 token，英文大約 4 個字元 1 個 token。
日常的問答、寫文案、做摘要，主要消耗的就是這類文字 token，量相對好掌握。
 

圖片：一張圖等於數百到上千 token

當你丟一張圖給 AI 看，它會把圖片切成小方塊（tile）再換算成 token。
以 OpenAI 的 GPT-4o 為例，高細節模式下大約是 85 個基礎 token 加上每個小方塊 170 個 token，一張 1024 乘 1024 的圖大約會用掉 765 個 token。
若選低細節模式，則固定約 85 個 token。

來源：OpenAI 影像 token 計算說明

Google Gemini 則是另一套算法，較小的圖約 258 個 token，較大的圖會被切成多塊各算 258 個 token。

來源：Gemini token 計算文件

簡單說，圖越大、越要求看清細節，吃掉的 token 就越多。
 

影片：最吃 token 的形式

影片是目前最耗 token 的內容，原因很直覺，因為它本質上就是一連串的影格，等於把很多張圖片接連處理。
以 Gemini 為例，影片大約每秒消耗 263 到 300 個 token（預設解析度），調成低解析度也還要每秒約 100 個 token。
換算下來，光是一分鐘的影片就可能用掉上萬個 token，遠遠超過一般文字對話。

來源：Gemini token 計算文件
 

音訊：介於文字與影片之間的消耗

語音轉文字、會議錄音摘要、Podcast 分析這類音訊應用，token 消耗通常比純文字高，但遠低於影片。

AI 處理聲音時，會把音訊依時間切成片段再換算成 token。
以 Gemini 為例，音訊大約每秒消耗 32 個 token。換算下來，一段十分鐘的錄音大約是兩萬個 token 上下，雖然比不上影片那麼驚人，但如果你常常要處理長時間的會議或訪談音檔，累積起來也很可觀。

來源：Gemini token 計算文件
 

程式碼：比同樣長度的文字更耗一些

請 AI 寫程式或讀程式碼，會比同樣字數的純文字更吃 token。
原因在於程式碼裡的縮排、空白、各種括號與符號都會被算進 token，而這些在一般文章裡幾乎不存在。
好消息是，新一代的斷詞器已經針對程式碼做了優化，例如 GPT 系列會把連續的空白合併成單一 token，讓寫程式的 token 消耗不至於太誇張。

愛貝思小技巧分享：

處理大圖或影片前，先想清楚你到底需不需要那麼高的解析度。
很多時候用低細節、低解析模式，AI 一樣看得懂內容，卻能省下大把 token，這在分析大量影像或長影片時特別有感。

怎麼省 token？實用的估算與節省技巧

了解 token 怎麼花之後，自然就會想知道怎麼省。
以下幾個方法不需要技術背景也能立刻上手。

精簡提示詞，去掉重複與廢話

很多人習慣在提示詞裡寫一大堆客套話或重複說明，這些都會被算進輸入 token。
把指令寫得清楚、精準、不囉嗦，既能省 token，回覆品質往往還更好。

你可以從這幾個方向著手：

1. 刪掉「請你幫我」「麻煩你了」這類對 AI 沒有實質意義的贅詞
2. 重複的背景資料只貼一次，不要每一輪對話都複製貼上
3. 一次把需求講完整，減少來回追問的次數
4.  

管理對話與上下文(Context)，別讓它無限長

由於整段對話歷史都會被算進 token，一個聊了很久的對話，其實每多問一句，背後都帶著前面所有內容在計費。

當話題告一段落，或是要換新任務時，建議直接開一個新對話。需要參考某份資料時，也只貼必要的段落，不要把整份文件全部塞進去。

愛貝思小技巧分享：

把長文件先自己抓重點，或分段處理，再交給 AI，常常能省下可觀的 token，也讓回覆更聚焦，這招在做長文摘要時特別有用。
 

善用結構化指令，減少來回追問

很多 token 是浪費在「沒講清楚、反覆追問」上。與其問一句、不滿意再修一句，不如一開始就把需求、格式、範例一次講清楚。

例如：你要 AI 寫一段產品文案，可以直接說明字數範圍、語氣風格、要強調的賣點，甚至給一個範例格式。

一次到位的指令雖然輸入 token 多一點，但能省下後面好幾輪的修改往返，整體反而更省。

把指令寫得有結構，也讓 AI 的輸出更穩定，這對需要大量產出內容的人特別有感。
 

選對模型，善用快取等省費機制

不同模型的 token 單價差很多，簡單的任務不一定要用最貴、最強的旗艦模型，挑一個夠用的輕量模型就能省下不少費用。

另外，部分 API 服務有提供「快取輸入（cached input）」機制，對於重複送出的固定內容（例如同一份系統指令），快取後的單價會大幅降低（請以各服務商最新公告為準，來源：OpenAI API Pricing）。

愛貝思小提醒：

省 token 是好事，但別省過頭。如果為了省而把提示詞砍到語意不清，AI 反而會回得不準，害你要重問好幾次，那就更花 token 了，拿捏好平衡才是重點。

token 常見問題整理：FAQ 一次幫你解答

token 和「字數」差在哪裡？

字數是人類在算的，token 是 AI 在算的。
一個 token 可能是一個字、半個字或一個符號，所以兩者數字通常對不起來。
算 AI 費用與字數上限時，要看 token，不是看字數。

中文是不是比英文更吃 token？

整體來說是的。
英文是最省 token 的語言，中文因為許多字會被拆成較多 token，平均每個字的 token 消耗通常比英文高，所以同樣內容用中文跟 AI 互動，成本可能略高一些。

token 和模型的「參數量」是同一件事嗎？

不是。
token 是「文字被切成的單位」，跟你輸入輸出的內容量有關。
參數量則是「模型本身有多大、多複雜」的指標，描述的是模型規模，兩者是完全不同的概念。

怎麼知道我的文字會用掉多少 token？

最準的方式是用官方工具實測，例如把文字貼到 OpenAI Tokenizer 看實際數字。想快速估算的話，英文抓 4 個字元 1 token、中文抓 1 個字約 1 到 2 個 token 即可。

為什麼 AI 有時候回到一半就停住了？

很可能是碰到了 token 上限。當對話累積的內容加上回覆，超過模型的上下文長度，或超過設定的輸出上限時，回覆就會被截斷。

這時可以開新對話或精簡內容再試一次。

輸入 token 和輸出 token 哪個比較貴？

通常輸出 token 比較貴，單價往往是輸入的好幾倍。
所以控制 AI 回多長，往往比控制你問多長更能省錢。
 

token 看起來是個很技術的名詞，但只要掌握「它是 AI 處理文字的最小單位、用量決定費用與字數上限」這個核心，你就能從容判斷 AI 工具划不划算，也知道怎麼用得更省、更聰明。

如果你正打算把 AI 導入內容生產與網站經營，卻不確定該怎麼控制成本、又能兼顧 SEO 與內容品質，建議找專業團隊一起規劃。

愛貝思 專注於網站建置、SEO 與 AI 內容優化，能協助你從工具選擇到內容策略全面布局。