ホーム AI・LLM 埋め込みコストの計算 作成日: 2026年7月20日 21:33 埋め込みコストの計算 入力 文書数5001文書あたりのトークン数1,000単価（100万トークンあたり）0.13 ドル AI・LLM 埋め込みコストの計算 文書数、1文書あたりのトークン数、埋め込みモデルの100万トークン単価から、検索用に文書群をベクトル化する初回コストを概算します。RAGや埋め込み、ベクトル検索の予算見積もりに利用できます。 入力 文書群 文書数 埋め込み対象とする文書、パッセージ、またはチャンクの件数です。検索用途では、元ファイルの数ではなく、文書群を分割した断片の数を指します。 1文書あたりのトークン数 1文書の平均的な長さをトークンで表したものです。英語ではおおむね4文字で1トークンとなるため、750語程度のパッセージは約1,000トークンに相当します。 料金 単価（100万トークンあたり） ドル 埋め込みモデルが入力100万トークンあたりに課金する金額です。埋め込みモデルはトークンあたりの単価が生成モデルよりはるかに安いのが一般的です。 結果 値を入力すると計算結果が表示されます。 合計コスト ドル ... トークンすべてを100万トークンあたり 0.13 ドル で埋め込むと、初回限りの費用として ... かかります。 詳細 合計トークン数 500 件の文書を1件あたり 1,000 トークンとすると、埋め込み対象は合計 ... トークンになります。 共有 レポートを印刷 リセット 埋め込み この計算機を埋め込む プレビュー このコードをページに貼り付けると計算機を表示できます。 コードをコピー この計算を共有 このリンクを開くと、入力した値がそのまま表示されます。 リンクをコピー 共有する XFacebookLINE メール 最終更新: 2026-06-22 埋め込みコストとは 埋め込みコストとは、埋め込みモデルを使ってテキスト群をベクトルに変換する際にかかる料金です。検索システムが文書群に対する質問へ答えられるようになるには、まずすべての文書を埋め込み、すなわち意味をとらえた固定長の数値列へ変換しておく必要があります。埋め込みAPIはこの処理量をトークンで計測し、公表された100万トークンあたりの単価で課金します。そのため、文書群を準備するコストは、文書が何件あるか、そして各文書がどれだけ長いかによって決まります。 埋め込みの課金の仕組み 埋め込みモデルはテキストを読み取り、入力1件につき1つのベクトルを返します。提供元は入力トークン、すなわちテキスト生成で使われるものと同じ種類のトークンを数えます。英語ではおおむね4文字で1トークンです。これにトークンあたりの単価を掛けて課金します。1トークンの料金は通貨単位のごくわずかな割合にすぎないため、単価は100万トークンあたりで提示されます。埋め込みモデルは順伝播を一度行うだけで生成出力を持たないため、トークンあたりの単価は生成モデルよりはるかに安いのが一般的です。 このコストは文書ごとに一度だけ発生します。ある文書のベクトルがいったんベクトルデータベースに保存されると、内容が変わるか埋め込みモデルを差し替えない限り、再び埋め込む必要はありません。異なるモデルのベクトルは互いに比較できないため、モデルを変更する場合は文書群全体を埋め込み直すことになります。 計算式 ndocn_{doc} 件の文書からなり、文書ごとに平均 tdoct_{doc} トークンの文書群では、合計トークン数は次のとおりです。 T=ndoc⋅tdocT = n_{doc} \cdot t_{doc}T=ndoc⋅tdoc そして、100万トークンあたり pp の単価でこの文書群を埋め込むコストは次のようになります。 C=T106⋅pC = \frac{T}{10^6} \cdot pC=106T⋅p 10610^6 で割ることにより、100万トークンあたりの提示価格をトークンあたりの単価に換算してから、トークン数を掛けています。 計算例 あるナレッジベースに ndoc=1,800n_{doc} = 1{,}800 件のパッセージがあり、1件あたり平均 tdoc=740t_{doc} = 740 トークンで、100万トークンあたり $0.13 のモデルで埋め込むとします。合計トークン数は次のとおりです。 T=1,800×740=1,332,000 tokens\begin{aligned} T &= 1{,}800 \times 740 \\ &= 1{,}332{,}000 \text{ tokens} \end{aligned}T=1,800×740=1,332,000 tokens 埋め込みコストは次のようになります。 C=1,332,000106×0.13=1.332×0.13≈0.17\begin{aligned} C &= \frac{1{,}332{,}000}{10^6} \times 0.13 \\ &= 1.332 \times 0.13 \\ &\approx 0.17 \end{aligned}C=1061,332,000×0.13=1.332×0.13≈0.17 つまり、文書群全体を埋め込むコストはおよそ17セント、インデックスを構築するときに一度だけ支払う費用です。これより1桁大きい文書群でも費用は通貨の低い1桁台にとどまります。これが、埋め込みが検索システムの予算で主要な項目になることがめったにない理由です。 注意点と派生 上記の数値は、文書を最初に埋め込む費用だけを対象としています。これとは別に課金される関連コストが3つあります。実行時に各ユーザーの質問を埋め込む費用（質問は短いためわずか）、ベクトルをベクトルデータベースに保管する費用、そして文書が変わったときに再埋め込みする費用です。文書をより小さなチャンクに分割すると文書数は増えますが1文書あたりのトークン数は減るため、両者の積、ひいてはコストは、わずかな重複分を除けば素のトークン総数に近いまま保たれます。 活用の場面 埋め込みコストは、検索パイプラインの予算を立てる最初のステップです。生成されたベクトルは保存して検索する必要があり、その点は ベクトルDBコストの計算 で扱います。また、保管容量そのものはベクトルの次元数と件数に依存し、これは ベクトルDBサイズの計算 で扱います。検索した文脈を消費する生成呼び出しの料金は トークンコスト計算 で計算します。 よくある質問 (FAQ)埋め込みとは何ですか埋め込みとは、テキストの意味を表す数値の並び、すなわちベクトルです。埋め込みモデルが文書を読み取り、固定長のベクトルを出力します。意味の近いテキストはベクトル空間上で近くに配置されます。検索システムでは各文書を一度だけ埋め込んでベクトルを保存しておき、検索時には質問を埋め込んで最も近い文書を返します。 1文書あたりのトークン数はどのように見積もりますか目安として、英語では1トークンが約4文字、おおむね0.75語に相当するため、1,000語の記事は約1,300トークンになります。コードや表、英語以外の文字体系はトークン化の効率が下がり、文字あたりのトークン数が増えます。正確に求めたい場合は、文書のサンプルを各社のトークナイザーにかけて平均をとってください。 このコストは繰り返し支払う必要がありますか埋め込みはベクトルが保存されている限り、文書ごとに一度だけの費用です。再度支払いが発生するのは、新しい文書を追加したとき、内容が変わって埋め込みをやり直すとき、または別の埋め込みモデルに切り替えたときに限られます。あるモデルのベクトルは別のモデルのベクトルと比較できないためです。検索時に質問そのものを埋め込む費用は別途課金され、通常はわずかです。 免責事項 これは文書群を埋め込む初回コストの参考情報であり、検索時の埋め込み、ベクトルの保管、内容変更に伴う再埋め込みは含みません。トークン数はモデルのトークナイザーや内容によって変わり、公表されている単価も時間とともに変動します。実際の利用にあたっては、最新の料金とトークン数を提供元でご確認ください。 次のおすすめ トークンコスト計算 入力トークン数と出力トークン数、モデルの100万トークンあたり単価から、大規模言語モデル（LLM）への単一API呼び出しにかかるコストを算出します。入力と出力は別々に課金されます。 詳しく解説ベクトルDBコストの計算 保管容量、1ギガバイト月あたりの単価、そして定額のプラットフォーム料金から、マネージドサービス上でベクトルインデックスをホスティングする月額および年額のコストを概算します。RAGやベクトル検索の運用予算に利用できます。 詳しく解説 200+ ツール · 10 言語対応 · 完全無料 コスト・料金の他の計算 1ドルあたりトークン数の計算GPU クラウド費用を計算GPU利用率コストの計算LLMファインチューニング費用の計算LLMレート制限の計画埋め込みコストの計算 +20 more Show less LLM学習のカーボンフットプリントの計算LLM学習時間とコストの計算LLM月額コストの計算エージェントコストの計算コンテキストコストの増加の計算コンテキスト長の判定システムプロンプトの償却コストトークンから単語数への変換トークンコスト計算バッチAPIの節約額の計算プロンプトキャッシュの節約額の計算ベクトルDBコストの計算ベクトルDBサイズの計算音声合成コストの計算音声文字起こしコストの計算画像生成コストの計算関数呼び出しのトークンオーバーヘッド構造化出力のトークンオーバーヘッド自己ホストとAPIの損益分岐の計算推論エネルギーコストの計算 AI・LLMの他のカテゴリ 推論・サービング トークンあたりFLOPsの計算バッチ推論スループットの計算モデルFLOPs利用率の計算画像入力トークン数の計算実効トークン毎秒の計算推論スループットの計算推論レイテンシの計算投機的デコーディングの高速化の計算学習・スケーリング Chinchilla最適トークン数LLMトレーニングVRAMの計算LoRA の学習パラメータ数を計算データセットのトークン数の計算データ並列スケーリングの計算パイプライン並列のバブルの計算学習FLOPsの計算学習率ウォームアップの計算計算最適なモデルサイズ計算予算から求めるエポック数勾配累積のメモリ計算実効バッチサイズの計算ハードウェア・メモリ KVキャッシュサイズの計算LLM推論のVRAM計算MoE のアクティブパラメータ数を計算Transformerのパラメータ数の計算アテンションメモリの計算モデルに必要なGPU台数の計算モデルのダウンロード時間の計算量子化によるモデルサイズの計算RAG・埋め込み RAGチャンク分割の設計評価 A/Bテスト有意性の計算LLM評価のサンプルサイズの計算pass@k の計算パープレキシティの計算すべてのツール コサイン類似度の計算 この計算機は役に立ちましたか？ 役に立った 改善が必要 改善が必要 どのような点が改善されると良いですか？ フィードバックを送信 Powered by OneCalc ↗
最終更新: 2026-06-22 埋め込みコストとは 埋め込みコストとは、埋め込みモデルを使ってテキスト群をベクトルに変換する際にかかる料金です。検索システムが文書群に対する質問へ答えられるようになるには、まずすべての文書を埋め込み、すなわち意味をとらえた固定長の数値列へ変換しておく必要があります。埋め込みAPIはこの処理量をトークンで計測し、公表された100万トークンあたりの単価で課金します。そのため、文書群を準備するコストは、文書が何件あるか、そして各文書がどれだけ長いかによって決まります。 埋め込みの課金の仕組み 埋め込みモデルはテキストを読み取り、入力1件につき1つのベクトルを返します。提供元は入力トークン、すなわちテキスト生成で使われるものと同じ種類のトークンを数えます。英語ではおおむね4文字で1トークンです。これにトークンあたりの単価を掛けて課金します。1トークンの料金は通貨単位のごくわずかな割合にすぎないため、単価は100万トークンあたりで提示されます。埋め込みモデルは順伝播を一度行うだけで生成出力を持たないため、トークンあたりの単価は生成モデルよりはるかに安いのが一般的です。 このコストは文書ごとに一度だけ発生します。ある文書のベクトルがいったんベクトルデータベースに保存されると、内容が変わるか埋め込みモデルを差し替えない限り、再び埋め込む必要はありません。異なるモデルのベクトルは互いに比較できないため、モデルを変更する場合は文書群全体を埋め込み直すことになります。 計算式 ndocn_{doc} 件の文書からなり、文書ごとに平均 tdoct_{doc} トークンの文書群では、合計トークン数は次のとおりです。 T=ndoc⋅tdocT = n_{doc} \cdot t_{doc}T=ndoc⋅tdoc そして、100万トークンあたり pp の単価でこの文書群を埋め込むコストは次のようになります。 C=T106⋅pC = \frac{T}{10^6} \cdot pC=106T⋅p 10610^6 で割ることにより、100万トークンあたりの提示価格をトークンあたりの単価に換算してから、トークン数を掛けています。 計算例 あるナレッジベースに ndoc=1,800n_{doc} = 1{,}800 件のパッセージがあり、1件あたり平均 tdoc=740t_{doc} = 740 トークンで、100万トークンあたり $0.13 のモデルで埋め込むとします。合計トークン数は次のとおりです。 T=1,800×740=1,332,000 tokens\begin{aligned} T &= 1{,}800 \times 740 \\ &= 1{,}332{,}000 \text{ tokens} \end{aligned}T=1,800×740=1,332,000 tokens 埋め込みコストは次のようになります。 C=1,332,000106×0.13=1.332×0.13≈0.17\begin{aligned} C &= \frac{1{,}332{,}000}{10^6} \times 0.13 \\ &= 1.332 \times 0.13 \\ &\approx 0.17 \end{aligned}C=1061,332,000×0.13=1.332×0.13≈0.17 つまり、文書群全体を埋め込むコストはおよそ17セント、インデックスを構築するときに一度だけ支払う費用です。これより1桁大きい文書群でも費用は通貨の低い1桁台にとどまります。これが、埋め込みが検索システムの予算で主要な項目になることがめったにない理由です。 注意点と派生 上記の数値は、文書を最初に埋め込む費用だけを対象としています。これとは別に課金される関連コストが3つあります。実行時に各ユーザーの質問を埋め込む費用（質問は短いためわずか）、ベクトルをベクトルデータベースに保管する費用、そして文書が変わったときに再埋め込みする費用です。文書をより小さなチャンクに分割すると文書数は増えますが1文書あたりのトークン数は減るため、両者の積、ひいてはコストは、わずかな重複分を除けば素のトークン総数に近いまま保たれます。 活用の場面 埋め込みコストは、検索パイプラインの予算を立てる最初のステップです。生成されたベクトルは保存して検索する必要があり、その点は ベクトルDBコストの計算 で扱います。また、保管容量そのものはベクトルの次元数と件数に依存し、これは ベクトルDBサイズの計算 で扱います。検索した文脈を消費する生成呼び出しの料金は トークンコスト計算 で計算します。 よくある質問 (FAQ)埋め込みとは何ですか埋め込みとは、テキストの意味を表す数値の並び、すなわちベクトルです。埋め込みモデルが文書を読み取り、固定長のベクトルを出力します。意味の近いテキストはベクトル空間上で近くに配置されます。検索システムでは各文書を一度だけ埋め込んでベクトルを保存しておき、検索時には質問を埋め込んで最も近い文書を返します。 1文書あたりのトークン数はどのように見積もりますか目安として、英語では1トークンが約4文字、おおむね0.75語に相当するため、1,000語の記事は約1,300トークンになります。コードや表、英語以外の文字体系はトークン化の効率が下がり、文字あたりのトークン数が増えます。正確に求めたい場合は、文書のサンプルを各社のトークナイザーにかけて平均をとってください。 このコストは繰り返し支払う必要がありますか埋め込みはベクトルが保存されている限り、文書ごとに一度だけの費用です。再度支払いが発生するのは、新しい文書を追加したとき、内容が変わって埋め込みをやり直すとき、または別の埋め込みモデルに切り替えたときに限られます。あるモデルのベクトルは別のモデルのベクトルと比較できないためです。検索時に質問そのものを埋め込む費用は別途課金され、通常はわずかです。 免責事項 これは文書群を埋め込む初回コストの参考情報であり、検索時の埋め込み、ベクトルの保管、内容変更に伴う再埋め込みは含みません。トークン数はモデルのトークナイザーや内容によって変わり、公表されている単価も時間とともに変動します。実際の利用にあたっては、最新の料金とトークン数を提供元でご確認ください。
