Compteur de tokens pour GPT, Claude, Gemini et Llama
Comptez les tokens exactement pour les modèles OpenAI, estimez-les pour Claude, Gemini et Llama, voyez le coût et observez le découpage du texte en tokens.
Tokens par famille de modèles
| Tokenizer | Tokens | Type |
|---|---|---|
OpenAI o200k_base GPT-4o, GPT-4.1, GPT-5.x, série o, gpt-oss (GPT-6 supposé) | ... | Exact |
OpenAI cl100k_base GPT-4, GPT-3.5 Turbo, text-embedding-3 | ... | Exact |
Claude (Opus 4.7 et ultérieurs) Claude Fable 5.1, Opus 5.5, Sonnet 5.5, Haiku 5.5, Opus/Sonnet 5, Opus 4.7+ | ... | Estimation |
Claude (Sonnet 4.6 et antérieurs) Claude Sonnet 4.6, Haiku 4.5 et antérieurs | ... | Estimation |
Gemini / Gemma Gemini 2.5 à 4, Gemma | ... | Estimation |
Llama 3 Llama 3.x | ... | Estimation |
Mistral (Tekken) Mistral Large/Medium/Small, Codestral | ... | Estimation |
DeepSeek DeepSeek V3/V4, R1 | ... | Estimation |
Qwen Qwen 2.5 / 3 / 3.5 | ... | Estimation |
Grok Grok 4.x | ... | Estimation |
Seul OpenAI publie ses tokenizers sous une forme exécutable dans un navigateur. Les autres sont estimés à partir des comptes exacts (survolez une ligne pour voir la méthode). Pour un compte exact Claude ou Gemini, utilisez l’endpoint gratuit de comptage de tokens de l’API du fournisseur.
Coût de ce texte
≈ 0 tokens (estimation, Claude (Opus 4.7 et ultérieurs)) · <0.1 % de la fenêtre de contexte de 1 000 000 tokens
Prix catalogue Anthropic au 2026-10-16. Source. Pour des charges de travail complètes, utilisez le calculateur de coût d’API LLM.
Visualiseur de tokens
Chaque couleur correspond à un token (survolez-le pour voir son ID). Un bloc qui contient plusieurs ID est un seul caractère réparti sur plusieurs tokens, ce qui est courant pour les emoji et les textes CJK.
Tokenisé entièrement dans votre navigateur avec les fichiers de rangs open source de tiktoken. Votre texte n’est jamais envoyé nulle part. Parcourir tous les outils gratuits.
Un problème, ou quelque chose à améliorer ? Nous lisons chaque message et corrigeons vite.
Ce compteur de tokens indique combien de tokens votre texte utilise dans GPT, Claude, Gemini, Llama et d’autres grands modèles de langage, car les prix des API, les fenêtres de contexte et les limites de débit se mesurent tous en tokens, pas en mots. Collez un prompt ou un document entier et vous obtenez le compte exact pour les deux tokenizers actuels d’OpenAI, o200k_base (GPT-4o, GPT-4.1, GPT-5.x) et cl100k_base (GPT-4, GPT-3.5 Turbo), ainsi que le coût de ce texte en entrée ou en sortie pour le modèle choisi.
Les comptes pour les autres familles de modèles sont des estimations, et l’outil le précise sur chaque ligne. Anthropic, Google et xAI ne publient pas leurs tokenizers sous une forme exécutable par une page web : leurs chiffres sont donc déduits des comptes exacts d’OpenAI à l’aide des ratios publiés par les fournisseurs eux-mêmes. La visualisation colore chaque token pour vous montrer pourquoi les emoji, le code et les textes non anglais coûtent plus cher que l’anglais courant. Tout s’exécute localement : les fichiers des tokenizers se chargent une fois dans votre navigateur et votre texte ne le quitte jamais.
Mode d’emploi
- Collez ou tapez votre texte. Les comptes se mettent à jour pendant la saisie, avec un léger délai pour les très longs documents.
- Lisez les comptes GPT exacts en haut, puis le tableau par famille. Les lignes marquées Estimation sont des approximations ; survolez une ligne pour voir comment elle a été calculée.
- Choisissez un modèle pour voir le coût du texte en entrée et en sortie, et la part de sa fenêtre de contexte qu’il occupe.
- Descendez jusqu’à la visualisation des tokens et passez de o200k_base à cl100k_base pour comparer leur découpage d’un même texte. Activez ID des tokens pour voir les nombres que reçoit le modèle.
- Utilisez Copier les comptes pour coller un résumé dans un ticket ou un tableur.
Questions fréquentes
Combien de tokens fait un mot ?
Pour de la prose anglaise ordinaire, environ 1,3 token par mot avec le tokenizer o200k_base d’OpenAI, soit à peu près 4 caractères par token. Les mots courts courants font un token chacun ; les mots longs ou rares se découpent en plusieurs. Le code, les nombres, les URL et la plupart des langues autres que l’anglais utilisent plus de tokens par mot. L’outil affiche le ratio réel de tokens par mot de votre texte sous le nombre de mots.
Le compte de tokens Claude est-il exact ?
Non, et il est signalé comme une estimation. Le tokenizer d’Anthropic n’est pas public. Anthropic indique que le tokenizer introduit avec Claude Opus 4.7 (utilisé par Claude Fable 5.1, Opus 5.5, Sonnet 5.5 et Haiku 5.5) produit environ 30 % de tokens en plus que le précédent, et que 1M de tokens contiennent environ 555 000 mots anglais contre 750 000 auparavant. L’estimation applique ce ratio au compte exact de cl100k_base. Pour un chiffre exact, appelez le point de terminaison gratuit de comptage de tokens d’Anthropic (POST /v1/messages/count_tokens) avec votre texte.
Pourquoi les emoji et les textes chinois ou japonais utilisent-ils autant de tokens ?
Les tokenizers modernes travaillent sur les octets UTF-8. Les suites d’octets fréquentes, surtout des mots anglais et du code courant, ont leur propre token ; tout ce qui est plus rare est découpé en morceaux plus petits, jusqu’à l’octet. La plupart des emoji font 4 octets et prennent 1 à 3 tokens, et un modificateur de couleur de peau ou de genre en ajoute. o200k_base compte beaucoup plus de tokens pour les écritures non latines que cl100k_base : la même phrase en chinois ou en hindi coûte donc nettement moins cher sur GPT-4o et les modèles suivants que sur GPT-4. La visualisation montre ces découpages sous forme de blocs qui contiennent plusieurs ID de tokens.
Quelle est la différence entre o200k_base et cl100k_base ?
Ce sont les deux tokenizers actuels d’OpenAI. cl100k_base compte environ 100 000 tokens et est utilisé par GPT-4, GPT-3.5 Turbo et les modèles text-embedding-3. o200k_base compte environ 200 000 tokens et est utilisé par GPT-4o, GPT-4.1, GPT-5.x et les modèles de raisonnement de la série o ; gpt-oss en utilise une variante. Le vocabulaire plus large aide surtout les textes non anglais et le code, pour lesquels il produit généralement moins de tokens.
L’API compte-t-elle plus de tokens que cet outil ?
Généralement quelques-uns de plus par requête. Les API de chat encadrent chaque message de marqueurs de rôle qui ajoutent une poignée de tokens, et le prompt système, les définitions d’outils, les échanges précédents de la conversation et les éventuels tokens de raisonnement sont aussi facturés. Les images, l’audio et les fichiers sont tarifés à part. Cet outil compte le texte brut que vous collez, c’est-à-dire la partie que vous maîtrisez.
Mon texte est-il envoyé à un serveur ?
Non. Les fichiers de rangs des tokenizers sont téléchargés une fois dans votre navigateur (environ 3 Mo) et tout le comptage se fait sur votre appareil. Vous pouvez vous déconnecter d’Internet une fois la page chargée et le compteur continue de fonctionner.
Pourquoi un même texte n’a pas le même nombre de tokens selon les modèles
Chaque famille de modèles entraîne son propre tokenizer : un vocabulaire fixe de fragments de texte, appris à partir des données d’entraînement du modèle. Un mot qui fait un token dans un vocabulaire peut en faire trois dans un autre. Les écarts sont faibles pour l’anglais courant et importants pour le code, les langues rares, les emoji et les longs nombres.
La taille du vocabulaire est le levier principal. Le cl100k_base de GPT-4 compte environ 100 000 entrées ; GPT-4o et les suivants utilisent o200k_base avec environ 200 000 ; le vocabulaire SentencePiece de Gemini en compte environ 256 000 ; Llama 3 utilise un vocabulaire de 128 000 entrées construit sur cl100k. Un vocabulaire plus large signifie généralement moins de tokens par phrase, surtout hors de l’anglais, mais les fournisseurs changent aussi de tokenizer pour des raisons de qualité. Le nouveau tokenizer d’Anthropic produit plus de tokens que l’ancien, pas moins.
Cela compte pour comparer les coûts. Si deux modèles facturent le même prix par million de tokens mais que l’un a besoin de 30 % de tokens en plus pour votre texte, il vous coûte 30 % plus cher. Le calculateur de coût des API de LLM de ce site peut ajuster les comptes selon le tokenizer précisément pour cette raison.
Comment chaque estimation est calculée
• OpenAI o200k_base et cl100k_base : exact, avec les mêmes fichiers de rangs que la bibliothèque tiktoken d’OpenAI. OpenAI n’a pas publié de tokenizer pour GPT-6 ; o200k_base est la correspondance publique la plus proche et est présenté comme telle.
• Claude (Opus 4.7 et suivants, dont Fable 5.1, Opus 5.5, Sonnet 5.5 et Haiku 5.5) : compte cl100k_base multiplié par 1,35, d’après les déclarations d’Anthropic selon lesquelles le nouveau tokenizer produit environ 30 % de tokens en plus et fait tenir environ 555 000 mots anglais dans 1M de tokens contre 750 000 auparavant.
• Claude Sonnet 4.6, Haiku 4.5 et antérieurs : le compte cl100k_base. L’ancien tokenizer d’Anthropic en est proche pour la prose anglaise.
• Gemini et Gemma : le compte o200k_base. Google indique environ 4 caractères par token pour l’anglais, en ligne avec o200k_base.
• Llama 3 : le compte cl100k_base, puisque le vocabulaire de Llama 3 contient celui de cl100k plus 28 000 tokens supplémentaires, surtout pour d’autres langues.
• Mistral, DeepSeek, Qwen et Grok : le compte o200k_base, car tous utilisent de grands vocabulaires BPE au niveau de l’octet de taille comparable. Pour l’anglais, ces estimations devraient se situer à environ 10 à 15 % du compte réel ; pour le code et les textes non anglais, l’erreur peut être plus grande.
Des moyens concrets de consommer moins de tokens
Minifiez le JSON avant de l’envoyer. L’indentation et les retours à la ligne sont aussi des tokens, et un JSON joliment formaté peut utiliser un tiers de tokens en plus que les mêmes données sur une seule ligne ; le formateur JSON de ce site minifie en un clic. Les noms de champs se répètent à chaque enregistrement : pour les grands tableaux, le CSV est souvent moins cher que le JSON.
Placez les instructions stables en premier et la partie variable à la fin. Les fournisseurs mettent en cache les préfixes de prompt répétés et facturent les accès au cache à une fraction du prix d’entrée (10 % ou moins du tarif d’entrée normal sur les modèles actuels d’OpenAI, Anthropic et Google), mais seulement si le début du prompt est identique d’une requête à l’autre.
Allégez l’historique de conversation. Une application de chat renvoie toute la conversation à chaque tour : un fil de 20 messages coûte donc bien plus que 20 questions séparées. Résumez ou supprimez les anciens échanges dès qu’ils ne servent plus.
Retirez les données personnelles que le modèle n’a pas besoin de voir. Elles coûtent des tokens et créent des risques ; l’outil de masquage des données personnelles de ce site les remplace par de courts marqueurs et les rétablit dans la réponse.
Outils gratuits similaires
- Calculateur de coût d’API LLM — Comparez le coût de votre charge de travail sur plus de 40 modèles, avec cache, remises batch, paliers de contexte long et tokens de raisonnement. Prix sourcés et datés.
- Compteur de mots — Comptez les mots, caractères, phrases et le temps de lecture, et vérifiez les limites de X, LinkedIn, Instagram, YouTube, du SEO et des SMS pendant la saisie.
- Masquage de données personnelles pour prompts IA — Remplacez e-mails, numéros de téléphone, numéros de carte, clés d’API et noms par des espaces réservés avant de coller du texte dans une IA, puis restaurez-les dans la réponse.
- Formateur JSON — Indentez, minifiez et validez du JSON, avec les erreurs d’analyse localisées par ligne et colonne. Dans votre navigateur, sans envoi.
- Calculateur de VRAM pour LLM — Calculez la mémoire GPU nécessaire à un LLM local selon la quantification et la longueur de contexte, vérifiez s’il tient sur votre GPU ou votre Mac, et à quelle vitesse il tournera.