GPT, Claude, Gemini, Llama용 토큰 계산기
OpenAI 모델의 토큰은 정확하게 세고 Claude, Gemini, Llama는 추정하며, 비용을 확인하고 텍스트가 토큰으로 나뉘는 모습을 보세요.
모델 계열별 토큰 수
| 토크나이저 | 토큰 | 유형 |
|---|---|---|
OpenAI o200k_base GPT-4o, GPT-4.1, GPT-5.x, o 시리즈, gpt-oss (GPT-6 추정) | ... | 정확 |
OpenAI cl100k_base GPT-4, GPT-3.5 Turbo, text-embedding-3 | ... | 정확 |
Claude (Opus 4.7 이후) Claude Fable 5.1, Opus 5.5, Sonnet 5.5, Haiku 5.5, Opus/Sonnet 5, Opus 4.7+ | ... | 추정 |
Claude (Sonnet 4.6 이전) Claude Sonnet 4.6, Haiku 4.5 및 이전 모델 | ... | 추정 |
Gemini / Gemma Gemini 2.5~4, Gemma | ... | 추정 |
Llama 3 Llama 3.x | ... | 추정 |
Mistral (Tekken) Mistral Large/Medium/Small, Codestral | ... | 추정 |
DeepSeek DeepSeek V3/V4, R1 | ... | 추정 |
Qwen Qwen 2.5 / 3 / 3.5 | ... | 추정 |
Grok Grok 4.x | ... | 추정 |
브라우저에서 실행할 수 있는 형태로 토크나이저를 공개하는 곳은 OpenAI뿐입니다. 나머지는 정확한 토큰 수를 바탕으로 추정합니다(행에 마우스를 올리면 방법이 보입니다). Claude나 Gemini의 정확한 토큰 수가 필요하면 해당 제공업체의 무료 토큰 계산 API 엔드포인트를 사용하세요.
이 텍스트의 비용
≈ 0토큰 (추정, Claude (Opus 4.7 이후)) · 컨텍스트 윈도우 1,000,000토큰의 <0.1%
Anthropic 정가, 2026-10-16 기준. 출처. 전체 작업량 비용은 LLM API 비용 계산기를 사용하세요.
토큰 시각화
색 하나가 토큰 하나입니다(마우스를 올리면 ID 표시). 블록 하나에 ID가 여러 개 있으면 한 글자가 여러 토큰으로 나뉜 것으로, 이모지와 한중일 텍스트에서 흔합니다.
오픈 소스 tiktoken 랭크 파일로 전적으로 브라우저에서 토큰화합니다. 텍스트는 어디에도 전송되지 않습니다. 모든 무료 도구 보기.
문제를 발견하셨거나 개선할 점이 있나요? 모든 메시지를 읽고 빠르게 고칩니다.
이 토큰 계산기는 텍스트가 GPT, Claude, Gemini, Llama 등 대규모 언어 모델에서 토큰을 몇 개 쓰는지 보여 줍니다. API 가격, 컨텍스트 윈도우, 사용량 제한은 모두 단어가 아니라 토큰으로 측정되기 때문입니다. 프롬프트나 문서 전체를 붙여 넣으면 OpenAI의 현재 토크나이저 두 가지, o200k_base(GPT-4o, GPT-4.1, GPT-5.x)와 cl100k_base(GPT-4, GPT-3.5 Turbo)의 정확한 개수와 함께, 선택한 모델에서 그 텍스트의 입력 또는 출력 비용을 알려 줍니다.
다른 모델 계열의 개수는 추정치이며, 도구는 모든 행에 그렇게 표시합니다. Anthropic, Google, xAI는 웹 페이지에서 실행할 수 있는 형태로 토크나이저를 공개하지 않으므로, 각 제공업체가 공개한 비율을 사용해 정확한 OpenAI 개수에서 값을 도출합니다. 시각화는 토큰마다 색을 입혀 이모지, 코드, 영어가 아닌 텍스트가 일반 영어보다 비싼 이유를 보여 줍니다. 모든 작업은 로컬에서 실행됩니다. 토크나이저 파일은 브라우저에 한 번 로드되고, 텍스트는 브라우저를 벗어나지 않습니다.
사용 방법
- 텍스트를 붙여 넣거나 입력하세요. 입력하는 대로 개수가 업데이트되며, 아주 긴 문서는 약간 늦게 반영됩니다.
- 맨 위의 정확한 GPT 개수를 확인한 뒤 계열별 표를 보세요. 추정치로 표시된 행은 근사값이며, 행에 마우스를 올리면 계산 방법을 볼 수 있습니다.
- 모델을 고르면 텍스트의 입력·출력 비용과 컨텍스트 윈도우를 얼마나 채우는지 확인할 수 있습니다.
- 토큰 시각화로 스크롤하고 o200k_base와 cl100k_base를 전환해 같은 텍스트를 어떻게 나누는지 비교하세요. 토큰 ID를 켜면 모델이 받는 숫자를 볼 수 있습니다.
- 결과 복사로 요약을 티켓이나 스프레드시트에 붙여 넣으세요.
자주 묻는 질문
단어 하나는 몇 토큰인가요?
일반적인 영어 산문은 OpenAI의 o200k_base 토크나이저 기준으로 단어당 약 1.3토큰, 즉 토큰당 대략 4글자입니다. 흔한 짧은 단어는 각각 1토큰이고, 길거나 드문 단어는 여러 토큰으로 나뉩니다. 코드, 숫자, URL, 그리고 영어가 아닌 대부분의 언어는 단어당 토큰을 더 많이 씁니다. 도구는 단어 수 아래에 텍스트의 실제 단어당 토큰 비율을 표시합니다.
Claude 토큰 수는 정확한가요?
아니요, 추정치로 표시됩니다. Anthropic의 토크나이저는 공개되어 있지 않습니다. Anthropic은 Claude Opus 4.7과 함께 도입된 토크나이저(Claude Fable 5.1, Opus 5.5, Sonnet 5.5, Haiku 5.5에서 사용)가 이전보다 약 30% 더 많은 토큰을 만들며, 100만 토큰에 영어 단어가 이전의 750,000개 대신 약 555,000개 들어간다고 밝혔습니다. 추정치는 이 비율을 정확한 cl100k_base 개수에 적용합니다. 정확한 수가 필요하면 Anthropic의 무료 토큰 계산 엔드포인트(POST /v1/messages/count_tokens)에 텍스트를 보내세요.
이모지와 중국어·일본어 텍스트가 토큰을 많이 쓰는 이유는 무엇인가요?
최신 토크나이저는 UTF-8 바이트 단위로 작동합니다. 자주 나오는 바이트 시퀀스, 주로 영어 단어와 흔한 코드는 자체 토큰을 갖고, 그보다 드문 것은 더 작은 조각으로, 심하면 한 바이트씩 나뉩니다. 대부분의 이모지는 4바이트로 1~3토큰을 쓰며, 피부색이나 성별 수식자가 붙으면 더 늘어납니다. o200k_base는 cl100k_base보다 영어 이외 문자용 토큰이 훨씬 많아, 같은 중국어나 힌디어 문장이 GPT-4보다 GPT-4o 이후 모델에서 눈에 띄게 저렴합니다. 시각화는 이렇게 나뉜 부분을 토큰 ID 여러 개를 담은 블록으로 보여 줍니다.
o200k_base와 cl100k_base는 어떻게 다른가요?
OpenAI의 현재 토크나이저 두 가지입니다. cl100k_base는 약 100,000개의 토큰을 가지며 GPT-4, GPT-3.5 Turbo, text-embedding-3 모델에서 씁니다. o200k_base는 약 200,000개의 토큰을 가지며 GPT-4o, GPT-4.1, GPT-5.x, o 시리즈 추론 모델에서 쓰고, gpt-oss는 그 변형을 씁니다. 어휘가 클수록 주로 영어 이외 텍스트와 코드에서 유리하며, 보통 토큰 수가 더 적습니다.
API는 이 도구보다 토큰을 더 많이 세나요?
보통 요청마다 조금 더 많습니다. 채팅 API는 각 메시지를 역할 표시로 감싸 토큰이 몇 개 늘어나고, 시스템 프롬프트, 도구 정의, 이전 대화, 추론 토큰도 과금됩니다. 이미지, 오디오, 파일은 따로 가격이 매겨집니다. 이 도구는 붙여 넣은 텍스트 그대로를 세며, 이는 사용자가 조절할 수 있는 부분입니다.
텍스트가 서버로 전송되나요?
아니요. 토크나이저 순위 파일은 브라우저에 한 번(약 3 MB) 다운로드되고 모든 계산은 기기에서 이루어집니다. 페이지가 로드된 뒤 인터넷 연결을 끊어도 계산기는 계속 작동합니다.
같은 텍스트라도 모델마다 토큰 수가 다른 이유
모델 계열마다 자체 토크나이저를 학습합니다. 모델이 학습한 데이터에서 익힌 고정된 텍스트 조각 어휘입니다. 한 어휘에서 1토큰인 단어가 다른 어휘에서는 3토큰일 수 있습니다. 일반 영어에서는 차이가 작고, 코드, 드문 언어, 이모지, 긴 숫자에서는 큽니다.
어휘 크기가 가장 큰 요소입니다. GPT-4의 cl100k_base는 약 100,000개 항목, GPT-4o 이후의 o200k_base는 약 200,000개, Gemini의 SentencePiece 어휘는 약 256,000개이며, Llama 3는 cl100k를 기반으로 한 128,000개 어휘를 씁니다. 어휘가 클수록 대개 문장당 토큰이 적고 특히 영어 이외 언어에서 그렇지만, 제공업체는 품질을 이유로 토크나이저를 바꾸기도 합니다. Anthropic의 새 토크나이저는 이전보다 토큰을 적게가 아니라 더 많이 만듭니다.
이는 비용 비교에서 중요합니다. 두 모델의 100만 토큰당 가격이 같아도 한쪽이 내 텍스트에 30% 더 많은 토큰이 필요하다면, 실제로는 30% 더 비쌉니다. 바로 그래서 이 사이트의 LLM API 비용 계산기는 토크나이저별로 개수를 보정할 수 있습니다.
각 추정치를 계산하는 방법
• OpenAI o200k_base와 cl100k_base: OpenAI의 tiktoken 라이브러리와 같은 순위 파일을 사용한 정확한 값. OpenAI는 GPT-6용 토크나이저를 공개하지 않았으며, o200k_base가 가장 가까운 공개 토크나이저이므로 그렇게 표시합니다.
• Claude (Opus 4.7 이후, Fable 5.1, Opus 5.5, Sonnet 5.5, Haiku 5.5 포함): cl100k_base 개수에 1.35를 곱한 값. 새 토크나이저가 약 30% 더 많은 토큰을 만들고 100만 토큰에 영어 단어가 이전의 750,000개 대신 약 555,000개 들어간다는 Anthropic의 설명에 근거합니다.
• Claude Sonnet 4.6, Haiku 4.5 및 이전 모델: cl100k_base 개수. Anthropic의 이전 토크나이저는 영어 산문에서 이와 비슷합니다.
• Gemini와 Gemma: o200k_base 개수. Google은 영어 기준 토큰당 약 4글자라고 밝히며, 이는 o200k_base와 비슷합니다.
• Llama 3: cl100k_base 개수. Llama 3의 어휘는 cl100k의 어휘에 주로 다른 언어용 토큰 28,000개를 더한 것이기 때문입니다.
• Mistral, DeepSeek, Qwen, Grok: o200k_base 개수. 모두 비슷한 크기의 대규모 바이트 수준 BPE 어휘를 쓰기 때문입니다. 영어에서는 실제 개수와 약 10~15% 이내의 차이를 예상하세요. 코드와 영어 이외 텍스트에서는 오차가 더 클 수 있습니다.
토큰을 덜 쓰는 실용적인 방법
보내기 전에 JSON을 압축하세요. 들여쓰기와 줄바꿈도 토큰이며, 보기 좋게 정리한 JSON은 같은 데이터를 한 줄로 쓴 것보다 토큰을 3분의 1 더 쓸 수 있습니다. 이 사이트의 JSON 포매터로 클릭 한 번에 압축할 수 있습니다. 필드 이름은 레코드마다 반복되므로, 큰 표는 JSON보다 CSV가 저렴한 경우가 많습니다.
변하지 않는 지시는 앞에, 바뀌는 부분은 뒤에 두세요. 제공업체는 반복되는 프롬프트 앞부분을 캐시하고, 캐시 적중분은 입력 가격의 일부(현재 OpenAI, Anthropic, Google 모델에서 일반 입력 요금의 10% 이하)로 과금합니다. 단, 요청 사이에 프롬프트 시작 부분이 똑같아야 합니다.
대화 기록을 줄이세요. 채팅 앱은 매 턴마다 대화 전체를 다시 보내므로, 메시지 20개짜리 대화는 질문 20개를 따로 하는 것보다 훨씬 비쌉니다. 더 이상 중요하지 않은 오래된 턴은 요약하거나 삭제하세요.
모델이 볼 필요 없는 개인정보는 지우세요. 토큰도 들고 위험도 생깁니다. 이 사이트의 개인정보 마스킹 도구는 개인정보를 짧은 플레이스홀더로 바꾸고 답변에서 원래대로 복원합니다.
관련 무료 도구
- LLM API 비용 계산기 — 캐싱, 배치 할인, 긴 컨텍스트 요금 구간, 추론 토큰까지 반영해 40개 이상 모델의 작업 비용을 비교하세요. 모든 요금에 출처와 확인 날짜가 표시됩니다.
- 단어·글자 수 세기 — 입력하는 대로 단어, 글자, 문장 수와 읽는 시간을 세고, X, LinkedIn, Instagram, YouTube, SEO, SMS 제한도 확인하세요.
- AI 프롬프트용 개인정보 마스킹 — AI에 텍스트를 붙여 넣기 전에 이메일, 전화번호, 카드 번호, API 키, 이름을 플레이스홀더로 바꾸고, 답변에서 다시 원래대로 복원하세요.
- JSON 포매터 — JSON을 보기 좋게 정렬하고, 압축하고, 검증하세요. 파싱 오류는 줄과 열 위치까지 알려 줍니다. 브라우저에서 실행, 업로드 없음.
- LLM VRAM 계산기 — 양자화 방식과 컨텍스트 길이에 따라 로컬 LLM에 필요한 GPU 메모리, 내 GPU나 Mac에 들어가는지, 얼마나 빠르게 돌아갈지 계산하세요.