AI-API-Abrechnung: 17 Einheiten von Token bis PTU-Stunde

AI APIs erfassen die Nutzung in mindestens 17 verschiedenen Einheiten: Text-Token, Reasoning-Token, gecachte Token, Token für Medieneingaben, Realtime-Audio-Token, Zeichen, Medienminuten und -sekunden, Ausgabeobjekte, Requests, Seiten, GPU-Sekunden, Containerstunden, GB-Tage, Token-Stunden, PTU-Stunden, Training-Token und synthetische Credits. Wer die Kosten eines Produkts über mehrere Modalitäten hinweg kalkuliert, muss zwischen mehreren dieser Einheiten umrechnen. Genau bei diesen Umrechnungsregeln entstehen falsche Budgets. Dieser Praxisleitfaden erklärt jede Einheit, ihre Abrechnung und die dazugehörige Falle.

TL;DR

• AI APIs rechnen über vier Ebenen hinweg in mindestens 17 Einheiten ab: Verbrauch, Zeit und Kapazität, Preisfaktoren und synthetische Hüllen.
• Eine Audiominute wird auf zwei Arten abgerechnet: $0.0020 bis $0.0164 pro Audiominute bei dedizierter Transkription oder 1 Audio-Token pro gehörten 100 ms bei gpt-realtime-2.1.
• Allein für Storage gibt es zwei Zähler: OpenAI File Search berechnet $0.10 pro GB-Tag, Gemini Context Caching dagegen $0.50 pro Million Token und Stunde.
• Preisfaktoren ändern den Tarif, nicht die Einheit: Batch kostet die Hälfte, DeepSeek halbiert den Preis außerhalb der Spitzenzeiten erneut, auf die USA festgelegte Claude-Inferenz kostet 1.1x.

In welchen Einheiten rechnen AI APIs ab?

Es sind siebzehn. Die folgenden Abschnitte behandeln sie in dieser Reihenfolge: Verbrauchseinheiten (1 bis 10), Zeit- und Kapazitätseinheiten (11 bis 16) sowie synthetische Hüllen (17). Hinzu kommt eine Ebene mit Preisfaktoren, die den Tarif ändern, aber nicht die Einheit. Die Tabelle dient als Referenz, jede Zeile führt zur ausführlichen Erklärung.

Welche Einheiten messen den tatsächlichen Verbrauch?

Zehn der siebzehn Einheiten messen Verbrauch: Der Zähler läuft bei Nutzung des Dienstes. Jede Modalität zählt dabei etwas anderes.

Die Token-Familie (Einheiten 1 bis 5). Text-Token sind der Ausgangspunkt, aber keine einheitliche Größe. Jede Modellfamilie nutzt andere Tokenizer, deshalb ergibt derselbe Text unterschiedliche Mengen. Laut Anthropic erzeugt der Tokenizer ab Version 4.7 für denselben Text etwa 30% mehr Token als sein Vorgänger. Reasoning-Token sind Ausgabe-Token, die meist nicht sichtbar sind. Bei einer Antwort mit 10 Token haben wir 81 berechnete Token gemessen, davon 88% für Reasoning. Der Preis gecachter Token richtet sich nach Operation und Cache-Lebensdauer (TTL): Bei der Claude API kostet ein Cache-Write mit 5 Minuten Laufzeit das 1.25-Fache der Basiseingabe, mit 1 Stunde Laufzeit das 2-Fache, ein Read dagegen das 0.1-Fache. Medieneingaben werden mit anbieterspezifischen Formeln in Token umgerechnet: Ein Bild mit 1024x1024 Pixeln kostet 693, 1,089 beziehungsweise 1,372 Token bei GPT-5.6, Gemini und Claude. Gemini berechnet für Audio 25 Token pro Sekunde und für 720p-Video 5,792 Token pro Sekunde, PDFs werden zum Tarif für Bild-Token abgerechnet. Realtime-Sprache nutzt eigene Token: gpt-realtime-2.1 berechnet exakt 1 Audio-Token pro 100 ms Sprache des Nutzers und 1 pro 50 ms Modellausgabe.

Zeichen und Zeit (Einheiten 6 und 7). Text-to-Speech (TTS) wird pro Zeichen abgerechnet. OpenAI nennt $15 bis $30 pro Million Zeichen. Deshalb kostet gesprochenes Chinesisch pro Audiominute 3 bis 7x weniger als Englisch: Für dieselbe Sprechdauer werden weniger Zeichen benötigt. Bedrocks Guardrails definieren eine eigene Zeicheneinheit, eine “Texteinheit” mit bis zu 1,000 Zeichen. Dedizierte Modelle zur Transkription rechnen pro Audiominute ab, bei den von uns gemessenen Modellen zwischen $0.0020 und $0.0164. Videogenerierung wird je nach Auflösung pro Sekunde berechnet, Gemini berechnet Musik pro Song.

Objekte, Requests und Seiten (Einheiten 8 bis 10). Bildgenerierung wird je nach Tarifstufe pro Bild oder pro Ausgabe-Token berechnet. Welche Variante günstiger ist, hängt von der Menge ab: Unter etwa 1,000 Ausgabe-Token gewinnt der Token-Tarif, darüber der Pauschalpreis pro Bild. Serverseitige Tools werden pro Request abgerechnet: Websuche kostet auf den drei von uns untersuchten Plattformen $0.01 pro Suche. Die Ergebnisse werden anschließend erneut als Eingabe-Token berechnet, mit 1,500 bis 3,100 pro Suche. Beim Search Grounding von Gemini, bei dem das Modell während eines Requests Google Search abfragen kann, gilt zusätzlich ein Freikontingent: 5,000 kostenlose Requests pro Monat, danach $14 pro 1,000. OCR wird pro Seite abgerechnet. Für Modellevaluation durch Menschen verlangt Bedrock $0.21 pro abgeschlossener Aufgabe. Es ist die einzige Einheit in diesem Zoo, deren Nenner Menschen sind.

Welche Einheiten berechnen stattdessen Zeit oder Kapazität?

Sechs Einheiten berechnen reservierte Ressourcen, unabhängig davon, ob Token fließen. Hier liegen Kostenschätzungen besonders häufig daneben, weil der Zähler auch dann läuft, wenn der eigene Code nichts tut.

• GPU-Sekunden. Serverless Hosts rechnen die Laufzeit eines Modells nach Hardwareklasse ab: Bei Replicate kostet eine T4 $0.000225 pro Sekunde und eine H100 $0.001525. Der Preis richtet sich nach der GPU, nicht nach der Ausgabe.
• Container- und Session-Stunden. Anthropic berechnet für Codeausführung $0.05 pro Containerstunde nach 1,550 kostenlosen Stunden im Monat, mit mindestens 5 Minuten pro Ausführung. OpenAIs Code Interpreter wird pro 20-minütiger Session nach Arbeitsspeicher abgerechnet, von $0.03 für 1 GB bis $1.92 für 64 GB. Claudes Managed Agents kosten $0.08 pro Session-Stunde, auf die Millisekunde genau und nur während der Ausführung.
• GB-Tage und Token-Stunden. Zwei Storage-Zähler für dasselbe Konzept. OpenAI File Search Storage kostet $0.10 pro GB-Tag, wobei 1 GB kostenlos ist. Für explizites Context Caching berechnet Gemini $0.50 pro Million Token und Stunde, ab 2027 dann $1.00. Ein vergessener Cache wird unbemerkt zum Abonnement.
• PTU-Stunden und Model Units. Bereitgestellte Kapazität wird unabhängig vom Traffic pro Einheit und Stunde berechnet. Azure Provisioned Throughput Units (PTUs) sind modellunabhängige Kontingente mit modellspezifischen Mindestgrößen für Deployments. Ausgabe-Token verbrauchen mehr Kapazität als Eingabe-Token, gecachte Token gar keine. Eine hohe Cache-Hit-Rate senkt daher die benötigte PTU-Anzahl. Bedrock verkauft dasselbe Modell als Model Units mit Laufzeiten von 1 oder 6 Monaten.
• Training-Token. Fine-Tuning wird pro Token in den Trainingsdaten multipliziert mit der Anzahl der Epochen berechnet. Einige Anbieter rechnen stattdessen nach Laufzeit ab: Bestimmte OpenAI-Modelle kosten $100 pro Trainingsstunde.

Was ändert den Tarif, ohne die Einheit zu ändern?

Sieben Faktoren ändern den Preis einer Einheit, nicht aber die Einheit selbst: Batch-Tier, Service-Tier, Uhrzeit, Kontextlänge, Region, Qualitätsregler und Freikontingente. Billing-Code mit nur einem Preis pro Modell bildet keinen dieser Faktoren korrekt ab. Derselbe Token kann je nach Verarbeitung, Zeitpunkt und Ort unterschiedlich viel kosten.

Die Faktoren werden miteinander multipliziert. Laut Anthropic werden Cache-Faktoren mit dem Batch-Rabatt und dem Aufpreis für Datenresidenz kombiniert. Ein gecachter, im Batch verarbeiteter und auf die USA festgelegter Token unterliegt damit drei Faktoren gleichzeitig.

Was sind Credits und CCUs?

Sie sind synthetische Hüllen um die eigentlichen Zähler und sorgen dafür, dass auf der Rechnung nur eine Position erscheint. Wird Claude über AWS oder Azure Marketplace abgerechnet, wird die Nutzung zunächst anhand der normalen Einheitspreise in Dollar bewertet und anschließend mit 100 CCU pro Dollar in Claude Consumption Units umgerechnet. Rabatte erscheinen als weniger erfasste CCUs, nicht als günstigerer CCU-Preis. Abonnementprodukte nutzen denselben Mechanismus mit Credits. Die Grenze kann sogar innerhalb eines Unternehmens verlaufen: ElevenLabs erfasst seine Abonnements in Credits, weist aber darauf hin, dass API-Nutzung in US-Dollar statt in Credits abgerechnet wird. Bei einer synthetischen Einheit muss deshalb geklärt werden, welcher Verbrauchs- oder Kapazitätszähler darunterliegt und wie die Umrechnung erfolgt.

Welche Rundungsregeln und Mindestwerte sorgen für Probleme?

Diese Quantisierungsregeln stehen gesammelt an einer Stelle, da jede aus einer anderen Dokumentation stammt:

• Container für Codeausführung werden für mindestens 5 Minuten berechnet. Sind Dateien im Request enthalten, fällt Ausführungszeit an, selbst wenn das Tool nie aufgerufen wird.
• Code-Interpreter-Sessions werden je RAM-Tier in 20-Minuten-Blöcken abgerechnet.
• Realtime-Sprache wird pro Audio-Token in Einheiten von 100 ms gehört / 50 ms gesprochen quantisiert. 60 Sekunden Stille kosteten mit serverseitiger Voice Activity Detection (VAD) nichts. Wurde eine gesprochene Antwort nach 2 Sekunden abgebrochen, wurden 4 Sekunden berechnet.
• Bei der Bildgenerierung mit n=4 wird der Prompt viermal berechnet. Prompt Caching gibt es auf dieser Schnittstelle nicht.
• Bei Video-Token enthält die Formel einen zusätzlichen Frame, außerdem weichen die codierten Abmessungen von den beworbenen ab: 720p wird als 1248x704 berechnet.
• Prompt Caches haben anbieterabhängige Mindestlängen für cachebare Inhalte. Unterhalb des Mindestwerts fällt der Write-Aufschlag an, ohne dass etwas gecacht wird.
• Guardrail-Texteinheiten werden pro 1,000 Zeichen aufgerundet.
• Tooldefinitionen werden bereits vor einem Aufruf als Eingabe berechnet: Der Tool-Use-System-Prompt von Anthropic fügt je nach Modell und Toolauswahl 286 bis 804 Token hinzu, ein vollständiges Computer-Use-Toolset etwa 4,500.

Wie lassen sich Kosten über verschiedene Einheiten hinweg vergleichen?

Kosten sollten auf Dollar pro Nutzerinteraktion normiert werden. Nur in diese Einheit lassen sich alle Zähler umrechnen.

Genau das haben wir in unserer Untersuchung zu Voice Agents getan: Ein Kaskaden-Stack mit Audiominuten für Spracherkennung, Token für das LLM und Zeichen für TTS kam auf $0.0037 bis $0.025 pro Gesprächsminute, gegenüber $0.057 für gpt-realtime-2.1 und $0.016 für die Mini-Variante. So lassen sich der Aufpreis für Realtime-Verarbeitung und der Latenzvorteil in einer einzigen vergleichbaren Zahl ausdrücken. Das Verfahren lässt sich allgemein anwenden: Zuerst wird die Interaktion festgelegt, etwa ein Support-Ticket, ein Dokument oder eine Gesprächsminute. Anschließend wird jeder Verarbeitungsschritt in seiner nativen Einheit erfasst und zum aktuellen Tarif bewertet. Erst danach werden die Ergebnisse verglichen. $/1M Token direkt mit $/Audiominute zu vergleichen, vermischt unterschiedliche Kategorien. $/Interaktion zu vergleichen, ist einfache Arithmetik.

Wie ein Gateway den Einheitenzoo normalisiert

Synthorai bewertet jeden Request bei der Verarbeitung und speichert die native Einheit zusammen mit dem Dollarbetrag. Jeder Request erzeugt einen Usage Record mit den nativen Zählerständen, also Token nach Klasse, Sekunden, Zeichen und Request-Anzahlen. Hinzu kommen die aufgelöste Preisversion und die berechneten Kosten. Dadurch lässt sich jede Rechnungsposition wieder in Einheit mal Tarif zerlegen. Es ist dieselbe Umrechnung, die ein CCU an der Marketplace-Grenze vornimmt, nur pro Datensatz und jederzeit nachvollziehbar. Das funktioniert auch mit dem Zero-Retention-Modus: Der Usage Record benötigt nur Zählerstände und einen Content Hash, nicht den Payload. Ändert ein Anbieter seine Preise, legt die Preisversion fest, mit welcher Preisliste jeder historische Datensatz bewertet wurde. So wird die Abstimmung zum Monatsende zu einem Audit statt zu einer Diskussion.

FAQ

Sind Audio-Token und Text-Token dasselbe?

Nein. Realtime-Audio-Token sind ein eigener Zähler mit eigenen Preisen. Bei gpt-realtime-2.1 deckt ein Token 100 ms gehörte oder 50 ms gesprochene Sprache ab. Das entspricht $0.0192 pro Minute fürs Zuhören und $0.0768 pro Minute fürs Sprechen. Selbst innerhalb desselben Modells gelten für Audio und Text getrennte Preislisten.

Warum kostet dasselbe Bild bei verschiedenen Anbietern unterschiedlich viele Token?

Nicht das Bild unterscheidet sich, sondern das Umrechnungsverfahren: Patch-Formeln, begrenzte Tiles und Pauschalpreise existieren parallel. Für ein Bild mit 1024x1024 Pixeln haben wir 693 Token bei GPT-5.6, 1,089 bei Gemini und 1,372 bei Claude gemessen. Dateiformat und Inhalt änderten die Token-Anzahl nicht.

Zählen gecachte Token als Eingabe-Token?

Sie werden separat erfasst und je nach Operation bepreist: Cache-Writes kosten mehr als die Basiseingabe, bei der Claude API je nach TTL 1.25x oder 2x. Reads kosten mit 0.1x weniger. Bei bereitgestellter Kapazität ist die Unterscheidung doppelt relevant: Gecachte Token verbrauchen keine PTU-Kapazität. Caching senkt damit sowohl die Rechnung als auch die Kapazität, die reserviert werden muss.

Ist eine Abrechnung pro Zeichen oder pro Minute bei Sprache günstiger?

Das hängt von der Sprache ab. Bei zeichenbasierter TTS ist gesprochenes Chinesisch pro Audiominute 3 bis 7x günstiger als Englisch, weil Chinesisch mehr gesprochene Inhalte in weniger Zeichen unterbringt. Eine minutenbasierte Abrechnung ist sprachneutral. Die von uns gemessenen Transkriptionsmodelle kosteten bei sauberer Sprache und nahezu gleicher Genauigkeit $0.0020 bis $0.0164 pro Audiominute.

Die Definitionen der Einheiten und Tarife stammen aus den am 2026-08-30 abgerufenen Preisseiten der Anbieter sowie aus unseren jeweils verlinkten Messungen. Preise ändern sich häufiger als Einheitenmodelle. Prüfen Sie trotzdem die verlinkte Quelle, bevor Sie einen Wert fest im Billing-Code hinterlegen.

Weitere Messstudien: Token-Aufteilung, Prompt Caching, Cache-Mindestgrößen, Token für Bildeingaben, Bildgenerierung, Transkription, Spracherkennung, Realtime-Sprache, Videogenerierung, Websuche, Voice Agents, Tokenizer, Kosten nach Sprache.

← Zurück zum Blog