Cobrança de APIs de IA: 17 unidades, de tokens a horas de PTU

As APIs de IA medem o uso em pelo menos 17 unidades distintas: tokens de texto, tokens de raciocínio, tokens em cache, tokens de mídia de entrada, tokens de áudio em tempo real, caracteres, minutos e segundos de mídia, objetos de saída, requisições, páginas, GPU-segundos, horas de container, GB-dias, token-horas, PTU-horas, tokens de treinamento e créditos sintéticos. Quem estima o custo de um produto que trabalha com mais de uma modalidade precisa converter várias dessas unidades. É justamente nessas regras de conversão que os orçamentos costumam falhar. Este é um guia prático de cada unidade, de como ela é medida e das armadilhas envolvidas.

TL;DR

• As APIs de IA cobram em pelo menos 17 unidades distintas, distribuídas por quatro camadas: consumo, tempo e capacidade, modificadores de tarifa e abstrações sintéticas.
• Um minuto de áudio pode ser cobrado de duas formas: $0.0020 a $0.0164 por minuto de áudio em serviços dedicados de transcrição, ou 1 token de áudio a cada 100 ms ouvidos no gpt-realtime-2.1.
• Só o armazenamento já tem dois medidores: o file search da OpenAI cobra $0.10 por GB-dia; o cache de contexto do Gemini cobra $0.50 por milhão de tokens por hora.
• Modificadores alteram a tarifa, não a unidade: batch custa metade, o horário de menor demanda da DeepSeek reduz o preço novamente pela metade, e a inferência do Claude fixada nos EUA custa 1.1x.

Em quais unidades as APIs de IA cobram?

São dezessete, na ordem das seções abaixo: unidades de consumo (1 a 10), unidades de tempo e capacidade (11 a 16) e abstrações sintéticas (17), além de uma camada de modificadores que altera as tarifas sem mudar as unidades. A tabela serve como referência, e cada linha aponta para a explicação detalhada.

Quais unidades medem o que você consome?

Dez das dezessete unidades medem consumo: o medidor avança conforme o serviço é usado, e cada modalidade escolheu uma grandeza diferente para contar.

A família dos tokens (unidades 1 a 5). Os tokens de texto são a referência, mas não formam uma unidade única. Cada família de modelos usa tokenizers diferentes, então o mesmo texto gera cobranças com contagens distintas. A Anthropic documenta que seu tokenizer da versão 4.7 em diante produz cerca de 30% mais tokens para o mesmo texto que o anterior. Tokens de raciocínio são tokens de saída que normalmente não podem ser lidos; medimos 81 tokens cobrados em uma resposta de 10 tokens, dos quais 88% eram raciocínio. Tokens em cache têm preços definidos pela operação e pelo tempo de vida do cache (TTL): na API do Claude, gravar um cache de 5 minutos custa 1.25x a tarifa-base de entrada, gravar por 1 hora custa 2x e ler custa 0.1x. Entradas de mídia são convertidas em tokens por fórmulas próprias de cada provedor: uma imagem de 1024x1024 gera cobranças de 693, 1.089 e 1.372 tokens no GPT-5.6, Gemini e Claude, respectivamente. O Gemini contabiliza áudio a 25 tokens por segundo e vídeo 720p a 5.792 tokens por segundo, além de cobrar PDFs pela tarifa de tokens de imagem. A fala em tempo real tem um token próprio: o gpt-realtime-2.1 cobra exatamente 1 token de áudio a cada 100 ms de fala do usuário e 1 a cada 50 ms de fala do modelo.

Caracteres e tempo (unidades 6 e 7). Text-to-speech (TTS) cobra por caractere (a OpenAI lista valores de $15 a $30 por milhão de caracteres). Por isso, a fala em chinês custa de 3 a 7x menos que em inglês por minuto de áudio: o mesmo tempo de fala exige menos caracteres. Os guardrails do Bedrock definem uma unidade própria de caracteres, uma “unidade de texto” de até 1.000 caracteres. Modelos dedicados de transcrição cobram por minuto de áudio, de $0.0020 a $0.0164 entre os modelos que medimos. A geração de vídeo cobra por segundo conforme a resolução; o Gemini cobra música por faixa.

Objetos, requisições e páginas (unidades 8 a 10). A geração de imagens cobra por imagem e categoria de qualidade ou por token de saída, e existe um ponto de equilíbrio entre as duas formas: a cobrança por token é mais vantajosa abaixo de cerca de 1.000 tokens de saída, enquanto o preço fixo por imagem ganha acima disso. Ferramentas executadas no servidor cobram por requisição: a busca na web custa $0.01 por consulta nas três interfaces que medimos, e os resultados ainda são cobrados como tokens de entrada (1.500 a 3.100 por busca). O grounding de busca do Gemini, que permite ao modelo consultar o Google Search durante a requisição, adiciona uma cota: 5.000 requisições gratuitas por mês e, depois disso, $14 por 1.000. OCR cobra por página. A avaliação de modelos do Bedrock cobra $0.21 por tarefa humana concluída, a única unidade desse conjunto expressa em pessoas.

Quais unidades cobram pelo tempo ou pela capacidade reservada?

Seis unidades cobram pela reserva de recursos, independentemente de haver fluxo de tokens. É nessa camada que as estimativas mais erram, porque o medidor continua rodando enquanto o código não faz nada.

• GPU-segundos. Hosts serverless cobram o tempo de execução do modelo conforme a categoria de hardware: na Replicate, uma T4 custa $0.000225 por segundo e uma H100 custa $0.001525. A unidade precifica a placa, não a saída.
• Horas de container e sessão. A execução de código da Anthropic cobra $0.05 por hora de container após 1.550 horas gratuitas por mês, com mínimo de 5 minutos por execução. O code interpreter da OpenAI cobra por sessão de 20 minutos, com preço baseado na memória: $0.03 para 1 GB até $1.92 para 64 GB. Os agentes gerenciados do Claude custam $0.08 por hora de sessão, medidos ao milissegundo e somente durante a execução.
• GB-dias e token-horas. São dois medidores de armazenamento para o mesmo conceito. O armazenamento do file search da OpenAI custa $0.10 por GB-dia, com 1 GB gratuito. O cache explícito de contexto do Gemini cobra pelo armazenamento a $0.50 por milhão de tokens por hora, subindo para $1.00 em 2027. Um cache esquecido vira uma assinatura que você nem sabia que tinha.
• PTU-horas e unidades de modelo. A capacidade provisionada é cobrada por unidade-hora, independentemente do tráfego. As provisioned throughput units (PTUs) do Azure são uma cota independente do modelo, com tamanhos mínimos de implantação específicos para cada modelo. Tokens de saída consomem mais capacidade que os de entrada, e tokens em cache não consomem nenhuma. Uma taxa alta de acertos no cache reduz a quantidade de PTUs necessária. O Bedrock vende a mesma estrutura como unidades de modelo, com compromissos de 1 ou 6 meses.
• Tokens de treinamento. O fine-tuning cobra por token dos dados de treinamento multiplicado pelo número de épocas, exceto quando a cobrança segue o tempo decorrido: alguns modelos da OpenAI listam $100 por hora de treinamento.

O que altera a tarifa sem mudar a unidade?

Sete fatores mudam o preço de uma unidade sem alterar a unidade em si: modalidade batch, nível de serviço, horário, tamanho do contexto, região, ajustes de qualidade e cotas gratuitas. Um código de cobrança que armazena apenas um preço por modelo erra em todos esses casos, porque o mesmo token tem preços diferentes conforme como, quando e onde é processado.

Os multiplicadores se acumulam. A Anthropic documenta que os multiplicadores de cache combinam com o desconto de batch e o acréscimo por residência. Assim, um único token em cache, processado em batch e fixado nos EUA recebe três fatores ao mesmo tempo.

O que são créditos e CCUs?

São abstrações sintéticas sobre os medidores reais, usadas quando o faturamento precisa de um único item. Quando o Claude é cobrado pelo AWS ou Azure Marketplace, o uso é primeiro calculado em dólares pelas tarifas normais de cada unidade e depois convertido em Claude Consumption Units, à razão de 100 CCU por dólar. Os descontos aparecem como menos CCUs contabilizados, não como um CCU mais barato. Produtos por assinatura usam o mesmo mecanismo com créditos, e a separação pode existir dentro da mesma empresa: a ElevenLabs mede seus planos de assinatura em créditos, mas informa que o uso da API é cobrado em dólares americanos, não em créditos. Diante de uma unidade sintética, é preciso identificar qual medidor de consumo ou capacidade está por baixo e qual é a taxa de conversão.

Quais regras de arredondamento e valores mínimos causam problemas?

Estas são as regras de quantização, reunidas em um só lugar porque cada uma aparece em um documento diferente:

• Containers de execução de código têm cobrança mínima de 5 minutos, e incluir arquivos em uma requisição gera cobrança pelo tempo de execução mesmo que a ferramenta nunca seja chamada.
• Sessões de code interpreter são quantizadas em blocos de 20 minutos, conforme a categoria de RAM.
• A fala em tempo real é quantizada em 100 ms ouvidos / 50 ms falados por token de áudio. 60 segundos de silêncio não geraram cobrança com a detecção de atividade de voz (VAD) no servidor, e cancelar uma resposta falada após 2 segundos gerou cobrança de 4 segundos.
• Na geração de imagens, usar n=4 cobra o prompt novamente quatro vezes; essa interface não oferece prompt caching.
• Tokens de vídeo incluem um acréscimo de +1 frame na fórmula e dimensões codificadas diferentes das anunciadas: 720p é cobrado como 1248x704.
• Prompt caches têm tamanhos mínimos armazenáveis específicos de cada provedor; abaixo do mínimo, você paga o acréscimo de gravação e nada é armazenado.
• Unidades de texto de guardrails são arredondadas para cima a cada 1.000 caracteres.
• Definições de ferramentas são cobradas como entrada antes de qualquer chamada: o system prompt de uso de ferramentas da Anthropic adiciona 286 a 804 tokens, dependendo do modelo e da escolha da ferramenta, e um conjunto completo de ferramentas de uso do computador adiciona cerca de 4.500.

Como comparar custos entre unidades?

Normalize tudo para dólares por interação do usuário, porque essa é a única unidade para a qual todos os medidores podem ser convertidos.

Foi exatamente isso que fizemos em nosso estudo de agentes de voz: uma arquitetura em cascata, cobrando minutos de áudio (reconhecimento de fala), tokens (LLM) e caracteres (TTS), custou $0.0037 a $0.025 por minuto de conversa, contra $0.057 no gpt-realtime-2.1 e $0.016 na versão mini. Assim, o custo adicional do processamento em tempo real e seu ganho de latência ficam expressos em um único número comparável. O procedimento vale para qualquer caso: escolha a interação (um chamado de suporte, um documento, um minuto de conversa), meça cada etapa em sua unidade nativa, aplique a tarifa atual de cada uma e só então compare. Comparar diretamente $/1M tokens com $/minuto de áudio é misturar categorias diferentes; comparar $/interação é apenas aritmética.

Como um gateway normaliza essas unidades

A abordagem da Synthorai é aplicar a tarifa no momento da requisição e manter a unidade nativa junto ao valor em dólares. Cada requisição gera um registro de uso contendo as medições nativas (tokens por categoria, segundos, caracteres e contagens de requisições), a versão de preços utilizada e o custo calculado. Assim, qualquer item de fatura pode ser decomposto novamente em unidade multiplicada pela tarifa. É a mesma conversão feita por uma CCU na fronteira do marketplace, mas aplicada a cada registro e mantida de forma auditável. Isso também funciona com o modo de retenção zero: o registro de uso precisa das medições e de um hash do conteúdo, nunca do payload. Quando o provedor altera o preço, a versão de preços registra qual tabela foi aplicada a cada evento histórico. Com isso, a conciliação no fim do mês vira uma auditoria, não uma discussão.

Perguntas frequentes

Tokens de áudio são iguais a tokens de texto?

Não. Tokens de áudio em tempo real usam um medidor e preços próprios: no gpt-realtime-2.1, um token cobre 100 ms de fala ouvida ou 50 ms de fala produzida, o que equivale a $0.0192 por minuto para ouvir e $0.0768 por minuto para falar. Os medidores de áudio e texto têm tabelas de preços separadas, mesmo dentro do mesmo modelo.

Por que a mesma imagem gera contagens de tokens diferentes entre provedores?

Porque o método de conversão muda, não a imagem: fórmulas por patches, tiles limitados e tarifas fixas coexistem. Uma imagem de 1024x1024 gerou 693 tokens no GPT-5.6, 1.089 no Gemini e 1.372 no Claude. O formato do arquivo e o conteúdo não alteraram a contagem em nenhum token.

Tokens em cache contam como tokens de entrada?

Eles são medidos separadamente e precificados conforme a operação: gravações no cache têm acréscimo sobre a entrada-base (1.25x ou 2x conforme o TTL na API do Claude), enquanto leituras recebem desconto (0.1x). Na capacidade provisionada, essa diferença conta duas vezes: tokens em cache não consomem capacidade de PTU, então o cache reduz tanto a cobrança quanto a capacidade que precisa ser reservada.

Para fala, é mais barato cobrar por caractere ou por minuto?

Depende do idioma. No TTS cobrado por caractere, a fala em chinês custa de 3 a 7x menos por minuto de áudio que a fala em inglês, porque o chinês concentra mais fala em menos caracteres; a cobrança por minuto não varia conforme o idioma. Para transcrição, os modelos cobrados por minuto que medimos ficaram entre $0.0020 e $0.0164 por minuto de áudio, com precisão quase igual em fala limpa.

As definições de unidades e tarifas foram obtidas nas páginas de preços dos provedores consultadas em 2026-08-30 e nos estudos que medimos, vinculados ao longo do texto. Os preços mudam; a estrutura das unidades muda mais devagar, mas confira a fonte indicada antes de fixar qualquer valor no código de cobrança.

Estudos relacionados com medições: anatomia dos tokens, prompt caching, mínimos de cache, tokens de entrada de imagem, geração de imagens, transcrição, reconhecimento de fala, fala em tempo real, geração de vídeo, busca na web, agentes de voz, tokenizers, custo por idioma.

← Voltar ao blog