Compteur de tokens IA & calculateur de coûts LLM.

Un compteur de tokens est un outil qui vous indique en combien de tokens un texte se transforme dès qu'un modèle de langage le lit. Les modèles sont facturés, plafonnés et limités en débit en tokens plutôt qu'en mots : c'est donc ce décompte qui décide si un prompt tient et ce qu'il coûte. Ce compteur de tokens exécute le véritable tokenizer dans votre navigateur pour 34 modèles de 7 fournisseurs, et affiche ensemble le décompte, le coût et la part de la fenêtre de contexte.

Un token est l'unité de base du texte traitée par un modèle d'IA. Ce peut être un mot entier, un fragment de mot, un signe de ponctuation ou un caractère isolé. Les mots anglais courants valent généralement un token chacun, tandis que les mots plus longs ou plus rares se découpent en morceaux — « tokenization » arrive au modèle sous la forme de « token » plus « ization ». Pour de l'anglais ordinaire, un token fait en moyenne environ 4 caractères, soit 0.75 de mot.

Environ 4 caractères de prose anglaise, ce qui revient à peu près à 0.75 de mot. C'est une moyenne, pas une règle : « the » est un token de trois caractères, alors qu'une longue URL ou un bloc base64 peut coûter un token par caractère. En argent, un token d'entrée sur GPT-5.6 Terra vaut $0.000002 — d'où l'habitude d'annoncer les tarifs au million plutôt qu'au token.

Tokeniser un texte, c'est le découper dans les unités de vocabulaire que le modèle lit réellement, puis associer à chaque unité un identifiant entier. Le modèle ne voit jamais vos caractères : il voit cette liste d'identifiants. La tokenisation est déterministe — le même texte produit toujours les mêmes tokens — et réversible : décoder les identifiants restitue le texte d'origine octet pour octet. Compter les tokens revient à tokeniser le texte et à annoncer combien de morceaux en sont sortis.

La classification en cinq types vient de la théorie des compilateurs et non de l'IA : un analyseur lexical trie le code source en mots-clés, identifiants, opérateurs, séparateurs et littéraux. Les modèles de langage n'utilisent pas ces catégories. Pour la tokenisation des LLM, le découpage utile est différent — mots entiers, fragments de sous-mots, caractères isolés ou octets bruts, ponctuation et espaces, et tokens de contrôle spéciaux comme les marqueurs de fin de texte. Seule cette dernière catégorie est ajoutée par l'API et non par votre texte.

Environ 750 mots de prose anglaise, sur le ratio de travail de 0.75 mot par token. Dans l'autre sens, 1 000 mots représentent à peu près 1 333 tokens. Les deux sens sont des estimations et ne valent que pour la prose : 1 000 tokens de JSON minifié, de code source ou de texte en hindi et en japonais portent bien moins de mots que cela. C'est exactement pour cette raison que compter vaut mieux que diviser.

Environ 150 000 mots, soit à peu près 300 pages imprimées à 500 mots la page — un roman complet. C'est aussi une taille de fenêtre de contexte courante : la vraie question est donc généralement « est-ce que cela tient dans 200K ». En dépense, 200 000 tokens d'entrée coûtent $0.400 sur GPT-5.6 Terra et $0.030 sur GPT-4o Mini.

Environ 750 000 mots, soit à peu près 1 500 pages imprimées — disons huit romans moyens. Plusieurs modèles acceptent désormais autant en une seule requête : GPT-5.6 Sol dispose d'une fenêtre de 1M tokens et Claude Sonnet 5 de 1M. Lire un million de tokens à voix haute prendrait dans les quatre-vingt-dix heures.

À peu près 1 500 000 mots, soit environ 3 000 pages imprimées. Aucun modèle du sélecteur n'en accepte autant en une seule requête — la plus grande fenêtre ici est de 1M tokens — donc deux millions décrivent d'ordinaire un budget mensuel ou un ensemble de documents qu'il faudra découper. En dépense, cela fait $4.00 d'entrée sur GPT-5.6 Terra, ou $0.300 sur GPT-4o Mini.

« 1M tokens » est l'abréviation d'un million de tokens, et l'expression apparaît à deux endroits. Comme fenêtre de contexte, cela signifie que le modèle peut retenir d'un coup environ 750 000 mots de prompt, de documents et d'historique. Comme unité de tarification, c'est ainsi que chaque fournisseur annonce ses tarifs — $2.00 par 1M de tokens d'entrée sur GPT-5.6 Terra revient à $0.000002 le token. Cela n'a rien à voir avec les tokens des cryptomonnaies.

Sur GPT-5.6 Terra, à $2.00 le million, 1 000 tokens d'entrée coûtent $0.00200 et 1 000 tokens de sortie $0.012 — la sortie est toujours la direction coûteuse. Sur l'ensemble du sélecteur, ces mêmes 1 000 tokens d'entrée vont de $0.00015 sur GPT-4o Mini à $0.010 sur Claude Fable 5, un écart de 67×. Le texte ne change pas ; seule la facture change.

Un million de tokens fait exactement une unité de facturation — tous les fournisseurs annoncent leurs tarifs au million, c'est donc le chiffre imprimé sur la page de tarification. Sur GPT-5.6 Terra, un million de tokens d'entrée vaut $2.00, ce qui signifie qu'un dollar achète 500 000 tokens, soit environ 375 000 mots. La sortie est plus chère, à $12.00 le million. Au bas de la fourchette, GPT-4o Mini prend $0.150 : le même dollar va donc 13 fois plus loin.

Votre nombre de tokens multiplié par le tarif officiel du modèle sélectionné, l'entrée et la sortie étant tarifées séparément. Collez ou déposez du texte ici : il est compté comme de l'entrée, et le coût par appel s'affiche aussitôt. L'entrée mise en cache — lorsque des requêtes successives partagent un préfixe de prompt — coûte encore moins cher : $0.200 le million sur GPT-5.6 Terra contre $2.00 au tarif normal. Les tarifs proviennent de la page de tarification de chaque fournisseur et sont revérifiés régulièrement.

Trois manières, par ordre décroissant d'effort. Collez le texte dans le compteur en haut de cette page et lisez le nombre — exact pour les modèles OpenAI, car le véritable vocabulaire o200k_base s'exécute dans votre navigateur. Appelez vous-même une bibliothèque de tokenisation : tiktoken pour OpenAI, SentencePiece pour Google, la bibliothèque tokenizers de Hugging Face pour les modèles ouverts. Ou divisez votre nombre de caractères par 4 pour une estimation grossière, qui dérive fortement sur le code, le JSON et les écritures non latines.

Pour une réponse rapide, collez du texte ou déposez un fichier dans le compteur ci-dessus : le décompte apparaît à la frappe — sans compte, sans clé d'API, sans rien envoyer. En code, utilisez le tokenizer du fournisseur lui-même : len(enc.encode(text)) avec tiktoken en Python, ou js-tiktoken en JavaScript. Là où le vocabulaire n'est pas publié, passez plutôt par le point d'accès de comptage du fournisseur — celui d'Anthropic, count-tokens, est le seul moyen exact d'obtenir un chiffre pour Claude.

Par une passe de byte-pair encoding, et non en comptant des caractères ou des mots. Le tokenizer découpe votre texte avec une expression régulière fixe, puis fusionne à répétition la paire d'octets adjacents la plus fréquente selon une table de fusions apprise à l'entraînement, jusqu'à ce qu'aucune fusion ne s'applique plus. Les morceaux restants sont les tokens, chacun associé à un identifiant entier. o200k_base, l'encodage des modèles OpenAI actuels, en contient environ 200 000 ; le plus ancien cl100k_base, environ 100 000.

Pour les modèles OpenAI, exactement — le vocabulaire BPE open source d'OpenAI s'exécute dans votre navigateur, le nombre affiché est donc celui qui vous sera facturé. 11 des 56 modèles de la comparaison sont comptés ainsi. Anthropic, Google, xAI, DeepSeek et Meta ne publient pas leurs tokenizers : ces décomptes sont donc des estimations calibrées, signalées comme telles à côté du total. À considérer comme un bon repère, pas comme un montant de facturation.

Oui. PDF, DOCX, TXT, Markdown, JSON, CSV et XML sont pris en charge, jusqu'à 10 Mo, et plusieurs fichiers à la fois ne posent aucun problème — chacun obtient sa ligne et les totaux s'additionnent. Les PDF sont analysés entièrement dans votre navigateur grâce à PDF.js ; rien n'est envoyé. Un PDF scanné sans texte intégré ne peut pas être lu, et l'outil vous en informe au lieu de renvoyer un décompte trompeur.

Il convertit du texte en identifiants entiers que le modèle peut traiter, et les reconvertit dans l'autre sens. Concrètement : il découpe le texte en fragments candidats avec une expression régulière, applique à chaque fragment des fusions de paires d'octets contre un vocabulaire fixe, et émet un identifiant par morceau restant. Il gère aussi les cas ingrats — l'espace initiale qui fait de « hello » et de « hello » précédé d'une espace deux tokens distincts, les octets qui ne sont pas de l'UTF-8 valide, et les tokens de contrôle qui marquent le début et la fin d'un message.

Toute opération sur du texte effectuée par un modèle commence et finit par un tokenizer : c'est lui qui rend votre saisie lisible par le modèle, tout simplement. En dehors du modèle, on en utilise un pour compter les tokens avant d'envoyer une requête, estimer le prix d'un prompt, vérifier qu'un document tient dans une fenêtre de contexte, découper du texte pour une base vectorielle sur des frontières de tokens plutôt que de caractères, et élaguer un historique de conversation pour qu'il continue de tenir.

La tokenisation consiste à découper un texte dans les unités que le modèle lit. « Token counter » fait deux tokens, parce que les deux mots sont assez courants pour avoir chacun leur entrée de vocabulaire — et l'espace appartient au second : « counter » précédé d'une espace et « counter » sans espace sont deux tokens différents. Le mot « tokenization » est plus rare : il se découpe en « token » plus « ization », soit un mot pour deux tokens. Plus rare encore, cela se morcelle davantage — « unbelievably » coûte trois tokens, en « un » plus « bel » plus « ievably ». Le visualiseur ci-dessus montre le découpage exact de n'importe quel texte que vous collez.

En IA, l'éditeur du modèle lui-même. OpenAI publie tiktoken, Google a ouvert le code de SentencePiece, Meta livre son tokenizer avec les poids de Llama, et la bibliothèque tokenizers de Hugging Face implémente BPE, WordPiece et Unigram pour les modèles ouverts. Anthropic, le Gemini de Google et xAI gardent leurs vocabulaires de production fermés et proposent à la place des points d'accès de comptage. Si vous cherchiez la tokenisation des paiements, c'est un service sans rapport, assuré par les réseaux de cartes bancaires et les prestataires de paiement.

Choisissez un algorithme — BPE, WordPiece ou Unigram — rassemblez un corpus qui ressemble au texte que vous traiterez réellement, fixez une taille de vocabulaire, puis lancez un entraîneur comme tokenizers de Hugging Face ou SentencePiece : il produit un vocabulaire et une table de fusions. Un vocabulaire plus grand signifie moins de tokens par document, mais une matrice d'embeddings plus lourde. Une réserve compte plus que toutes les autres : on ne peut pas réentraîner le tokenizer d'un modèle existant, car son vocabulaire est soudé aux poids d'embeddings.

Oui, totalement gratuit et sans limites — pas d'inscription, pas de clé d'API, pas de version d'essai, pas d'offre payante qui retiendrait la partie utile. Tout fonctionne dans votre navigateur : il n'y a donc aucune consommation à mesurer et rien à vous facturer, vous pouvez compter 1 000 000 tokens aussi facilement que dix. Les 34 modèles du sélecteur sont tous accessibles à tout le monde, et l'import de fichiers aussi.

Non. Le tokenizer, la lecture des fichiers et les calculs s'exécutent tous localement, dans la page que vous avez déjà sous les yeux. Rien n'est jamais envoyé à un serveur, parce qu'il n'y a aucun serveur où l'envoyer — c'est précisément ce qui rend l'outil utilisable sur un projet de contrat, une spécification non publiée ou un échange client. Fermez l'onglet et il ne reste rien.