İçeriğe geç

Multimodal Token: Görsel, Ses, Video LLM'lerde Nasıl Fiyatlandırılır?

Metin tek başına değil — 2026'da neredeyse her LLM görsel, ses, video alabilir. Bir görsel kaç token? Bir saat ses kaç dolar? Bir 4K video pahalı mı? Sağlayıcıların radikal farklı yaklaşımları, hesap formülleri, gerçek lab örnekleriyle.

Şükrü Yusuf KAYA
22 dakikalık okuma
Orta
Multimodal Token: Görsel, Ses, Video LLM'lerde Nasıl Fiyatlandırılır?
🎨🎵🎬 Üç yeni modalite, üç yeni maliyet senaryosu
Görsel: kabaca 100-1.500 token / fotoğraf. Ses: 50-100 token / saniye. Video: 100-300 token / saniye (frame + audio). Her sağlayıcının kendi formülü var. Bu derste o formülleri açacağız.

1️⃣ Görsel Token — Bir resim kaç token?#

Cevap modele göre çok değişir.

OpenAI (GPT-4o, GPT-5)#

Formül:
tile-based pricing
. Görsel 512×512 piksel "tile"lara bölünür.
  • Detail "low": 85 token sabit (image küçültülür, tek tile)
  • Detail "high": 85 + (170 × tile_count) token
Örnek: 1024×1024 görsel, detail high
  • Tile count = 4 (2×2)
  • Token = 85 + (170 × 4) = 765 token

Anthropic (Claude)#

Formül:
(width × height) / 750
token
  • 1024×1024 görsel = (1024×1024) / 750 = 1.398 token
⚠️ En pahalı. Claude görsel başına Sonnet 4.6'da ~0.0042(0.0042 (3/M × 1400).

Google Gemini#

Formül:
258 token / görsel
sabit (≤384×384 sonra resize)
  • Herhangi bir görsel: 258 token
✨ En ucuz. Görsel başına Gemini 2.5 Flash'ta $0.000019.

Karşılaştırma tablosu#

Sağlayıcı1024×1024 görselMaliyet
GPT-5765 token$0.00765
Sonnet 4.61.398 token$0.0042
Opus 4.71.398 token$0.021
Gemini 2.5 Flash258 token$0.000019
Gemini 2.5 Pro258 token$0.000322
Aynı görsel için 1.100× fiyat farkı (Gemini Flash vs Opus). Bu, "görsel-yoğun" iş yüklerinde model seçiminin ne kadar kritik olduğunu gösteriyor.
💡 Pro tip: detail=low için cep harçlığı
OpenAI'da
detail="low"
her görseli 85 token'a düşürür. Yüksek çözünürlük gerekmiyorsa (örn: "görselde araba var mı?"), 9× ucuza aynı işi yaparsın. Modül 5'te bu prensibi detaylı işleyeceğiz.

Gerçek hayat görsel senaryosu#

Senaryo: Bir e-ticaret sitesi, kullanıcılar tarafından yüklenen ürün fotoğraflarından otomatik açıklama üretiyor. Aylık 100K görsel.

Model seçimi etkisi#

ModelGörsel başına maliyetAylık
Opus 4.70.021+0.021 + 0.015 (output) = $0.036$3.600
Sonnet 4.60.0042+0.0042 + 0.003 = $0.0072$720
GPT-50.0077+0.0077 + 0.006 = $0.0137$1.370
GPT-5-mini0.0003+0.0003 + 0.0003 = $0.0006$60
Gemini 2.5 Flash0.00002+0.00002 + 0.00006 = $0.00008$8
Opus → Gemini Flash farkı: 450×. Same task, same image, neredeyse aynı kalite (basit ürün açıklaması).

Görsel maliyet stratejileri#

Strateji 1 — Çözünürlük downsize#

Görsel önişleme: PIL/Pillow ile boyut küçült API'ye gönderirken.
from PIL import Image
img = Image.open("photo.jpg")
img.thumbnail((1024, 1024))  # max 1024 kenar
img.save("photo_small.jpg", quality=85)
5MB 4K görselden 200KB 1024px görsele = %95 boyut. Görsel token'ları %50-70 azalır.

Strateji 2 — Detail control#

OpenAI'da
detail="low"
(basit görev) veya
detail="auto"
(model karar versin).

Strateji 3 — Pre-filtering#

Her görseli LLM'e göndermeden önce bir CV modeli ile filtrele:
  • Bu görselde X var mı? → küçük CNN ile evet/hayır
  • Sadece evet'lerin LLM'e gönder
Modül 6'da bu pattern'i detaylı işleyeceğiz.

Strateji 4 — Gemini-first for vision#

Gemini Flash görsel için muhteşem ucuz. Görsel ağırlıklı pipeline'ında default olsun.

2️⃣ Ses Token — Saniye başına ne öderiz?#

Ses iki şekilde işlenir:
  1. Transcript (Whisper, Deepgram, AssemblyAI gibi STT servisleri)
  2. Native audio (GPT-4o audio, Gemini audio — LLM doğrudan dinler)

Transcript yaklaşımı#

SağlayıcıFiyatNotlar
OpenAI Whisper API$0.006/dakikaÇok düşük latency, mükemmel kalite
Deepgram Nova-3$0.0043/dakikaTürkçe destek var, çoklu speaker
AssemblyAI$0.005/dakikaSpeaker diarization dahil
Local Whisper (large-v3)$0 (GPU saat)Open source, self-host
Bir saatlik ses transkripsiyonu: ~0.30−0.40(cloud)veya 0.30-0.40 (cloud) veya ~0.05 (self-host).

Native audio yaklaşımı#

ModelAudio input token rate
GPT-4o audio32 token/saniye
Gemini 2.5 (audio)32 token/saniye
Bir saatlik ses → 32 × 3600 = 115.200 token.
  • Gemini 2.5 Pro: 115K × 1.25/M=∗∗1.25/M = **0.144** (sadece input)
  • GPT-4o audio: 115K × 40/M(audioo¨zelfiyat)=∗∗40/M (audio özel fiyat) = **4.60**
⚠️ OpenAI'ın audio input fiyatı text input'tan 5-10× yüksek. Anthropic henüz native audio sunmuyor (2026 Q2).

Ses pipeline karar matrisi#

Transcript yeterli mi? (sadece ne söylendiği önemli)
  • ✅ Evet → Whisper/Deepgram + text LLM = $0.30/saat
  • ❌ Hayır (ton, duygu, speaker önemli) → native audio LLM = $4-5/saat
Self-host edilebilir mi? (data privacy, KVKK)
  • ✅ Evet → local Whisper large-v3 (1 RTX 4090 = saatte 60 saat ses transkripsiyonu)
Anlık latency önemli mi?
  • ✅ Evet → Deepgram streaming ($0.005/dk + 100ms latency)
  • ❌ Hayır → batch Whisper
🎯 Pro öneri
Üretimdeki ses iş yüklerinin %90'ında transcript yaklaşımı yeterli ve dramatik ucuz. Native audio sadece duygu/ton/speaker-attribution gibi gerçekten ses-spesifik işlerde değer. Default'unu transcript + text LLM yap.

3️⃣ Video Token — Saniye başına maliyet patlaması#

Video = görsel sekansı + ses. Maliyet hızla katlanır.

Gemini 2.5 video#

Gemini natively video alır. Formül:
  • Default mode (low-res): 1 frame/saniye, 258 token/frame, 32 token/sn audio = 290 token/saniye
  • High-res mode: 1 frame/saniye, 1024 token/frame = 1.056 token/saniye
Video uzunluğuDefaultHigh-res
1 dakika17.400 token63.360 token
10 dakika174K633K
1 saat1.04M3.8M

Maliyet (Gemini 2.5 Pro, default mode)#

  • 1 dakika: 17K × 1.25/M=∗∗1.25/M = **0.022**
  • 10 dakika: 174K × 1.25/M=∗∗1.25/M = **0.218**
  • 1 saat: 1.04M × 2.50/M(200Ku¨stu¨tier!)=∗∗2.50/M (200K üstü tier!) = **2.60**

GPT-5 video (frame extraction)#

GPT-5 native video desteklemiyor (2026 Q2). Onun yerine:
  1. Video'yu ffmpeg ile frame'lere ayır
  2. Her frame'i image olarak gönder
Bir dakikalık video, 30 fps:
  • 1800 frame × 765 token = 1.4M token
  • 1.4M×1.4M × 10/M (GPT-5) = $14/dakika ⚠️ ölümcül pahalı
GPT-5 video için Gemini'den 600× daha pahalı.

Anthropic video#

Native video desteği yok (2026 Q2). Multi-image olarak parçalanır.
🎬 Video uyarısı
Video iş yüklerinde sağlayıcı seçimi belirleyici. Gemini Pro / Flash neredeyse default seçim. GPT/Claude video için kullanmak (multi-image fallback) 8-50× pahalıya gelir. Eğer use case'in video ise, Gemini'yi öncelik yap.

Video maliyet stratejileri#

Strateji 1 — Frame skipping#

30 fps videodan saniyede 1 frame al → token sayısı 30× azalır. Çoğu video analizi için yeterli (snapshot kalitesi).

Strateji 2 — Audio-first approach#

Eğer videoda asıl içerik konuşma ise:
  1. Audio'yu çıkar (ffmpeg
    -vn
    flag)
  2. Whisper ile transkript et ($0.006/dk)
  3. Sadece transkripti LLM'e gönder
90% maliyet düşüşü birçok use case'te.

Strateji 3 — Önişleme#

Video'yu önce CV ile filtrele:
  • Sahne değişikliklerini tespit et
  • Sadece değişen sahneleri LLM'e gönder

Strateji 4 — Düşük çözünürlük#

1080p → 480p resize: %75 token tasarrufu

Strateji 5 — Gemini'nin native video API'sini kullan#

Frame-by-frame işleme yerine Gemini'nin video processing'ini kullan — built-in batching ile %30 daha ucuz.

Lab — Multimodal maliyet hesaplayıcısı yaz#

Aşağıdaki fonksiyonu kendin yaz, test et:
python
def multimodal_cost(
    text_input_tokens: int = 0,
    text_output_tokens: int = 0,
    image_count: int = 0,
    image_resolution: tuple = (1024, 1024),
    audio_seconds: int = 0,
    video_seconds: int = 0,
    model: str = "gemini-2.5-flash",
) -> dict:
    """Multimodal istek maliyetini tahmin eder."""
 
    # Model fiyatları (sadeleştirilmiş)
    MODELS = {
        "gpt-5":          {"in": 10.0, "out": 30.0, "img_token": "tile", "audio_token_per_sec": 32, "video_native": False},
        "sonnet-4.6":     {"in": 3.0,  "out": 15.0, "img_token": "anth", "audio_token_per_sec": None, "video_native": False},
        "gemini-2.5-pro": {"in": 1.25, "out": 5.0,  "img_token": 258, "audio_token_per_sec": 32, "video_native": True},
        "gemini-2.5-flash": {"in": 0.075, "out": 0.30, "img_token": 258, "audio_token_per_sec": 32, "video_native": True},
    }
    m = MODELS[model]
 
    # Görsel token hesabı
    if m["img_token"] == "tile":
        # OpenAI tile-based
        w, h = image_resolution
        tiles = max(1, ((w + 511) // 512) * ((h + 511) // 512))
        img_tokens = image_count * (85 + 170 * tiles)
    elif m["img_token"] == "anth":
        w, h = image_resolution
        img_tokens = image_count * (w * h // 750)
    else:
        img_tokens = image_count * m["img_token"]
 
    # Ses token hesabı
    audio_tokens = 0
    if m["audio_token_per_sec"] and audio_seconds:
        audio_tokens = audio_seconds * m["audio_token_per_sec"]
 
    # Video token hesabı (Gemini native)
    video_tokens = 0
    if m["video_native"] and video_seconds:
        video_tokens = video_seconds * 290  # default mode
 
    total_in = text_input_tokens + img_tokens + audio_tokens + video_tokens
    input_cost = total_in / 1_000_000 * m["in"]
    output_cost = text_output_tokens / 1_000_000 * m["out"]
 
    return {
        "model": model,
        "text_in": text_input_tokens,
        "img_tokens": img_tokens,
        "audio_tokens": audio_tokens,
        "video_tokens": video_tokens,
        "total_input": total_in,
        "input_cost_usd": round(input_cost, 5),
        "output_cost_usd": round(output_cost, 5),
        "total_cost_usd": round(input_cost + output_cost, 5),
    }
 
# Test: 10 dakikalık video analizi
for model in ["gemini-2.5-flash", "gemini-2.5-pro", "gpt-5", "sonnet-4.6"]:
    cost = multimodal_cost(
        text_input_tokens=500,
        text_output_tokens=300,
        video_seconds=600,
        model=model,
    )
    print(f"{cost['model']:18}: ${cost['total_cost_usd']:.4f}")
Multimodal cost calculator — 4 modelde 10 dakikalık video analizi karşılaştırması.

Özet — Multimodal seçim kuralları#

ModaliteDefault seçimSebep
Görsel (ucuz iş)Gemini Flash$0.00002/görsel — neredeyse ücretsiz
Görsel (kaliteli analiz)Sonnet 4.6Görsel anlamada sınıfın en iyisi
Ses (transkript)Whisper API$0.006/dk, mükemmel kalite
Ses (native, duygu)Gemini 2.5 ProNative audio + ucuz
VideoGemini 2.5 (native)Frame-by-frame'den 10-50× ucuza
Kursta sürekli dönüp duracağımız temel: doğru iş, doğru model.
🎉 Modül 1 Tamamlandı
Token anatomisini artık biliyorsun: ne, neden, kim daha verimli, Türkçe penalty, input vs output, context window, multimodal. Bu temel olmadan bundan sonraki teknik modüllerin hiçbiri tam oturmaz. Şimdi Lab 1'i yapma zamanı.

🧪 Lab 1 — Token Karşılaştırma Tablosu (Çalışmasını Bekliyorum)#

Görev: 10 kendi Türkçe metnin için 6 tokenizer'da token sayım tablonu üret.
Adımlar:
  1. tokenizer_compare.py
    scriptini al (Ders 1.2)
  2. 10 metin seç — kendi domain'inden (e-ticaret/fintech/sağlık/eğitim — sana göre)
  3. Hepsini scriptten geçir
  4. Sonuçları CSV'ye yaz:
    text_id, char, word, gpt, claude, gemini, llama, mistral, deepseek
  5. En verimli ve en verimsiz tokenizer'ı kayıt altına al
  6. (Bonus) Aynı metinlerin İngilizce çevirilerini yapıp Türkçe Penalty tablosunu çıkar
Çıktı: Bir CSV dosyası + 1 paragraf gözlem. Modül 2'ye giderken bu tabloyu yanında bulundur — orada fiyat hesaplarını yaparken kullanacağız.
🚀 Modül 2'ye hazır mısın?
Modül 2: Fiyatlandırma Manzarası 2026. Şu ana kadar parça parça gördüğümüz fiyatları sistematik tabloya dökeceğiz: OpenAI 7 tier, Anthropic 4 tier, Gemini 3 tier, AWS/Azure enterprise, self-host break-even. Bütün fiyat sayfalarını biz okuyacağız ki sen okumayasın.

Sık Sorulan Sorular

Kuralım: kullanıcı sadece 'görselde ne var' tipi cevap istiyorsa low. Sayı okuma, metin transkripsiyon, küçük detay analizi gerekiyorsa high. Auto modunda OpenAI çoğunlukla "high" seçer — kontrolü ele al, default'u low yap, gerektiğinde override et.

Yorumlar & Soru-Cevap

(0)
Yorum yazmak için giriş yap.
Yorumlar yükleniyor...

İlgili İçerikler

Modül 0: Neden Maliyet, Neden Şimdi?

AI Maliyet Patlaması: 2022'den 2026'ya Token Fiyatları Neden %96 Düştü Ama Faturalar Neden 40 Kat Arttı?

Öğrenmeye Başla
Modül 0: Neden Maliyet, Neden Şimdi?

Birim Ekonomisi Sözlüğü: COGS, Gross Margin, $/User, Contribution Margin — Mühendisin Bilmesi Gereken 9 Finansal Kavram

Öğrenmeye Başla
Modül 0: Neden Maliyet, Neden Şimdi?

Atölyemizin Aletleri: Kurs Boyunca Kullanacağımız 11 Aracın Hızlı Turu

Öğrenmeye Başla