Preise für Azure Content Understanding in Foundry Tools

In diesem Artikel werden die Azure Inhaltsverständnis im Preismodell der Foundry Tools erläutert. Erfahren Sie, was Ihnen berechnet wird und wie Sie die Kosten für Ihre Workload schätzen.

Spezifische Preissätze finden Sie unter Azure Content Understanding Pricing.

Sofern nicht anders angegeben, verweist dieser Artikel auf das GA-Verhalten mit DER API-Version 2025-11-01. Abschnitte, die die Workflowfamilienauflösung und den agentischen Modus beschreiben, wechseln zum Vorschauverhalten mit API-Version 2026-06-01-preview.

Grundlegendes zu den beiden Arten von Gebühren

Die Preise für Azure Content Understanding basieren auf zwei Hauptnutzungskategorien:

1. Gebühren für die Inhaltsextraktion

Die Inhaltsextraktion transformiert unstrukturierte Eingaben (Dokumente, Audio, Video) in strukturierten, durchsuchbaren Text und Inhalt. Diese Ausgabe enthält optische Zeichenerkennung (OCR) für Dokumente, Sprach-zu-Text für Audio/Video und Layouterkennung. Sie zahlen pro verarbeiteter Eingabeeinheit:

• Dokumente: Pro 1.000 Seiten
• Audio und Video: Pro Minute

2. Gebühren für generative Funktionen

Wenn Sie KI-basierte Features verwenden, die große Sprachmodelle (LLMs) aufrufen, entstehen zwei Arten von Gebühren:

• Kontextualisierungsschritte: Bereitet den Kontext vor, generiert Vertrauensbewertungen, bietet Quellenverankerung und formatiert die Ausgabe. Ausführliche Informationen finden Sie unter Kontextisierungstoken.
• Generierende Modellgebühren: Tokenbasierte Kosten von Microsoft Foundry-Modellbereitstellungen (LLMs für die Generierung, Einbettungen für Schulungsbeispiele). Content Understanding verwendet die von Ihnen bereitgestellte Foundry-Modellimplementierung für alle generativen KI-bezogenen Aufrufe. Sie sehen keine Abrechnung der Verwendung von LLM oder Embedding Token in Content Understanding. Diese Nutzung wird bei der Bereitstellung Ihres Foundry Models angezeigt. Ausführliche Informationen finden Sie unter Generative Modellgebühren.

Zu den generativen Features gehören: Feldextraktion, Abbildungsanalyse, Segmentierung, Kategorisierung, Schulung.

Kostenkomponenten

Ihre Gesamtkosten umfassen jede Verwendungskategorie, die für Ihre Analyse gilt: Inhaltsextraktion, Kontextisierungstoken, Eingabe- und Ausgabetoken des Abschlussmodells und Einbetten von Modelltoken. Wenn Sie nur Inhaltsextraktion ohne generative Funktionen verwenden, zahlen Sie nur für die Inhaltsextraktion.

So schätzen Sie Ihre Kosten

1. Test mit repräsentativen Dateien

Führen Sie eine kleine Testanalyse mit Ihren tatsächlichen Dateien und Schemas aus. Um die Verwendung für GA- und Vorschauvorgänge anzuzeigen, überprüfen Sie das usage Objekt in der Analyse-API-Antwort:

{
  "usage": {
      "documentPagesMinimal": 0, // Asynchronous: Digital file extraction.
      "documentPagesBasic": 0, // Asynchronous: Read extraction.
      "documentPagesStandard": 2, // Asynchronous: Layout extraction.
      "documentPagesMinimalInline": 0, // Preview: Synchronous digital file extraction.
      "documentPagesBasicInline": 0, // Preview: Synchronous Read extraction.
      "documentPagesStandardInline": 0, // Preview: Synchronous Layout extraction.
      "contextualizationTokens": 2000,
      "advancedContextualizationTokens": 0, // Preview: Advanced contextualization.
      "tokens": {
         "gpt-5.2-input": 10400,
         "gpt-5.2-output": 360
    }
  }
}

In der 2026-06-01-preview API melden synchrone Vorgänge die Verwendung der Inhaltsextraktion in den documentPages*Inline Eigenschaften. Die erweiterte Kontextisierungsverwendung wird in advancedContextualizationTokens. Diese Eigenschaftsnamen identifizieren die Verwendung in der API-Antwort; sie sind nicht die Namen der veröffentlichten Preiszähler.

2. Aktuelle Tarife abrufen

Verwenden Sie die Preisseiten für Azure Inhaltsverständnis- und Foundry-Modelle, um die aktuellen Preise für Ihre Region, den Bereitstellungstyp und die ausgewählten Modelle zu erhalten.

3. Berechnen der Schätzung

Multiplizieren Sie für jede anwendbare Nutzungskategorie die gemessene Nutzung mit ihrer aktuellen Rate. Fügen Sie Inhaltsextraktions- und Kontextisierungsgebühren aus Inhaltsverständnis, Eingabe- und Ausgabetokengebühren sowie Einbettungstokengebühren ein, wenn Ihre Analyse Einbettungen verwendet. Fügen Sie die resultierenden Gebühren hinzu, um die Gesamtkosten für Ihr erwartetes Volumen zu schätzen.

Die Preise variieren je nach Region, Bereitstellungstyp und Modell, sodass in diesem Artikel keine numerischen Berechnungen bereitgestellt werden. Aktuelle Modelloptionen finden Sie unter Unterstützte generative Modelle.

Detaillierte Kostenkomponenten

Inhaltsextraktion

Die Inhaltsextraktion ist der wichtigste erste Schritt zum Transformieren unstrukturierter Eingaben – unabhängig davon, ob es sich um ein Dokument, Audio oder Video handelt – in ein standardisiertes, wiederverwendbares Format. Diese grundlegende Verarbeitung ist für alle generativen Features erforderlich und kann eigenständig verwendet werden.

Preise für die Inhaltsextraktion nach Modalität:

• Dokumente: Drei gestaffelte Verbrauchseinheiten (Minimum, Basic, Standard) basieren auf der Verarbeitungskomplexität
• Audio: Sprach-zu-Text-Transkription (einzelner Standardzähler, preisgepreist pro Minute)
• Video: Frameextraktion, Schnitt-Erkennung und Spracherkennung-zu-Text-Transkription (einzelne Standardmaßeinheit, Preis pro Minute)
• Bilder: Keine Inhaltsextraktion verfügbar

Dokumentinhaltsextraktionszähler

Bei Dokumenten werden Sie für die Art der Verarbeitung, die Content Understanding durchführt, belastet. Gebühren für das Inhaltsverständnis basieren auf der tatsächlichen Arbeit auf jeder Seite, nicht auf dem von Ihnen ausgewählten Analysator.

Minimaler Meter: Gilt für digitale Dokumente (DOCX, XLSX, PPTX, HTML, TXT, MSG, EML), bei denen keine OCR- oder Layoutverarbeitung erforderlich ist. Diese Messeinheit ist die kostengünstigste Option für digital-native Dokumente. Unabhängig davon, welche Analyseanalyse Sie verwenden, wird ihnen die minimale Rate in Rechnung gestellt– auch wenn Sie einen Layoutanalyse für ein digitales Dokument aufrufen, werden Sie nur für die minimale Verarbeitung belastet.

Basismeter: Gilt, wenn Content Understanding eine OCR-Verarbeitung durchführt, um Text aus bildbasierten Dokumenten (gescannte PDFs, Images, TIFFs) ohne Layoutanalyse zu extrahieren.

Standardmaß: Wird angewendet, wenn Inhaltsverständnis Layoutanalysen durchführt, einschließlich Tabellenerkennung und Strukturelementerkennung aus bildbasierten Dokumenten (gescannte PDFs, Bilder, TIFFs).

Die folgende Tabelle zeigt, welche Verbrauchseinheit basierend auf Ihrem Dateityp und Ihrer Analyseebene angewendet werden:

Generative Funktionen

Die generativen Funktionen von Content Understanding verwenden generative KI-Modelle, um die Qualität der Ausgabe zu verbessern. In der neuesten API-Version 2025-11-01können Sie ein generatives Modell basierend auf Ihrem Anwendungsfall auswählen.

Wenn Sie irgendwelche generativen Funktionalitäten nutzen, verwendet Content Understanding die von Ihnen bereitgestellte Bereitstellung von Foundry Models. Die Verwendung von Token für die Vervollständigungs- oder Einbettungsmodelle erfolgt in dieser Bereitstellung.

Kontextbezogene Token

Kontextualisierung ist die Verarbeitungsschicht im Inhaltsverständnis, die Benutzerinhalte vorverarbeitet, Daten und Kontext für generative Modelle vorbereitet und die Modellausgabe nach prozessen in die endgültigen strukturierten Ergebnisse. Die Art der angewendeten Datenverarbeitung, Datenvorbereitung und Kontextverarbeitung bestimmt den Typ und die Menge der Kontextisierungstoken, die in Rechnung gestellt werden.

Die Standardmäßige Kontextualisierung wendet allgemeine Extraktionsfunktionen auf Ihre Inhalte und Ihr Schema an.

Erweiterte Kontextualisierung wendet spezielle Technologie an, um Qualität zu verbessern, Implementierung zu vereinfachen und komplexere Probleme mit dem Verständnis von Inhalten zu lösen.

Mit der 2026-06-01-preview API macht der aufgelöste config.workflow Wert die anwendbare Rate explizit:

• Workflowwerte, die mit standard der Standardkontextisierungsrate beginnen.
• Alle anderen Workflowfamilien, einschließlich advanced und agentic, verwenden die erweiterte Kontextisierungsrate.

Kunden legen oder "default""agentic" beim Erstellen eines Analyzers fest. Der Dienst gibt einen versionsierten Workflowfamilienwert zurück, z standard.2026-06-01-preview. B. , , advanced.2026-06-01-previewoder agentic.2026-06-01-preview. Die vollständigen Lösungsregeln finden Sie unter workflow.

Wenn Sie belastet werden: Wann immer Sie generative Funktionen verwenden (Feldextraktion, Abbildungsanalyse, Segmentierung, Kategorisierung, Schulung).

Preise: Feste Rate pro Inhaltseinheit.

Kontextbezogene Token werden pro Inhaltseinheit berechnet:

Angenommen, eine standardmäßige Kontextualisierungsrate von 1,00 USD pro 1 Million Kontextisierungstoken und eine erweiterte Kontextisierungsrate von 3,00 USD pro 1 Million Kontextisierungstoken.

Vorgefertigte Analysegeräte

In der folgenden Tabelle sind die vordefinierten Analysegeräte und deren anwendbare Inhaltsextraktion und Die Abrechnungszähler für die Kontextverarbeitung zusammengefasst. Der Feldextraktionsmesser wird basierend auf der tatsächlichen Verwendung des generativen Modells berechnet.

¹Das Extrahieren von Inhalten aus textbasierten Dateien mithilfe unterstützter Analysegeräte wird mit dem Dokumentminimierungsmesser abgerechnet.

Individuelle Analysatoren

Wenn Sie benutzerdefinierte Analysegeräte erstellen und beschriftete Schulungsdaten bereitstellen, wendet das System die erweiterte Kontextisierungsanzeige an. Andernfalls wird die Standardkontextisierungsanzeige angewendet.

Benutzerdefinierte Analysegeräte, die mit API-Version 2025-11-01 oder früheren Versionen erstellt wurden, verwenden weiterhin die standardmäßige Kontextualisierungsrate. Wenn Sie einen dieser Analysegeräte mit der 2026-06-01-preview API abrufen, wird standard.2025-11-01 die Antwort in config.workflow. Die 2025-11-01 API-Antwort ist unverändert.

Wenn Sie eine benutzerdefinierte Analyse mit der 2026-06-01-preview API erstellen:

• Ein benutzerdefinierter Analyzer ohne bezeichnete Daten wird in standard.2026-06-01-preview die Standardrate aufgelöst und verwendet.
• Ein benutzerdefinierter Analyzer mit beschrifteten Daten wird aufgelöst und advanced.2026-06-01-preview verwendet die erweiterte Rate.
• Ein benutzerdefinierter Analyzer, der mit workflow set erstellt wurde, um die agentic.2026-06-01-preview erweiterte Rate aufzulösen "agentic" und zu verwenden.

Generative Modellgebühren (LLM)

Tokenbasierte Gebühren von Foundry-Modellen, die die tatsächliche Feldextraktion, Analyse und andere generative Funktionen unterstützen.

Folgende Eingabetoken sind enthalten:

• Extrahierter Text und Transkriptionen
• Bildtoken (für visuelle Analyse)
• Ihre Schemadefinitionen
• Systemaufforderungen
• Bezeichnete Schulungsbeispiele mit der 2025-11-01 API

Die Ausgabetoken umfassen:

• Feldwerte und strukturierte Daten
• Konfidenzbewertungen und Quellgrundung
• Analyseergebnisse und Beschreibungen

Kostenoptimierung: Vergleichen Sie die aktuellen Tarife für unterstützte Modelle und Bereitstellungstypen, und wählen Sie eine Option aus, die Ihre Qualitäts-, Latenz-, Datenaufbewahrungs- und Kostenanforderungen erfüllt.

Einbettungsgebühren

Tokenbasierte Gebühren für Einbettungsmodelle, die beim Trainieren von benutzerdefinierten Analysetools mit beschrifteten Beispielen zur Verbesserung der Genauigkeit verwendet werden.

• Bei Aufladung: Nur bei Verwendung der Trainingsfunktion mit beschrifteten Daten
• Modelle: Aktuelle Optionen finden Sie unter Unterstützte generative Modelle.
• Typische Verwendung: Das gesamte Dokument ist eingebettet. Die Verwendung kann je nach Textdichte variieren, aber etwa 1.500 Token pro Seite sind eine nützliche anfängliche Schätzung.

Details zu generativen Features

Jedes generative Feature hat unterschiedliche Kostenauswirkungen.

Feldextraktion

Generiert strukturierte Schlüsselwertpaare basierend auf ihrer Schemadefinition. Beispiele sind Rechnungssender/Empfänger, Rechnungspositionen oder Videoanzeigeelemente wie Slogan und Produktdarstellung.

Kostenwirkung: Kostenskala mit Schemakomplexität und Inhaltsgröße.

Diagrammanalyse

Erstellt beschreibenden Text für Bilder, Grafiken und Diagramme, um visuelle Inhalte in RAG-Workflows durchsuchbar zu machen.

Kostenauswirkungen: LLM-Token pro analysierten Bildern – sowohl Eingabetoken für Bildinterpretation als auch Ausgabetoken für Beschreibungen. Die Verwendung wird mit der Größe und Anzahl der im Dokument enthaltenen Bilder skaliert.

Segmentierung

Teilt Dokumente oder Videos in logische Abschnitte für die gezielte Verarbeitung und verbesserte Effizienz auf.

Kostenauswirkungen: Ausgabetokenkosten für jedes erstellte Segment. Optional können Sie Analyseanalysatoren zur weiteren Analyse der einzelnen Segmente verketten. Die Verkettung verwendet mehr Inhaltsextraktion und generative Nutzung, was der unabhängigen Ausführung der verketteten Analysegeräte entspricht.

Kategorisierung

Weist Dokumenten oder Segmenten Labels für Klassifizierung und intelligentes Routing spezialisierten Analysatoren zu.

Kostenwirkung: LLM- und Kontextisierungskosten für die Klassifizierung. Das Routing an einen anderen Analyzer addiert seine jeweiligen Gebühren.

Ausbildung

Erstellt benutzerdefinierte Analysegeräte mit beschrifteten Beispielen für domänenspezifische Genauigkeitsverbesserungen.

Kosteneffekt: Beide API-Versionen verwenden Einbettungstoken, wenn Sie beschriftete Daten hinzufügen. Mit der API fügen abgerufene Schulungsbeispiele während der 2025-11-01 Analyse auch LLM-Eingabetoken hinzu. Mit der 2026-06-01-preview API ruft die integrierte Analyse die bezeichneten Dokumente zur Analysezeit nicht ab.

Häufig gestellte Fragen

Wann wird mir die LLM-Nutzung in Rechnung gestellt?

Sie werden nur für LLM-Token belastet, wenn Sie dem Analysetool eine Foundry-Bereitstellung bereitstellen und eine generative Funktion in Content Understanding verwenden. Analysatoren, die nur Inhaltsextraktion durchführen, z prebuilt-read. B. , prebuilt-layoutoder benutzerdefinierte Analysegeräte ohne generative Funktionen, verursachen keine LLM-Gebühren.

Wie kann ich feststellen, welcher Inhaltsextraktionszähler für meine Dokumente gilt?

Die tatsächliche Verarbeitung bestimmt den Zähler, nicht den von Ihnen ausgewählten Analyzer:

• Minimal: Digitale Dokumente (DOCX, XLSX, HTML, TXT usw.) verwenden immer minimal, unabhängig von der Analyse
• Einfach: Bildbasierte Dokumente mit nur OCR-Verarbeitung (Read Analyzer)
• Standard: Bildbasierte Dokumente mit Layoutanalyse (Layoutanalyse)

Weitere Informationen zu Zählern finden Sie unter Dokumentinhaltsextraktionszähler.

Wird mir zweimal die Nutzung des Foundry-Modells in Rechnung gestellt?

Nein. Content Understanding verwendet die LLM-Bereitstellungen, die für alle LLM- und Einbettungsaufrufe verknüpft sind. Für diese Bereitstellungen werden Sie in Rechnung gestellt. Für die Inhaltsextraktion und Kontextualisierung zahlen Sie an „Content Understanding“, und für die Token des generativen Modells (Eingabe-/Ausgabe-Token und Einbettungen) an die „Foundry“.

Wie wirkt sich die Modellauswahl auf die Kosten aus?

Die Modelltokenraten variieren je nach Modell- und Bereitstellungstyp. Vergleichen Sie die aktuellen Tarife und testen Sie repräsentative Dateien, bevor Sie ein Modell auswählen. Inhaltsextraktions- und Kontextisierungsgebühren hängen nicht vom ausgewählten Abschlussmodell ab.

Was erhöht die Tokennutzung?

Mehrere Features können die Tokennutzung erhöhen:

• Quellgrundungs- und Konfidenzbewertungen fügen den Verarbeitungskontext hinzu.
• Der Extraktivmodus fügt Anweisungen und Ausgabedetails hinzu.
• Schulungsbeispiele fügen mithilfe der 2025-11-01 API abgerufene Beispiele zum Modellkontext hinzu.
• Segmentierung und Kategorisierung können zusätzliche Modellaufrufe erfordern.

Wird mir in Rechnung gestellt, wenn meine Anforderung fehlschlägt?

Content Understanding erhebt keine Gebühren für die Extraktion oder Kontextualisierung von Inhalten, wenn eine Anfrage aufgrund eines Fehlers wie einem 400-Fehler fehlschlägt. Wenn ein Aufruf des Foundry-Completion-Modells vor dem Ausfall erfolgreich war, wird Ihnen die Nutzung dieses Foundry-Modells gemäß den Richtlinien von Foundry in Rechnung gestellt.

Tipps zur Kostenoptimierung

• Vergleichen Sie unterstützte Modelle und Bereitstellungstypen , um Kosten, Qualität, Latenz und Datenaufbewahrungsanforderungen auszugleichen.
• Mit Minimodellen beginnen - Minimodelle bieten erhebliche Einsparungen für die meisten Extraktionsaufgaben
• Verwenden Sie globale Bereitstellungen, wenn Datenresidenz und Compliance dies zulassen.
• Erweiterte Funktionen selektiv aktivieren – Verwenden Sie bei Bedarf nur die Quellenverknüpfung und Konfidenzwerte.
• Testen Sie repräsentative Dateien vor der Skalierung, um den tatsächlichen Tokenverbrauch zu verstehen.
• Überwachen der Nutzung regelmäßig über das Azure-Portal, um Optimierungsmöglichkeiten zu identifizieren

Weitere Preisbeispiele

Hier finden Sie detaillierte Beispiele, die zeigen, wie die Preise in verschiedenen Szenarien funktionieren:

Beispiel 1: Dokumentverarbeitung für RAG-Workflows

Szenario: Sie müssen Inhalte aus Dokumenten für eine RAG-Lösung (Retrieval-Augmented Generation) extrahieren. Sie verwenden prebuilt-documentSearch, um Text-, Layout- und Abbildungsbeschreibungen zu extrahieren.

Eingabe:

• 10 Seiten
• Modell: GLOBALE GPT-5.2-Bereitstellung
• Region: Ost-USA

Preisaufschlüsselung:

1. Inhaltsextraktion: 10 Seiten

   • Kosten: (10 / 1.000) × $ 5,00 = 0,05 $

2. Abbildungsanalyse:

   Angenommen, zwei Zahlen pro Seite. Es kostet ca. 1000 Eingabe- und 200 Ausgabetoken pro Abbildung.

   • Eingabetoken: 20 Abbildungen × 1.000 Token/Image = 20.000 Token
   • Kosten: (20.000 / 1.000.000) × 2,00 $ = 0,04 $
   • Ausgabetoken: 20 Zahlen × 200 Token/Abbildung = 4.000 Token
   • Kosten: (4.000 / 1.000.000) × 8,00 $ = 0,032 $

3. Kontextualisierung: 10 Seiten × 1.000 Token/Seite = 10.000 Token

   • Kosten: (10.000 / 1.000.000) × $ 1,00 = 0,01 $

Geschätzte Gesamtkosten: 0,05 $ + 0,04 $ + 0,032 $ + 0,01 $ = 0,132 $

Beispiel 2: Verarbeiten von Rechnungen mit Feldextraktion

Szenario: Sie automatisieren die Rechnungsverarbeitung mithilfe von prebuilt-invoice zur Extraktion strukturierter Daten (Rechnungsnummer, Datum, Lieferant, Summe, Positionen).

Eingabe:

• 10 Seiten
• Modell: GLOBALE GPT-5.2-Bereitstellung
• Features: Extraktivmodus + Quellenschätzung + Konfidenzbewertung
• Region: Ost-USA

Preisaufschlüsselung:

1. Inhaltsextraktion: 10 Seiten

   • Kosten: (10 / 1.000) × $ 5,00 = 0,05 $

2. Feldextraktion: Mit aktivierter Quellenschätzung + Konfidenz beträgt die Tokenverwendung ca. 2x mehr pro Seite:

   • Basiseingabetoken: 10 Seiten × 5.200 Token/Seite = 52.000 Token
   • Kosten: (52.000 / 1.000.000) × 0,40 $ = 0,0208 $
   • Basisausgabetoken: 10 Seiten × 180 Token/Seite = 1.800 Token
   • Kosten: (1.800 / 1.000.000) × 1,60 $ = 0,0029 $

3. Kontextualisierung: 10 Seiten × 1.000 Token/Seite = 10.000 Token

   • Kosten: (10.000 / 1.000.000) × $ 1,00 = 0,01 $

Geschätzte Gesamtkosten: 0,05 $ + 0,0208 + 0,0029 $ + 0,01 $ = 0,0837 $

Beispiel 3: Analysieren von Videoinhalten mit Feldextraktion auf Segmentebene

Szenario: Sie extrahieren eine strukturierte Darstellung von Videoinhalten für eine RAG-Anwendung. Um strukturierte Daten pro Videosegment zu extrahieren, können Sie die prebuilt-videoSearch. Segmente sind kurze Clips von 15-30 Sekunden im Durchschnitt, was zu zahlreichen Ausgabesegmenten mit einem einzigen Sammelfeld pro Segment führt.

Eingabe:

• 60 Minuten (1 Stunde) Video
• Modell: GLOBALE GPT-5.2-Bereitstellung
• Region: Ost-USA

Annahmen:

• Eingabetoken: 7.500 Token pro Minute (basierend auf Stichproben-Frames, Transkription, Schemas und Metaprompts)
• Ausgabetoken: 900 Token pro Minute (vorausgesetzt, 10-20 kurze strukturierte Felder pro Segment mit automatischer Segmentierung)
• Kontextualisierung: 1.000.000 Token pro Stunde Video

Preisaufschlüsselung:

1. Inhaltsextraktion: 60 Minuten

   • Kosten: 60 Minuten × $ 1/Stunde = $ 1,00

2. Feldextraktion:

   • Eingabetoken: 60 Minuten × 7.500 Token/Minute = 450.000 Token
   • Kosten: (450.000 / 1.000.000) × 2,00 $ = 0,90 $
   • Ausgabetoken: 60 Minuten × 900 Token/Minute = 54.000 Token
   • Kosten: (54.000 / 1.000.000) × $ 8,00 = 0,43 $

3. Kontextualisierung: 1.000.000 Token pro Stunde

   • Kosten: (1.000.000 / 1.000.000) × 1,00 $ = 1,00 $

Geschätzte Gesamtkosten: 1,00 $ + 0,90 $ + 0,43 $ + 1,00 $ = 3,33 $

Beispiel 4: Verarbeiten von Audioanrufzentralenaufzeichnungen

Szenario: Sie analysieren Callcenter-Aufzeichnungen mithilfe von prebuilt-callCenter, um Transkriptionen, Sprechererkennung, Stimmungsanalyse und Zusammenfassungen zu erstellen.

Eingabe:

• 60 Minuten Audio
• Modell: GLOBALE GPT-5.2-Bereitstellung
• Region: Ost-USA

Preisaufschlüsselung:

1. Inhaltsextraktion: 60 Minuten

   • Kosten: 60 Minuten × $ 0,36 / Minute = $ 0,36

2. Feldextraktion:

   • Eingabetoken: 60 Minuten × 604 Token/Minute = 36.240 Token
   • Kosten: (36.240 / 1.000.000) × 0,40 $ = 0,01 $
   • Ausgabetoken: 60 Minuten × 19 Token/Minute = 1,140 Token
   • Kosten: (1.140 / 1.000.000) × $ 1,60 = 0,00 $

3. Kontextualisierung: 60 Minuten × 1.667 Token/Minute = 100.020 Token

   • Kosten: (100.020 / 1.000.000) × 1,00 $ = 0,10 $

Geschätzte Gesamtkosten: 0,36 $ + 0,01 $ + 0,00 $ + 0,10 $ = 0,47 $

Beispiel 5: Verarbeiten von Bildern mit Beschriftungen

Szenario: Sie generieren beschreibende Beschriftungen für Produktbilder mithilfe von prebuilt-imageSearch.

Eingabe:

• 1.000 Bilder
• Modell: GLOBALE GPT-5.2-Bereitstellung
• Region: Ost-USA

Preisaufschlüsselung:

1. Inhaltsextraktion: Keine Gebühr für Bilder

   • Kosten: $0,00

2. Feldextraktion:

   • Eingabetoken: 1.000 Bilder × 1.043 Token/Image = 1.043.000 Token
   • Kosten: (1.043.000 / 1.000.000) × $ 2,00 = $ 2,09
   • Ausgabetoken: 1.000 Bilder × 170 Token/Image = 170.000 Token
   • Kosten: (170.000 / 1.000.000) × $ 8,00 = 1,36 $

3. Kontextualisierung: 1.000 Bilder × 1.000 Token/Image = 1.000.000 Token

   • Kosten: (1.000.000 / 1.000.000) × 1,00 $ = 1,00 $

Geschätzte Gesamtkosten: 0,00 $ + 2,09 $ + 1,36 $ + 1,00 $ = 4,45 $

Nutzungskategorien nach Workload

Verwenden Sie die folgende Tabelle, um die Verwendungskategorien zu identifizieren, die in Ihre Schätzung einbezogen werden sollen. Die genaue Tokenverwendung hängt von Inhalt, Schema, Analysekonfiguration und ausgewähltem Modell ab.

Nächste Schritte

• Azure Content Understanding Preisseite
• Schnellstart zum Inhaltsverständnis
• Bewährte Methoden für das Verständnis von Inhalten
• Vorgefertigte Analysegeräte