Prijzen voor Azure Content Understanding in Foundry Tools

In dit artikel wordt het prijsmodel Azure Content Understanding in Foundry Tools uitgelegd. Meer informatie over waarvoor u kosten in rekening worden gebracht en hoe u kosten voor uw workload kunt schatten.

Zie Azure Inhoudsbegrip Prijzen voor specifieke tarieven.

Tenzij anders vermeld, verwijst dit artikel naar ga-gedrag met API-versie 2025-11-01. Secties waarin de resolutie van de werkstroomfamilie en de agentische modus worden beschreven, schakelen over naar preview-gedrag met api-versie 2026-06-01-preview.

Inzicht in de twee typen kosten

Azure prijzen voor Content Understanding zijn gebaseerd op twee hoofdgebruikscategorieën:

1. Kosten voor inhoudextractie

Met inhoudsextractie wordt ongestructureerde invoer (documenten, audio, video) omgezet in gestructureerde, doorzoekbare tekst en inhoud. Deze uitvoer omvat optische tekenherkenning (OCR) voor documenten, spraak-naar-tekst voor audio/video en indelingsdetectie. U betaalt per invoereenheid die wordt verwerkt:

• Documenten: Per 1000 pagina's
• Audio en video: Per minuut

2. Generatieve functiekosten

Wanneer u ai-functies gebruikt die grote taalmodellen (LLM's) aanroepen, worden er twee soorten kosten in rekening gebracht:

• Contextualisatieopdrachten: Het voorbereiden van de context, het genereren van betrouwbaarheidscores, het bieden van bronverankering, en het opmaken van uitvoer. Zie Contextualisatietokens voor meer informatie.
• Generatieve modelkosten: kosten op basis van tokens van Microsoft Foundry-modelimplementaties (LLM's voor generatie, insluitingen voor trainingsvoorbeelden). Content Understanding maakt gebruik van de Foundry-modelimplementatie die u biedt voor alle generatieve AI-gerelateerde aanroepen. U ziet geen facturering voor LLM- of embedding-tokengebruik in Content Understanding. Dat gebruik wordt weergegeven in uw Foundry-modelimplementatie. Zie Generatieve modelkosten voor meer informatie.

Generatieve functies zijn: Veldextractie, afbeeldingsanalyse, segmentatie, categorisatie, training.

Kostenonderdelen

Uw totale kosten omvatten elke gebruikscategorie die van toepassing is op uw analysetool: inhoudextractie, contextualisatietokens, voltooiingsmodelinvoer- en uitvoertokens en het insluiten van modeltokens. Als u alleen inhoudextractie zonder generatieve mogelijkheden gebruikt, betaalt u alleen voor inhoudextractie.

Zo schat je uw kosten in

1. Testen met representatieve bestanden

Voer een kleine testanalyse uit met uw werkelijke bestanden en schema. Als u het gebruik voor GA- en preview-bewerkingen wilt bekijken, controleert u het usage object in het antwoord van de Analyzers-API:

{
  "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 de 2026-06-01-preview API rapporteren synchrone bewerkingen het gebruik voor inhoudsextractie in de documentPages*Inline eigenschappen. Geavanceerd contextualisatiegebruik wordt gerapporteerd in advancedContextualizationTokens. Deze eigenschapsnamen identificeren het gebruik in het API-antwoord; ze zijn niet de namen van gepubliceerde prijsmeters.

2. Huidige tarieven ophalen

Gebruik de prijspagina's voor Azure Content Understanding en Foundry Models om de huidige tarieven voor uw regio, implementatietype en geselecteerde modellen te verkrijgen.

3. De schatting berekenen

Vermenigvuldig voor elke toepasselijke gebruikscategorie het gemeten gebruik met het huidige tarief. Neem kosten voor inhoudsextractie en contextualisatie van Content Understanding op, invoer- en uitvoertokenkosten van het voltooiingsmodel en embeddingtokenkosten wanneer uw analyse gebruikmaakt van embeddings. Voeg de resulterende kosten toe om de totale kosten voor uw verwachte volume te schatten.

Tarieven variëren per regio, implementatietype en model, dus dit artikel biedt geen numerieke berekeningen. Zie Ondersteunde generatieve modellen voor de huidige modelopties.

Gedetailleerde kostenonderdelen

Inhoudsextractie

Inhoudextractie is de essentiële eerste stap voor het transformeren van ongestructureerde invoer, ongeacht of het een document, audio of video is, in een gestandaardiseerde, herbruikbare indeling. Deze fundamentele verwerking is vereist voor alle generatieve kenmerken en kan zelfstandig worden gebruikt.

Prijzen voor inhoudextractie per modaliteit:

• Documenten: Drie gelaagde meters (minimaal, basic of standaard) op basis van verwerkingscomplexiteit
• Audio: Spraak-naar-teksttranscriptie (één standaardmeter, geprijsd per minuut)
• Video: Frameextractie, opnamedetectie en transcriptie van spraak-naar-tekst (één standaardmeter, geprijsd per minuut)
• Afbeeldingen: Er is geen inhoudsextractie beschikbaar

Meters voor het extraheren van documentinhoud

Voor documenten worden kosten in rekening gebracht voor het type verwerking dat Inhoudskennis uitvoert. Content Understanding brengt kosten in rekening op basis van het daadwerkelijke werk dat op elke pagina wordt uitgevoerd, niet de door u geselecteerde analyzer.

Minimale meter: van toepassing op digitale documenten (DOCX, XLSX, PPTX, HTML, TXT, MSG, EML) waar geen OCR- of indelingsverwerking nodig is. Deze meter is de laagste kostenoptie voor digitale documenten. Er worden kosten in rekening gebracht voor het minimale tarief, ongeacht welke analyse u gebruikt, zelfs als u een layout analyzer aanroept in een digitaal document, worden er alleen kosten in rekening gebracht voor de minimale verwerking die wordt uitgevoerd.

Basismeter: is van toepassing wanneer Inhoudsbegrip OCR-verwerking uitvoert om tekst te extraheren uit op afbeeldingen gebaseerde documenten (gescande PDF's, afbeeldingen, TIFF's) zonder indelingsanalyse.

Standaardmeter: van toepassing wanneer Content Understanding indelingsanalyse uitvoert, inclusief tabelherkenning en detectie van structurele elementen van op afbeeldingen gebaseerde documenten (gescande PDF's, afbeeldingen, TIFF's).

In de volgende tabel ziet u welke meter van toepassing is op basis van uw bestandstype en analyseniveau:

Generatieve mogelijkheden

De generatieve mogelijkheden van Content Understanding maken gebruik van generatieve AI-modellen om de kwaliteit van de uitvoer te verbeteren. In de nieuwste API-versie 2025-11-01kunt u een generatief model kiezen op basis van uw use-case.

Wanneer u generatieve mogelijkheden gebruikt, gebruikt Content Understanding de implementatie van Foundry-modellen die u opgeeft. Het tokengebruik voor de voltooiings- of insluitingsmodellen bevindt zich in die implementatie.

Contextualisatietokens

Contextualisatie is de verwerkingslaag in Content Understanding die gebruikersinhoud vooraf verwerkt, gegevens en context voorbereidt voor generatieve modellen en modeluitvoer nabewerkt tot de uiteindelijke gestructureerde resultaten. Het type gegevensverwerking, gegevensvoorbereiding en contextverwerking dat wordt toegepast, bepaalt het type en de hoeveelheid contexttokens die in rekening worden gebracht.

Standaardcontextualisatie past algemene extractiemogelijkheden toe op uw inhoud en schema.

Geavanceerde contextualisatie past gespecialiseerde technologie toe om kwaliteit te verbeteren, implementatie te vereenvoudigen en complexere problemen rond het begrijpen van inhoud op te lossen.

Met de 2026-06-01-preview API maakt de opgeloste config.workflow waarde het toepasselijke tarief expliciet:

• Werkstroomwaarden die beginnen met standard maken gebruik van de standaard contextualisatiefrequentie.
• Alle andere workflowfamilies, inclusief advanced en agentic, gebruiken de geavanceerde contextualisatiesnelheid.

Klanten stellen "default" of "agentic" in bij het maken van een analyzer. De service retourneert een waarde van een geversioneerde workflowfamilie, zoals standard.2026-06-01-preview, advanced.2026-06-01-preview, of agentic.2026-06-01-preview. Zie voor de volledige oplossingsregels workflow.

Wanneer er kosten in rekening worden gebracht: wanneer u generatieve mogelijkheden gebruikt (veldextractie, afbeeldingsanalyse, segmentatie, categorisatie, training).

Prijzen: Vaste prijs per inhoudseenheid.

Contextualisatietokens worden berekend per inhoudseenheid:

Uitgaande van een standaardtarief voor contextualisatie van $ 1,00 per 1 miljoen contextualisatietokens en een geavanceerd tarief voor contextualisatie van $ 3,00 per 1 miljoen contextualisatietokens.

Vooraf gebouwde analysatoren

De volgende tabel bevat een overzicht van de vooraf gedefinieerde analysefuncties en de bijbehorende inhoudsextractie- en contextverwerkingsmeters. De meter voor veldextractie wordt in rekening gebracht op basis van het daadwerkelijke gebruik van het generatieve model.

¹Het extraheren van inhoud uit op tekst gebaseerde bestanden met behulp van ondersteunde analyzers wordt gefactureerd met de Document Minimal-meter.

Aangepaste analyzers

Wanneer u aangepaste analyzers bouwt en gelabelde trainingsgegevens opgeeft, past het systeem de geavanceerde contextualisatiemeter toe. Zo niet, wordt de standaard contextualisatiemeter toegepast.

Aangepaste analyzers die zijn gemaakt met API-versie 2025-11-01 of eerder, blijven de standaard contextualisatiesnelheid gebruiken. Als u een van deze analyzers met de 2026-06-01-preview API ophaalt, wordt het antwoord in config.workflow weergegeven als standard.2025-11-01. Het 2025-11-01 API-antwoord is ongewijzigd.

Wanneer u een aangepaste analyzer maakt met de 2026-06-01-preview API:

• Een aangepaste analyzer zonder gelabelde gegevens resulteert in standard.2026-06-01-preview en gebruikt de standaardsnelheid.
• Een aangepaste analyzer met gelabelde gegevens wordt omgezet in advanced.2026-06-01-preview en gebruikt het geavanceerde tarief.
• Een aangepaste analyzer die is gemaakt met workflow ingesteld op "agentic" wordt omgezet in agentic.2026-06-01-preview en gebruikt het geavanceerde tarief.

Generatieve modelkosten (LLM)

Op tokens gebaseerde kosten van Foundry-modellen die de werkelijke veldextractie, analyse en andere generatieve mogelijkheden aandrijven.

Invoertokens zijn onder andere:

• Geëxtraheerde tekst en transcripties
• Afbeeldingstokens (voor visuele analyse)
• Uw schemadefinities
• Systeemaanwijzingen
• Gelabelde trainingsvoorbeelden met de 2025-11-01 API

Uitvoertokens zijn onder andere:

• Veldwaarden en gestructureerde gegevens
• Betrouwbaarheidsscores en brongronding
• Analyseresultaten en beschrijvingen

Kostenoptimalisatie: Vergelijk de huidige tarieven voor ondersteunde modellen en implementatietypen en kies een optie die voldoet aan uw vereisten voor kwaliteit, latentie, gegevenslocatie en kosten.

Kosten voor insluitingen

Op tokens gebaseerde kosten voor het insluiten van modellen die worden gebruikt bij het trainen van aangepaste analyses met gelabelde voorbeelden om de nauwkeurigheid te verbeteren.

• Wanneer er kosten in rekening worden gebracht: alleen bij het gebruik van de trainingsfunctie met gelabelde gegevens
• Modellen: Zie Ondersteunde generatieve modellen voor huidige opties.
• Normaal gebruik: het hele document is ingesloten. Het gebruik kan variëren, afhankelijk van de dichtheid van tekst, maar ongeveer 1500 tokens per pagina is een nuttige eerste schatting.

Details van de generatieve functie

Elke generatieve functie heeft verschillende gevolgen voor de kosten.

Veldextractie

Genereert gestructureerde sleutel-waardeparen op basis van uw schemadefinitie. Voorbeelden hiervan zijn de factuurzender/ontvanger, regelitems of video-advertentie-elementen, zoals productweergave en slogan.

Gevolgen voor kosten: kostenschaal met schemacomplexiteit en inhoudsgrootte.

Afbeeldingsanalyse

Hiermee maakt u beschrijvende tekst voor afbeeldingen, grafieken en diagrammen om visuele inhoud doorzoekbaar te maken in RAG-werkstromen.

Impact op de kosten: LLM-tokens per afbeelding geanalyseerd- zowel invoertokens voor interpretatie van afbeeldingen als uitvoertokens voor beschrijvingen. Het gebruik wordt geschaald met de grootte en het aantal afbeeldingen in het document.

Segmentatie

Verdeelt documenten of video's in logische secties voor gerichte verwerking en verbeterde efficiëntie.

De impact op de kosten: kosten van outputtokens voor elk gecreëerd segment. Optioneel kunt u analyzers koppelen voor verdere analyse op elk segment. Koppelen maakt gebruik van meer inhoudsextractie en generatief gebruik, gelijk aan het onafhankelijk uitvoeren van de gekoppelde analyzers.

Categorisatie

Hiermee worden labels toegewezen aan documenten of segmenten voor classificatie en intelligente routering naar gespecialiseerde analyses.

Impact op kosten: LLM en contextualisatiekosten voor classificatie. Doorsturen naar een andere analyzer brengt de bijbehorende kosten in rekening.

Opleiding

Bouwt aangepaste analyses met behulp van gelabelde voorbeelden voor domeinspecifieke nauwkeurigheidsverbeteringen.

Gevolgen voor de kosten: in beide API-versies worden embeddingtokens gebruikt wanneer u gelabelde gegevens toevoegt. Met de 2025-11-01 API voegen opgehaalde trainingsvoorbeelden ook LLM-invoertokens toe tijdens de analyse. Met de 2026-06-01-preview API haalt de ingebouwde analyzer de gelabelde documenten niet op tijdens de analyse.

Veelgestelde vragen

Wanneer worden er kosten in rekening gebracht voor LLM-gebruik?

Er worden alleen kosten in rekening gebracht voor LLM-tokens wanneer u de analyse met een Foundry-implementatie levert en een generatieve mogelijkheid gebruikt in Content Understanding. Bij analysers die alleen inhoudextractie uitvoeren, zoals prebuilt-read, prebuilt-layout of aangepaste analysers zonder generatieve mogelijkheden, worden er geen LLM-kosten in rekening gebracht.

Hoe weet ik welke inhoudsextractiemeter van toepassing is op mijn documenten?

De werkelijke verwerking die wordt uitgevoerd, bepaalt de meter, niet de analyse die u kiest:

• Minimaal: Digitale documenten (DOCX, XLSX, HTML, TXT, enzovoort) gebruiken altijd minimaal, ongeacht de analyse
• Basis: op afbeeldingen gebaseerde documenten met OCR-verwerking (Leesanalyse)
• Standaard: documenten op basis van afbeeldingen met indelingsanalyse (Indelingsanalyse)

Voor meer informatie over meters, zie De meters voor documentinhoudextractie.

Worden er twee keer kosten in rekening gebracht voor het gebruik van Foundry-modellen?

Nee. Content Understanding maakt gebruik van de gekoppelde LLM-implementaties voor alle LLM-aanroepen en embedding-aanroepen. U wordt gefactureerd voor deze implementaties. U betaalt Content Understanding voor inhoudextractie en contextualisatie, en Foundry voor de generatieve modeltokens (invoer-/uitvoertokens en insluitingen).

Wat is de invloed van modelkeuze op de kosten?

De tokentarieven van modellen verschillen per model en implementatietype. Vergelijk de huidige tarieven en test representatieve bestanden voordat u een model kiest. Inhoudsextractie en kosten voor contextualisering zijn niet afhankelijk van het voltooiingsmodel dat u selecteert.

Wat verhoogt het tokengebruik?

Verschillende functies kunnen het tokenverbruik verhogen:

• Bronverankering en betrouwbaarheidsscores voegen verwerkingscontext toe.
• Extractiemodus voegt instructies en uitvoerdetails toe.
• Trainingsvoorbeelden voegen opgehaalde voorbeelden toe aan de modelcontext met behulp van de 2025-11-01 API.
• Segmentatie en categorisatie kunnen extra modeloproepen vereisen.

Worden er kosten in rekening gebracht als mijn aanvraag mislukt?

Inhoudskennis brengt geen kosten in rekening voor inhoudextractie of contextualisatie wanneer een aanvraag mislukt met een fout (zoals een 400-fout). Als de oproep van een Foundry-voltooiingsmodel vóór de fout is geslaagd, worden er kosten in rekening gebracht voor het gebruik van dat Foundry-model volgens Foundry's factureringsbeleid.

Tips voor kostenoptimalisatie

• Vergelijk ondersteunde modellen en implementatietypen om kosten, kwaliteit, latentie en vereisten voor gegevenslocatie in balans te brengen.
• Beginnen met minimodellen - Minimodellen bieden aanzienlijke besparingen voor de meeste extractietaken
• Globale implementaties gebruiken wanneer gegevenslocatie en naleving toestaan
• Geavanceerde functies selectief inschakelen - Gebruik alleen brongrondings- en betrouwbaarheidsscores wanneer dat nodig is
• Representatieve bestanden testen voordat u schaalt om inzicht te verkrijgen in het werkelijke tokenverbruik
• Controleer regelmatig het gebruik via de Azure-portal om kansen voor optimalisatie te identificeren

Meer prijsvoorbeelden

Hier volgen gedetailleerde voorbeelden die laten zien hoe prijzen werken in verschillende scenario's:

Voorbeeld 1: Documentverwerking voor RAG-werkstromen

Scenario: U moet inhoud extraheren uit documenten voor een Retrieval-Augmented Generation (RAG)-oplossing. U gebruikt prebuilt-documentSearch om tekst, indeling en afbeeldingsbeschrijvingen te extraheren.

Invoer:

• 10 pagina's
• Model: GPT-5.2 globale implementatie
• Regio: Oost-VS

Uitsplitsing van prijzen:

1. Inhoudsextractie: 10 pagina's

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

2. Afbeeldingsanalyse:

   Ervan uitgaande dat er twee afbeeldingen per pagina zijn. Het kost ongeveer 1000 invoer- en 200 uitvoertokens per figuur.

   • Invoertokens: 20 afbeeldingen × 1.000 tokens/afbeelding = 20.000 tokens
   • Kosten: (20.000 / 1.000.000) × $ 2,00 = $ 0,04
   • Uitvoertokens: 20 afbeeldingen × 200 tokens/afbeelding = 4.000 tokens
   • Kosten: (4.000 / 1.000.000) × $ 8,00 = $ 0,032

3. Contextualisatie: 10 pagina's × 1.000 tokens/pagina = 10.000 tokens

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

Totale geschatte kosten: $ 0,05 + $ 0,04 + $ 0,032 + $ 0,01 = $ 0,132

Voorbeeld 2: Facturen verwerken met veldextractie

Scenario: Je automatiseert de factuurverwerking met prebuilt-invoice om gestructureerde gegevens (zoals factuurnummer, datum, leverancier, totaalbedrag, en regelitems) te extraheren.

Invoer:

• 10 pagina's
• Model: GPT-5.2 globale implementatie
• Functies: Extractieve modus + bronschatting + betrouwbaarheidsscores
• Regio: Oost-VS

Uitsplitsing van prijzen:

1. Inhoudsextractie: 10 pagina's

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

2. Veldextractie: met bronschatting en betrouwbaarheid ingeschakeld, is het tokengebruik ongeveer 2x meer per pagina:

   • Basisinvoertokens: 10 pagina's × 5.200 tokens/pagina = 52.000 tokens
   • Kosten: (52.000 / 1.000.000) × $0,40 = $0,0208
   • Basisuitvoertokens: 10 pagina's × 180 tokens/pagina = 1800 tokens
   • Kosten: (1.800 / 1.000.000) × $ 1,60 = $ 0,0029

3. Contextualisatie: 10 pagina's × 1.000 tokens/pagina = 10.000 tokens

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

Totale geschatte kosten: $ 0,05 + $ 0,0208 + $ 0,0029 + $ 0,01 = $ 0,0837

Voorbeeld 3: Video-inhoud analyseren met extractie op segmentniveau

Scenario: U extraheert een gestructureerde weergave van video-inhoud voor een RAG-toepassing. Als u gestructureerde gegevens per segment van de video wilt extraheren, kunt u prebuilt-videoSearch gebruiken. Segmenten zijn korte clips van gemiddeld 15-30 seconden, wat resulteert in talloze uitvoersegmenten met één samenvattingsveld per segment.

Invoer:

• 60 minuten (1 uur) video
• Model: GPT-5.2 wereldwijde uitrol
• Regio: Oost-VS

Veronderstellingen:

• Invoertokens: 7500 tokens per minuut (op basis van voorbeeldframes, transcriptie, schemaprompts en metaprompts)
• Uitvoertokens: 900 tokens per minuut (uitgaande van 10-20 korte gestructureerde velden per segment met automatische segmentatie)
• Contextualisatie: 1.000.000 tokens per uur aan video

Uitsplitsing van prijzen:

1. Inhoudsextractie: 60 minuten

   • Kosten: 60 minuten × $ 1/uur = $ 1,00

2. Veldextractie:

   • Invoertokens: 60 minuten × 7500 tokens/minuut = 450.000 tokens
   • Kosten: (450.000 / 1.000.000) × $ 2,00 = $ 0,90
   • Uitvoertokens: 60 minuten × 900 tokens/minuut = 54.000 tokens
   • Kosten: (54.000 / 1.000.000) × $ 8,00 = $ 0,43

3. Contextualisatie: 1.000.000 tokens per uur

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

Totale geschatte kosten: $ 1,00 + $ 0,90 + $ 0,43 + $ 1,00 = $ 3,33

Voorbeeld 4: Opnamen van audio-callcenters verwerken

Scenario: U analyseert callcenteropnamen met behulp van prebuilt-callCenter transcripties, spreker-diarisatie, sentimentanalyse en samenvattingen.

Invoer:

• 60 minuten audio
• Model: GPT-5.2 globale implementatie
• Regio: Oost-VS

Uitsplitsing van prijzen:

1. Inhoudsextractie: 60 minuten

   • Kosten: 60 minuten × $ 0,36/minuut = $ 0,36

2. Veldextractie:

   • Invoertokens: 60 minuten × 604 tokens/minuut = 36.240 tokens
   • Kosten: (36.240 / 1.000.000) × $ 0,40 = $ 0,01
   • Uitvoertokens: 60 minuten × 19 tokens/minuut = 1.140 tokens
   • Kosten: (1.140 / 1.000.000) × $ 1,60 = $ 0,00

3. Contextualisatie: 60 minuten × 1.667 tokens/minuut = 100.020 tokens

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

Totale geschatte kosten: $ 0,36 + $ 0,01 + $ 0,00 + $ 0,10 = $ 0,47

Voorbeeld 5: Afbeeldingen verwerken met bijschriften

Scenario: U genereert beschrijvende bijschriften voor productafbeeldingen met behulp van prebuilt-imageSearch.

Invoer:

• 1000 afbeeldingen
• Model: GPT-5.2 globale implementatie
• Regio: Oost-VS

Uitsplitsing van prijzen:

1. Inhoudsextractie: geen kosten in rekening gebracht voor afbeeldingen

   • Kosten: $ 0,00

2. Veldextractie:

   • Invoertokens: 1000 afbeeldingen × 1.043 tokens/afbeelding = 1.043.000 tokens
   • Kosten: (1.043.000 / 1.000.000) × $ 2,00 = $ 2,09
   • Uitvoertokens: 1000 afbeeldingen × 170 tokens/afbeelding = 170.000 tokens
   • Kosten: (170.000 / 1.000.000) × $ 8,00 = $ 1,36

3. Contextualisatie: 1000 afbeeldingen × 1.000 tokens/afbeelding = 1.000.000 tokens

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

Totale geschatte kosten: $ 0,00 + $ 2,09 + $ 1,36 + $ 1,00 = $ 4,45

Gebruikscategorieën per workload

Gebruik de volgende tabel om de gebruikscategorieën te identificeren die u in uw schatting wilt opnemen. Het exacte tokengebruik is afhankelijk van uw inhoud, schema, analyseconfiguratie en geselecteerd model.

Volgende stappen

• Azure pagina met prijzen voor Inzicht in inhoud
• Quickstart voor Contentbegrip
• Aanbevolen procedures voor inhoudskennis
• Voorgebouwde analyzers