logo
การพัฒนา
ภาพรวมพื้นที่นักพัฒนาพื้นที่ทำงานเอกสาร APIแนวปฏิบัติที่ดีบันทึกการเปลี่ยนแปลง
ค้นหา
ภาษาไทย
ภาพรวม / บริการ เครดิต และราคา
บริการ, เครดิต & ราคา
อัปเดตล่าสุด：ประมาณ 1 เดือนที่ผ่านมา

บริการ, เครดิต & ราคา

บริการโมเดล

GPTBots มีบริการโมเดลหลัก 2 แบบ ลูกค้าเลือกใช้ “GPTBots Key” หรือ “Own Key” ได้ตามต้องการ โดยแต่ละโหมดจะใช้งานเครดิตต่างกันเมื่อเรียกใช้โมเดล ตั้งค่ารูปแบบบริการได้ที่ “องค์กร - LLMs”

  • GPTBots Key: ใช้บริการโมเดลจาก GPTBots ได้ทันที เช่น OpenAI, Claude โดยไม่ต้องลงทะเบียนคีย์เอง
  • Own Key: หากมีคีย์จากแพลตฟอร์ม เช่น OpenAI อยู่แล้ว สามารถนำมาใช้กับ GPTBots ได้โดยตรง GPTBots จะคิดเครดิตในอัตราต่ำกว่า

การคิดราคาเครดิตบริการ

ทุกบริการใน GPTBots จะคิดราคาและติดตามการใช้งานด้วย “เครดิต” โดยแต่ละเวอร์ชัน LLM ใช้เครดิตไม่เท่ากัน ดูรายละเอียดการคำนวณเครดิตได้ในหัวข้อถัดไป

หมายเหตุ: เครดิตไม่สามารถขอคืนหรือแลกเปลี่ยนได้

ประเภทการใช้เครดิต

แพลตฟอร์ม GPTBots แยกการคิดราคาตามประเภทบริการ (ดูรายละเอียดที่ บริการ, เครดิต & ราคา) โดยจะหักเครดิตตามอัตราของแต่ละบริการ มีประเภทการคิดเงิน 10 แบบ เมื่อใช้งาน AI Agent และ Workflow แต่ละบริการจะใช้เครดิตต่างกัน สามารถดูสถิติการใช้เครดิตได้ที่ “องค์กร - การใช้งาน”

ประเภทการคิดเงิน คำจำกัดความ ตัวอย่าง
LLM Text Chat เรียกใช้ LLM ด้วยข้อความ/ภาพ เมื่อเรียกใช้ LLM, Classifier หรือส่วนตัดสินเงื่อนไข
LLM Audio Chat เรียกใช้ Audio LLM สำหรับเสียง เมื่อเรียกใช้ Audio LLM
ASR Recognition ใช้ ASR Service แปลงเสียงเป็นข้อความ เมื่ออัปโหลดไฟล์เสียงในโหมดรู้จำระบบ
TTS Generation ใช้ TTS Service แปลงข้อความเป็นเสียง เมื่อคลิกปุ่มเล่นเสียงในหน้าต่างแชท
การทำดัชนีความรู้ ใช้ Knowledge Index ฝังข้อมูลคำถาม/ความรู้ เมื่อค้นหาความรู้
การจัดเก็บความรู้ อัปโหลดและจัดเก็บข้อมูลในฐานความรู้ คำนวณความจุฐานความรู้รายวัน
การเรียกใช้เครื่องมือ เรียกใช้ Paid Tools สำเร็จ เช่น ใช้ Google search แบบเสียเงิน
การจัดอันดับความรู้ ใช้ Rerank Service จัดอันดับผลลัพธ์ฐานความรู้ เมื่อเปิดฟีเจอร์จัดอันดับความรู้
การประมวลผลฐานข้อมูล แปลงเอกสารเป็นข้อมูลฐานข้อมูลและเรียก Database เมื่อดึงข้อมูลจากเอกสารและใช้ฐานข้อมูลในบทสนทนา
การรู้จำคำถาม ใช้ Question Recognition จัดประเภท/วิเคราะห์อารมณ์ เมื่อเปิดฟีเจอร์จัดประเภทคำถามใน log

ราคา LLM Service

หมายเหตุ: ราคาต่อไปนี้คิดเป็น “เครดิต / 1K Tokens”

แบรนด์
โมเดล
 Input (GPTBots Key) Output (GPTBots Key) Input (Own Key) Output (Own Key)
OpenAI GPT-5.2-400k 0.1925 1.54 0.01 0.1
OpenAI GPT-5.2-Thinking-400k 0.1925 1.54 0.01 0.1
OpenAI GPT-5.2-Chat-128k 0.1375 1.1 0.0025 0.1
OpenAI GPT-5.0-Mini-400k 0.0275 0.2200 0.0125 0.0200
OpenAI GPT-5.0-Nano-400k 0.0055 0.0440 0.0005 0.0040
OpenAI GPT-5.0-Chat-128k 0.1375 1.1000 0.0025 0.1000
OpenAI GPT-4.1-1M 0.22 0.88 0.02 0.08
OpenAI GPT-4.1-mini-1M 0.044 0.176 0.004 0.016
OpenAI GPT-4.1-nano-1M 0.011 0.044 0.001 0.004
OpenAI GPT-4o-128k 0.225 1.1 0.0225 0.11
OpenAI GPT-4o-mini-128k 0.0165 0.0665 0.0015 0.006
OpenAI GPT-o4-mini-200k 0.121 0.484 0.01 0.044
OpenAI GPT-Audio 4.4 8.8 0.01 0.1
OpenAI GPT-Mini-Auido 1.1 2.2 0.01 0.1
Azure GPT-5.2-400k 0.1375 1.1000 0.002500 0.1000
Azure GPT-5.2-Chat-128K 0.1375 1.1000 0.002500 0.1000
Azure GPT-5.0-Mini-400k 0.0275 0.2200 0.0125 0.0200
Azure GPT-5.0-Nano-400k 0.0055 0.0440 0.0005 0.0040
Azure Computer-Use Agent 0.33 1.32 0.03 0.12
Azure GPT-4.1-1M 0.22 0.88 0.02 0.08
Azure GPT-4.1-mini-1M 0.044 0.176 0.004 0.016
Azure GPT-4.1-nano-1M 0.011 0.044 0.001 0.004
Azure GPT-4o-128k 0.225 1.1 0.0225 0.11
Azure GPT-4o-mini-128k 0.0165 0.0665 0.0015 0.006
Azure GPT-Audio 4.4 8.8 0.4 0.8
Azure GPT-Audio-mini 1.1 2.2 0.1 0.2
百度 ERNIE-3.5-8K 0.18 0.18 0.02 0.02
百度 ERNIE-4.0-8K 1.76 1.76 0.16 0.16
百度 ERNIE-Speed-128K 0 0 0 0
Meta Llama-4.0-Maverick-1M 0.0297 0.0935 0.0027 0.0085
Meta Llama-4.0-Scout-10M 0.0198 0.0649 0.0018 0.0059
Meta llama-3.0-70b-8k 0.099 0.099 0.009 0.009
Meta llama-3.0-8b-8k 0.022 0.022 0.002 0.002
Meta llama-3.1-8b-turbo-128k 0.022 0.022 0.002 0.002
Ali Qwen-Plus-1M 0.0126 0.0314 0.0011 0.0029
Ali Qwen-Plus-Thinking-1M 0.0126 0.2514 0.0011 0.0229
Ali Qwen-Max-256k 0.3143 0.9429 0.0286 0.0857
Ali Qwen-Turbo-1M 0.0047 0.0094 0.0004 0.0009
Ali Qwen-vl-max-32k 0.3143 0.3143 0.0286 0.0286
Ali Qwen3.0-Next-80B-128K 0.0314 0.3143 0.0029 0.0286
Ali Qwen-3.0-80B-128k 0.0314 0.3143 0.0029 0.0286
Ali Qwen3.0-32B-128K 0.0314 0.3143 0.0029 0.0286
Ali Qwen3.0-8B-128K 0.0079 0.0786 0.0007 0.0071
Ali Qwen-Omni-Turbo 0.2 0.4 0.02 0.04
Ali Qwen2.0-audio 0.1 0.1 0.1 0.1
Mistral mistral-large-latest 0.880 2.640 0.080 0.24
Mistral mistral-medium-latest 0.297 0.891 0.027 0.081
Mistral mistral-small-latest 0.220 0.660 0.020 0.060
Mistral open-mixtral-8x7b 0.077 0.077 0.007 0.007
Mistral open-mistral-7b 0.028 0.028 0.003 0.003
智谱 GLM-5.0-200K 0.0943 0.3457 0.0086 0.0314
智谱 GLM-5.0-Thingking-200K 0.0943 0.3457 0.0086 0.0314
智谱 GLM-4.7-Thingking-200K 0.0629 0.2514 0.0057 0.0229
智谱 GLM-4.7-FlashX-200K 0.0079 0.0471 0.0007 0.0043
智谱 GLM-4.5-X-128K 0.1257 0.5029 0.0114 0.0457
智谱 GLM-4.0-9b-8K 0.095 0.095 0.008 0.008
智谱 GLM-4V-Plus-16K 0.017 0.017 0.0015 0.0015
Anthropic Claude-4.6-Opus-200k 0.55 2.75 0.05 0.25
Anthropic Claude-4.6-Opus-Thinking-200K 0.55 2.75 0.05 0.25
Anthropic Claude-4.5-Opus-200k 1.65 2.75 0.15 0.25
Anthropic Claude-4.5-Opus-Thinking-200K 1.65 2.75 0.15 0.25
Anthropic Claude-4.5-Sonnet-200k 0.33 1.65 0.03 0.15
Anthropic Claude-4.5-Sonnet-Thinking-200k 0.33 1.65 0.03 0.15
Anthropic Claude-4.0-Sonnet-200k 0.33 1.65 0.03 0.15
Anthropic Claude-4.0-Sonnet-Thinking-200k 0.33 1.65 0.03 0.15
Anthropic Claude-3.7-Sonnet-200k 0.33 1.65 0.03 0.15
Anthropic Claude-4.5-Haiku-200k 0.33 1.65 0.03 0.15
Tencent Hunyuan-pro-32k 0.472 1.572 0.042 0.142
Tencent Hunyuan-standard-32k 0.0707 0.0786 0.0064 0.0071
Tencent Hunyuan-standard-256k 0.2357 0.9429 0.0214 0.0857
Tencent hunyuan-lite-4k 0 0 0 0
Google Gemini-3.0-Pro-1M 0.44 1.98 0.01 0.10
Google Gemini-3.1-Flash-Image 0.0275 6.6 0.0025 0.10
Google Gemini-3.0-Pro-Image 0.22 13.2 0.01 0.10
Google Gemini-3.0-Flash 0.055 0.33 0.005 0.03
Google Gemini-3.0-Flash-Thinking 0.055 0.33 0.005 0.03
Google gemini-2.5-Flash 0.011 0.066 0.0015 0.006
Google Gemini-2.5-Flash-Lite 0.011 0.044 0.001 0.004
Google Gemma-3-27b - - 0 0
Google Gemma-3-12b - - 0 0
Google Gemma-3-4b - - 0 0
日日新 SenseChat-5-Cantonese 0.418 0.418 0.038 0.038
DeepSeek DeepSeek-3.2-128K 0.0157 0.0314 0.0014 0.0029
DeepSeek DeepSeek-3.2-Thinking-128K 0.0629 0.2514 0.0057 0.0229
月之暗面 Kimi-K2-Turbo-256K 0.1257 0.9114 0.0114 0.0829
月之暗面 Kimi-K2-Thinking-256k 0.0629 0.2514 0.0057 0.0229
月之暗面 Moonshot-V1-128K 0.9429 0.9429 0.0857 0.0857
月之暗面 Moonshot-V1-32K 0.3771 0.3771 0.0343 0.0343
月之暗面 Moonshot-V1-8K 0.1886 0.1886 0.0171 0.0171
xAI Grok-4.1-Fast-128k 0.022 0.055 0.002 0.005
xAI Grok-4.1-Fast-Thinking-128k 0.022 0.055 0.002 0.005
xAI Grok-4.1-Fast-2M 0.044 0.11 0.004 0.01
xAI Grok-4.1-Fast-Thinking-2M 0.044 0.11 0.004 0.01
xAI Grok-4.0-256K 0.33 1.65 0.03 0.15
Seed Seed-1.6-256K 0.055 0.44 0.005 0.04
Seed Seed-1.6-Thinking-256K 0.055 0.44 0.005 0.04
Seed Seed-1.6-Flash-256K 0.0083 0.033 0.0008 0.003
Seed Seed-1.6-Flash-Thinking-256K 0.0083 0.033 0.0008 0.003

ราคา Embedding Service

หมายเหตุ: ราคาต่อไปนี้คิดเป็น “เครดิต / 1K Tokens”

แบรนด์
โมเดล
GPTBots Key
Own Key
OpenAI text-embedding-ada-002 0.0120 0.0010
OpenAI text-embedding-3-large 0.0156 0.0013
OpenAI text-embedding-3-small 0.0024 0.0002

ราคา Rerank Service

หมายเหตุ: ราคาต่อไปนี้คิดเป็น “เครดิต / 1K Tokens”

แบรนด์
โมเดล
GPTBots Key
Own Key
Jina reranker-v1-base-en 0.0022 0.0001
Jina reranker-v1-turbo-en 0.0022 0.0001
Jina reranker-v1-tiny-en 0.0022 0.0001
Baai bce-rerank 0.0022 0.0001
NteEase bgep-rerank 0.0022 0.0001

ราคา ASR Service

หมายเหตุ: ราคาต่อไปนี้คิดเป็น “เครดิต / 60 วินาที”

แบรนด์
โมเดล
GPTBots Key
Own Key
OpenAI Whisper Large-V2 0.66 0.06
OpenAI Whisper Large-V3 0.88 0.08

ราคา TTS Service

หมายเหตุ: ราคาต่อไปนี้คิดเป็น “เครดิต / 1000 ตัวอักษร”

แบรนด์
โมเดล
Platform Key
Own Key
OpenAI TTS 1.65 0.15
Azure Speech 1.65 0.15
Ali CosyVoice 0.44 0.044
Ali Sambert 0.22 0.022
Minimax Voice 0.44 0.044

ราคา Vector Storage

หมายเหตุ: ราคาต่อไปนี้คิดเป็น “เครดิต / 1K Tokens/วัน”

บริการ
ค่าบริการ
Vector Storage 0.001

คำถามที่พบบ่อย

วิธีแปลงเครดิต GPTBots เป็น Tokens?

ตัวอย่างเช่นบริการ LLM ของ OpenAI รุ่น GPT-4.1-1M หากใช้ GPTBots Key ป้อน 1,000 tokens จะใช้เครดิต 0.22
$10 = 1000 เครดิต = 4,545,454 Tokens (1000 เครดิต / 0.22 เครดิต * 1000 tokens)

ภาษา Input ≈ ตัวอักษร Input ≈ คำ
อังกฤษ 18,000,000 ตัวอักษร 3,500,000
จีน 3,000,000~4,500,000 -
ญี่ปุ่น 3,000,000~4,500,000 -
เกาหลี 3,000,000~4,500,000 -
ฝรั่งเศส - 3,800,000
เยอรมัน - 3,800,000
ไทย 3,000,000~4,500,000 -
รัสเซีย - 3,800,000
อาหรับ - 3,800,000

หมายเหตุ:
ตัวเลขนี้เป็นค่าโดยประมาณ ผลลัพธ์จริงขึ้นกับเนื้อหาและวิธีการตัด token
ภาษาอังกฤษและตระกูลละตินจะประมาณด้วยจำนวนคำ ส่วนจีน ญี่ปุ่น เกาหลี ไทย ฯลฯ จะประมาณด้วยจำนวนตัวอักษร

วิธีคำนวณ Token?

อ้างอิงกฎการคำนวณ token ของ OpenAI LLM:

ภาษา/ตัวอักษร 1 Token ≈ ตัวอักษร
อังกฤษ 4 ตัวอักษร
จีน 1 ตัวอักษรจีน
ญี่ปุ่น 1 ตัวคานะ/คันจิ
เกาหลี 1 ตัวอักษรฮันกึล
ฝรั่งเศส/สเปน/เยอรมัน ฯลฯ 3~4 ตัวอักษร
รัสเซีย 3~4 ตัวอักษร
อาหรับ/ฮีบรู 3~4 ตัวอักษร
  1. อังกฤษ: 1 คำภาษาอังกฤษ ≈ 1.3 token, 1 token ≈ 4 ตัวอักษร (รวมช่องว่างและเครื่องหมายวรรคตอน)
  2. จีน: 1 ตัวอักษรจีน ≈ 1 token (บางครั้ง 1.5 token เฉลี่ย)
  3. ญี่ปุ่น: 1 token ≈ 1 ตัวคานะ/คันจิ
  4. เกาหลี: 1 token ≈ 1 ตัวอักษรเกาหลี (แต่ละบล็อกอาจยาวกว่า)
  5. ฝรั่งเศส: 1 คำฝรั่งเศส ≈ 1.2 token
  6. เยอรมัน: 1 คำเยอรมัน ≈ 1.2 token
  7. ไทย: 1 token ≈ 1 ตัวอักษรไทย (ภาษาไทยไม่มีเว้นวรรค อาจนับ token มากขึ้นหลังตัด)
  8. รัสเซีย: 1 คำรัสเซีย ≈ 1.2 token
  9. อาหรับ: 1 คำอาหรับ ≈ 1.2 token

    หากต้องการคำนวณ token อย่างละเอียด สามารถใช้เครื่องมือ tiktoken ของ OpenAI

วิธีคำนวณ Token สำหรับภาพ

อ้างอิงกฎการคำนวณ token ของ OpenAI LLM สำหรับภาพ:

  1. ดูขนาดภาพ “px” เช่น “1024px * 1024px”
  2. คำนวณค่า “Tiles” โดยนำความกว้างและสูงหาร 512 แล้วปัดขึ้น คูณกัน
  3. คำนวณ “Tokens” ด้วยสูตร “85+170*Tiles”

  • สูตรคำนวณ:

    Tiles=⌈(width÷512)⌉×⌈(height÷512)⌉Tiles = ⌈(width÷512)⌉×⌈(height÷512)⌉
    Tokens=85+170×TilesTokens = 85+170×Tiles

  • ตัวอย่างโค้ด Python:

import math def calculate_tokens(width, height): tiles = math.ceil(width/512) * math.ceil(height/512) tokens = 85 + 170 * tiles return tokens # ทดสอบ print(calculate_tokens(2000, 500))
                      
                      import math

def calculate_tokens(width, height):
    tiles = math.ceil(width/512) * math.ceil(height/512)
    tokens = 85 + 170 * tiles
    return tokens

# ทดสอบ
print(calculate_tokens(2000, 500))
บล็อกโค้ดนี้ในหน้าต่างลอย

เช่น หากขนาดภาพที่ป้อนคือ 2000px * 500px จะได้ค่า Tiles เท่ากับ 4*1=4 ดังนั้น token สำหรับภาพนี้คือ 85+170*4=765