logo
การพัฒนา
ภาพรวมพื้นที่นักพัฒนาพื้นที่ทำงานเอกสาร APIแนวปฏิบัติที่ดีบันทึกการเปลี่ยนแปลง
ค้นหา
ภาษาไทย
ภาพรวม / บริการ เครดิต และราคา
บริการ, เครดิต & ราคา
อัปเดตล่าสุด：8 วันที่ผ่านมา

บริการ, เครดิต & ราคา

บริการโมเดล

บริการโมเดลของ GPTBots ให้บริการโดย GPTBots โดยตรง นักพัฒนาสามารถใช้บริการจากแพลตฟอร์มต่าง ๆ เช่น OpenAI และ Claude ผ่าน GPTBots ได้โดยไม่ต้องลงทะเบียนคีย์ของตนเองกับแพลตฟอร์มเหล่านั้น เมื่อเรียกใช้บริการโมเดล ระบบจะหักเครดิตตามราคาด้านล่าง

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 Output
OpenAI GPT-5.6-Sol 0.55 3.3
OpenAI GPT-5.6-Terra 0.22 1.32
OpenAI GPT-5.6-Luna 0.033 0.198
OpenAI GPT-5.4-272k 0.275 1.65
OpenAI GPT-5.4-Mini-400k 0.0825 0.495
OpenAI GPT-5.4-Nano-400K 0.022 0.1375
OpenAI GPT-Chat-Latest-400K 0.55 3.3
OpenAI GPT-5.0-Chat-128k 0.1375 1.1
OpenAI GPT-4.1-1M 0.22 0.88
OpenAI GPT-4.1-mini-1M 0.044 0.176
OpenAI GPT-4.1-nano-1M 0.011 0.044
OpenAI GPT-4o-128k 0.225 1.1
OpenAI GPT-4o-mini-128k 0.0165 0.0665
OpenAI GPT-Audio 0.275 1.1
OpenAI GPT-Mini-Audio 0.0165 0.066
OpenAI GPT-5.5-272K 0.55 3.3
OpenAI GPT-5.5-Pro-272K 3.3 19.8
OpenAI GPT-Realtime-2.1(audio) 3.52 7.04
OpenAI GPT-Realtime-2.1-mini(audio) 1.1 2.2
Azure GPT-5.2-400k 0.1375 1.1
Azure GPT-5.2-Chat-128K 0.1375 1.1
Azure GPT-5.0-Mini-400k 0.0275 0.22
Azure GPT-5.0-Nano-400K 0.0055 0.044
Azure Computer-Use Agent 0.33 1.32
Azure GPT-4.1-1M 0.22 0.88
Azure GPT-4.1-mini-1M 0.044 0.176
Azure GPT-4.1-nano-1M 0.011 0.044
Azure GPT-4o-128k 0.225 1.1
Azure GPT-4o-mini-128k 0.0165 0.0665
Azure GPT-Audio 0.275 1.1
Azure GPT-Audio-mini 0.0165 0.066
Baidu ERNIE-3.5-8K 0.18 0.18
Baidu ERNIE-4.0-8K 1.76 1.76
Baidu ERNIE-Speed-128K 0 0
Meta Llama-4.0-Maverick-1M 0.0297 0.0935
Meta llama-3.1-8b-turbo-128k 0.022 0.022
Meta Llama-4.0-Scout-300K 0.0198 0.0649
Meta Llama-4.0-Guard-128K 0.022 0.022
Meta llama-3.3-70b-128k 0.099 0.099
Ali Qwen-Plus-1M 0.0314 0.1257
Ali Qwen-Flash-1M 0.0047 0.0094
Ali Qwen-vl-max-32k 0.3143 0.3143
Ali Qwen-3.5-122B-256k 0.0314 0.3143
Ali Qwen-3.5-35B-256k 0.0251 0.2011
Ali Qwen3.0-32B-128K 0.0314 0.3143
Ali Qwen3.0-8B-128K 0.0079 0.0786
Ali Qwen-Omni-Turbo 0.1 0.2
Ali Qwen2.0-audio 0.1 0.1
Ali Qwen-Max-1M 0.1886 0.5657
Ali Qwen3.6-Plus-1M 0.0126 0.2514
Mistral open-mixtral-8x7b 0.077 0.077
Mistral open-mistral-7b 0.028 0.028
Mistral Mistral-Large3 0.88 2.64
Mistral Mistral-Medium-3 0.297 0.891
Mistral Mistral-Small-4 0.22 0.66
Zhipu GLM-5.0-200K 0.0943 0.3457
Zhipu GLM-4.7-Thinking-200K 0.0629 0.2514
Zhipu GLM-4.7-FlashX-200K 0.0079 0.0471
Zhipu GLM-4.5-X-128K 0.1257 0.5029
Zhipu GLM-4.0-9b-8K 0.095 0.095
Zhipu GLM-4V-Plus-16K 0.017 0.017
Zhipu GLM-5.2-1M 0.1257 0.44
Anthropic Claude-4.6-Opus-200k 0.55 2.75
Anthropic Claude-4.6-Opus-Thinking-200K 0.55 2.75
Anthropic Claude-4.6-Sonnet-200K 0.33 1.65
Anthropic Claude-4.6-Sonnet-Thinking-200K 0.33 1.65
Anthropic Claude-Fable-5.0 1.1 5.5
Anthropic Claude-Opus-5.0 0.55 2.75
Anthropic Claude-Sonnet-5.0 0.22 1.1
Anthropic Claude-4.7-Opus-1M 0.55 2.75
Anthropic Claude-4.5-Haiku-200k 0.33 1.65
Anthropic Claude-4.0-Sonnet-Thinking-200k 0.33 1.65
Anthropic Claude-5.0-Sonnet-1M 0.22 1.1
Anthropic Claude-4.8-Opus-1M 0.55 2.75
Tencent Hunyuan-pro-32k 0.472 1.572
Tencent Hunyuan-standard-32k 0.0707 0.0786
Tencent Hunyuan-standard-256k 0.2357 0.9429
Tencent hunyuan-lite-4k 0 0
Google Gemini-3.1-Pro-1M 0.44 1.98
Google Gemini-3.5-Flash-1M 0.165 0.99
Google Gemini-3.1-Flash-Image 0.0275 6.6
Google Gemini-3.1-Flash-Live(audio) 0.33 1.32
Google Gemini-3.0-Pro-Image 0.22 13.2
Google Gemini-3.0-Flash 0.055 0.33
Google Gemini-3.1-Flash-Lite 0.0275 0.165
Google Gemini-2.5-Flash-Lite 0.011 0.044
Google Gemma-4-31B - -
Google Gemma-4-26B - -
Google Gemma-4-E4B - -
Google Gemini-3.1-Flash-Live 0.0825 0.495
SenseTime SenseChat-5-Cantonese 0.418 0.418
DeepSeek DeepSeek-V4-Flash-1M 0.0157 0.0314
DeepSeek DeepSeek-V4-Pro-1M 0.1886 0.3771
DeepSeek DeepSeek-3.2-128K 0.0157 0.0314
DeepSeek DeepSeek-3.2-Thinking-128K 0.0629 0.2514
DeepSeek DeepSeek-V4-Flash-Thinking-1M 0.0157 0.0314
DeepSeek DeepSeek-V4-Pro-Thinking-1M 0.1886 0.3771
Moonshot Kimi-K2.5-256k 0.1257 0.9114
Moonshot Kimi-K2.6-256K 0.0629 0.33
xAI Grok-4.1-Fast-128k 0.022 0.055
xAI Grok-4.1-Fast-Thinking-128k 0.022 0.055
xAI Grok-4.1-Fast-Thinking-2M 0.044 0.11
xAI Grok-4.0-256K 0.33 1.65
xAI Grok-4.3-1M 0.044 0.11
Seed Seed-2.0-Pro-256K 0.11 0.66
Seed Seed-2.0-Lite-256K 0.055 0.44
Seed Seed-2.0-Mini-256K 0.022 0.088
Seed Seed-1.6-256K 0.055 0.44
Seed Seed-1.6-Thinking-256K 0.055 0.44
Seed Seed-1.6-Flash-256K 0.0083 0.033
Seed Seed-1.6-Flash-Thinking-256K 0.0083 0.033

ราคา Embedding Service

หมายเหตุ: ราคาต่อไปนี้คิดเป็น “เครดิต / 1K Tokens”

แบรนด์
โมเดล
Price
OpenAI text-embedding-ada-002 0.0120
OpenAI text-embedding-3-small 0.0024
OpenAI text-embedding-3-large 0.0156
Ali text-embedding-v3 0.0007
Jina jina-embeddings-v3 0.002

ราคา Rerank Service

หมายเหตุ: ราคาต่อไปนี้คิดเป็น “เครดิต / 1K Tokens”

แบรนด์
โมเดล
Price
Jina Jina-Reranker-m0 0.0022
NetEase BCE BCE-Rerank 0.0012
Baai BGE BGE-Rerank 0.0012

ราคา ASR Service

หมายเหตุ: ราคาต่อไปนี้คิดเป็น “เครดิต / 60 วินาที”

แบรนด์
โมเดล
Price
OpenAI Whisper Large-V2 0.66
OpenAI Whisper Large-V3 0.88
OpenAI GPT-4o-mini-transcribe 0.33
OpenAI GPT-4o-transcribe 0.66
Azure Azure-Speech 4.1666

ราคา TTS Service

หมายเหตุ: ราคาต่อไปนี้คิดเป็น “เครดิต / 1000 ตัวอักษร”

แบรนด์
โมเดล
Price
OpenAI TTS 1.65
Azure Speech 1.65
Ali CosyVoice 0.44
Ali Sambert 0.22
Minimax Voice 0.44

ราคา Content Moderation Service

หมายเหตุ: ราคาต่อไปนี้คิดเป็น “เครดิต / ครั้ง”

แบรนด์
โมเดล
Price
OpenAI Omni-moderation 0.0001

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 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