Сколько стоит распознать изображение через API: фото, чеки и скриншоты

В расчёте анализ картинки 512×512 через GPT-4.1 Mini стоит около 0,11 ₽, а 1 000 таких картинок — около 109 ₽. Для 1024×1024 — около 0,21 ₽ и 209 ₽. Расчёт по тарифам на 17 ноября 2026 года: 150 текстовых входных и 200 выходных токенов на картинку.

Фотография керамической кружки стоит в прозрачной сканирующей рамке с фиолетовой сеткой; рядом отпечатки и монеты

Стоимость распознавания изображения через vision API складывается из визуального входа, текстовой инструкции и оплачиваемого ответа. В расчёте ниже 1 000 картинок 512×512 обходятся примерно в 109 ₽, а 1024×1024 — в 209 ₽. В смете заложены 150 текстовых входных и 200 выходных токенов на изображение.

Тариф проверен 17 ноября 2026 года. Для генерации изображений есть отдельный расчёт.

Стоимость распознавания складывается из image-токенов, текстовой инструкции и ответа; рост разрешения увеличивает визуальный вход
В этом примере разрешение меняет цену входа, а размер инструкции и ответа остаётся заданным.

Что именно вы хотите получить

Задача Пример результата Что проверять
Описание фотографии Цвет и вид товара Видимые признаки без выдуманных свойств
Чтение чека Сумма, дата и позиции Правильность каждого поля и арифметику
Анализ скриншота Текст ошибки и состояние интерфейса Мелкие надписи, обрезанные элементы
OCR Текст с сохранением нужной структуры Символы, порядок строк и колонок

Vision-модель может одновременно читать текст и объяснять изображение. Но для простой массовой транскрипции стоит сравнить её с отдельным OCR. Сравнивайте стоимость правильно распознанного результата.

Если источник содержит многостраничный PDF, используйте отдельный расчёт документов: обработка страниц и извлечённого текста может отличаться от отправки одной картинки.

Как посчитать визуальный вход

У моделей разные правила. Для нашего примера выберем patch-метод GPT-4.1 Mini, snapshot 2025-04-14, описанный в документации OpenAI по изображениям. Не переносите коэффициенты на GPT Image, другие семейства или неизвестный маршрут посредника.

В выбранном методе изображение разбивается на блоки 32×32 пикселя. Для размеров ниже порога масштабирования число блоков равно:

ceil(ширина ÷ 32) × ceil(высота ÷ 32).

Далее применяется коэффициент модели 1,62. Округлим оценку до целого токена вверх. Окончательный расход сверяйте с usage поставщика.

Размер изображения Блоков 32×32 Оценка image-токенов
512×512 16 × 16 = 256 ceil(256 × 1,62) = 415
1024×1024 32 × 32 = 1 024 ceil(1 024 × 1,62) = 1 659

Оба примера укладываются в лимит 1 536 блоков до масштабирования. Для более крупных изображений нельзя просто продолжить формулу без правил уменьшения. Идентификатор gpt-4.1-mini у посредника сам по себе не подтверждает snapshot: уточните используемую версию и метод учёта изображений.

Расчёт в рублях на одну и тысячу картинок

На 17 ноября базовые цены GPT-4.1 Mini у AITUNNEL — 80 ₽ за миллион входных и 320 ₽ за миллион выходных токенов. На странице есть другие варианты маршрута, в том числе 88 / 352 ₽. Для расчёта возьмём нижний тариф и описанный выше patch-учёт. Фактическое списание сверяйте с usage выбранного маршрута.

Дополнительно зададим на каждую картинку:

  • 150 текстовых входных токенов на инструкцию;
  • 200 оплачиваемых выходных токенов;
  • один вызов без кеша, платных инструментов и повторов.

Цена = ((image-токены + текстовый вход) × 80 + выход × 320) ÷ 1 000 000.

Изображение Визуальный вход Инструкция Ответ Один вызов 1 000 вызовов
512×512 0,0332 ₽ 0,012 ₽ 0,064 ₽ 0,1092 ₽ 109,20 ₽
1024×1024 0,13272 ₽ 0,012 ₽ 0,064 ₽ 0,20872 ₽ 208,72 ₽

Длинный список позиций чека увеличит выход, а нечитаемая фотография потребует нового снимка или ручной проверки. При тарифе 88 / 352 ₽ значения вырастут на 10%. Хранение файлов и работа человека сюда не входят.

Почему сжатие JPEG может не дать экономии

Файлы с одинаковым разрешением могут занимать разное количество байтов. В выбранном методе тарификация опирается на сетку изображения, поэтому уменьшение качества JPEG при тех же ширине и высоте не сокращает эту сетку.

Обрезка пустых полей и уменьшение разрешения способны снизить вход, но их полезность зависит от сохранности деталей. Мелкую дату, артикул или строку итоговой суммы легко сделать нечитаемыми. При необходимости передавайте общий вид и отдельный фрагмент: оба изображения учитываются в смете.

Как сравнить vision с OCR

Соберите небольшой набор обезличенных фото: хороший свет, перекос, мелкий текст, длинный чек, скриншот с несколькими окнами. Заранее выпишите правильные значения нужных полей. Не отправляйте реальные платёжные данные ради теста.

Для каждого способа сохраните разрешение, usage, расходы всех попыток и принятые поля. Если отдельный OCR отдаёт только текст, а затем нужна LLM-классификация, прибавьте второй шаг.

Пример экономики качества: потрачено 120 ₽, принято 900 результатов из 1 000. Цена принятого результата — 120 ÷ 900 ≈ 0,133 ₽, без труда проверяющего. Если другой маршрут стоит 160 ₽ и даёт 990 принятых результатов, его цена — около 0,162 ₽. В этом примере для выбора маршрута нужно также учесть стоимость ручной проверки.

Что проверить у посредника до массовой загрузки

Уточните поддержку изображений выбранной моделью, способ передачи файла, snapshot, единицу учёта и наличие визуальных токенов в usage. Посмотрите, как долго хранятся файлы и журналы, кто имеет к ним доступ.

Для JSON с полями чека используйте структурированный вывод и валидацию. Для документов с данными клиентов отдельно оцените условия обработки. Цены и предложения модели найдёте в каталоге, но возможность vision и способ тарификации подтвердите для конкретного маршрута.

Частые вопросы

Сколько стоит распознать тысячу изображений через API?

В расчёте на 17 ноября 2026 года — около 109 ₽ для 512×512 или 209 ₽ для 1024×1024. Условия: patch-учёт GPT-4.1 Mini, тариф 80 / 320 ₽ за миллион токенов, 150 текстовых входных и 200 выходных токенов на картинку.

Размер JPEG в мегабайтах определяет цену vision?

Не напрямую. Для выбранного в статье patch-метода важны ширина и высота изображения и правила модели. Сжатие файла без изменения разрешения не означает уменьшение числа image-токенов.

Vision API и генерация картинок оплачиваются одинаково?

Нет. В этой статье речь об анализе входного изображения и текстовом ответе. Создание и редактирование изображений имеют отдельные модели и правила тарификации.

Можно ли уменьшать все чеки до 512×512?

Нельзя считать это универсальным правилом. При уменьшении может потеряться мелкий текст. Выбирайте разрешение по доле правильно извлечённых полей на своих обезличенных примерах.

Читайте также