Döküm Araçları'nda Azure İçerik Anlama fiyatlandırması

Bu makale, açık örnekler ve maliyet dökümüyle Foundry Araçları'ndaki Azure İçerik Anlamlandırma'nın fiyatlandırma modelini açıklığa kavuşmaktadır. Ne için ücretlendirileceğinizi ve iş yükünüz için maliyetleri tahmin etmeyi öğrenin.

Belirli fiyatlandırma fiyatları için bkz. Azure Content Understanding Pricing.

İki tür ücreti anlama

Azure İçerik Anlama fiyatlandırması, iki ana kullanım kategorisine dayanmaktadır.

1. İçerik ayıklama ücretleri

İçerik ayıklama, yapılandırılmamış girişi (belgeler, ses, video) yapılandırılmış, aranabilir metin ve içeriğe dönüştürür. Bu çıkış belgeler için optik karakter tanıma (OCR), ses/video için konuşmayı metne dönüştürme ve düzen algılamayı içerir. İşlenen giriş birimi başına ödemeniz gerekir:

Belgeler: 1.000 sayfa başına
Ses ve Video: Dakika başına

2. Üretken özellik ücretleri

Büyük dil modellerini (LLM' ler) çağıran yapay zeka destekli özellikleri kullandığınızda iki tür ücret ödersiniz:

Bağlamsallaştırma ücretleri: Bağlamı hazırlar, güven puanları oluşturur, kaynak temellendirme sağlar ve çıkışı biçimlendirir. Ayrıntılar için bkz. Bağlamsallaştırma belirteçleri.
Generatif model ücretleri: Microsoft Foundry model dağıtımlarından belirteç tabanlı maliyetler (oluşturma için LLM'ler, eğitim örnekleri için gömüler). Content Understanding, tüm üretici yapay zeka ile ilgili çağrılar için sizin sağladığınız Foundry model dağıtımını kullanır. LLM veya jeton ekleme kullanımı için Content Understanding'de herhangi bir faturalama görmezsiniz. Bu kullanım, Foundry model dağıtımınızda görünür. Ayrıntılar için bkz. Oluşturucu model ücretleri.

Üretken özellikler şunlardır: Alan ayıklama, şekil analizi, segmentasyon, kategorilere ayırma, eğitim.

Maliyet denklemi

Content Understanding çözümleyicisini çalıştırmanın toplam maliyeti şu formülü izler:

Total Cost = Content Extraction + Contextualization Tokens + LLM Input Tokens + LLM Output Tokens + Embeddings Tokens

İçerik ayıklamayı yalnızca üretken özellikler olmadan kullanıyorsanız, yalnızca içerik ayıklama için ücretlendirilirsiniz. Üretken özellikleri kullandığınızda, tüm geçerli ücretler uygulanır.

Maliyetlerinizi tahmin etme

1. Temsili dosyalarla test edin

Gerçek dosyalarınız ve şemanızla küçük bir test analizi çalıştırın. Gerçek belirteç tüketimini görmek için Çözümleyiciler API'sinin yanıtında nesneyi denetleyin usage :

  "usage": {
    "documentPagesMinimal": 0, // Pages processed at the minimal level (i.e. txt, xlsx, html, and other digital file types)
    "documentPagesBasic": 0, // Pages processed at the basic level (i.e. read)
    "documentPagesStandard": 2, // Pages processed at the standard level (i.e. layout)
   
    "contextualizationToken": 2000,
    "tokens": {
      "gpt-4.1-input": 10400,
         "gpt-4.1-output": 360
    }
  }

2. Azure Fiyatlandırma Hesaplayıcısı'nı kullanın

Azure Fiyatlandırma Hesaplayıcısı İçerik Anlama'yı bulun ve ayarlarınızı yapılandırın:

Hesap makinesine "İçerik Anlama" ekleme
Sayfa başına veya dakika başına belirteç ortalamalarını hesaplamak için 1. adımdan test sonuçlarınızı kullanın
Bölgeniz, dosya türünüz, beklenen birim ve model dağıtımınızla birlikte belirteç sayılarını girin

Hesap makinesi, iş yükünüz için doğru maliyet projeksiyonları sağlar.

Fiyatlandırma örneği: Fatura alanı veri çıkarma

Tahmin yaklaşımını izleyerek maliyetlerin nasıl hesaplanmış olduğunu göstermek için somut bir örneği el ile inceleyelim.

Senaryo: Satıcı adı, fatura numarası, toplam tutar ve satır öğeleri gibi yapılandırılmış verileri ayıklamak için faturaları işliıyorsunuz. Kaynak temel oluşturma ve güvenilirlik puanları devre dışı bırakılmış 1.000 fatura sayfasını işlemek istiyorsunuz.

1. Adım: Temsili dosyalarla test edin Temsili dosyaları test ettikten sonra, sayfa başına aşağıdaki ortalama belirteç kullanımını buldunuz:

Giriş belirteçleri: Sayfa başına 1.100
Çıkış belirteçleri: Sayfa başına 60
Bağlamsallaştırma: Sayfa başına 1.000 belirteç (sabit hız)

1.000 sayfa için toplamlar eşittir:

Toplam giriş belirteçleri: 1.000 sayfa × 1.100 = 1.100.000 belirteç
Toplam çıkış belirteçleri: 1.000 sayfa × 60 = 60.000 belirteç
Toplam bağlamsallaştırma belirteçleri: 1.000 sayfa × 1.000 = 1.000.000 belirteç

2. Adım: Maliyetleri el ile hesaplama (fiyatlandırma hesaplayıcısını kullanmak yerine) Aşağıdaki fiyatlandırma varsayımlarıyla genel dağıtım kullanma:

Fiyatlandırma varsayımları :

İçerik ayıklama: 1.000 sayfa başına 5,00 ABD doları
Bağlamsallaştırma: 1 milyon belirteç başına 1,00 ABD doları
Giriş belirteçleri: 1 milyon belirteç başına 0,40 ABD doları
Çıkış belirteçleri: 1 milyon belirteç başına 1,60 ABD doları
Eklemeler: 1.000 belirteç başına 0,02 ABD doları. Eğitim örnekleri içeren bir bilgi bankası kullanmadığınız için ekleme ücretleri uygulanmaz. Doğruluğu artırmak için etiketli örnekler eklerseniz, sistem bağlam penceresine eklenen örnek verileri işlemek üzere giriş belgelerinden metin eklemek için ekleme belirteci kullanımı ve tamamlama giriş belirteçleri ekler.

Maliyet hesaplaması:

İçerik ayıklama: 1.000 sayfa × her 1.000 sayfa başına 5,00 ABD doları = 5,00 ABD doları
Bağlamsallaştırma: 1.000.000 belirteç × $$1.00$ her 1M belirteç başına = 1,00 ABD doları
Giriş belirteçleri: 1.100.000 belirteç × milyon belirteç başına 0,40 ABD doları = 0,44 ABD doları
Çıkış belirteçleri: 60.000 belirteç × 1 milyon belirteç başına 1,60 ABD doları = 0,10 ABD doları
Eklemeler: Kullanılmaz = $0,00

Total Cost = $5.00 + $1.00 + $0.44 + $0.10 + $0.00 = $6.54 per 1000 pages

Not

Bu fiyatlar yalnızca çizim amaçlıdır ve gerçek maliyeti temsil etmeye yönelik değildir. Geçerli fiyatlar için Azure Content Understanding Pricing ve Azure OpenAI Pricing denetleyin.

Ayrıntılı maliyet bileşenleri

İçerik ayıklama

İçerik ayıklama, yapılandırılmamış girişi (belge, ses veya video) standartlaştırılmış, yeniden kullanılabilir bir biçime dönüştürmenin temel ilk adımıdır. Bu temel işleme tüm üretken özellikler için gereklidir ve tek başına kullanılabilir.

Modalite göre içerik ayıklama fiyatlandırması:

Belgeler: İşleme karmaşıklığını temel alan üç katmanlı ölçüm (minimum, temel veya standart)
Ses: Konuşmayı metne dönüştürme transkripsiyonu (tek standart ölçüm, dakika başına fiyat)
Video: Kare ayıklama, çekim algılama ve konuşmayı metne dönüştürme (tek standart birim, dakika başına fiyatlanan)
Görüntüler: Mevcut içerik ayıklama yok

Belge içeriği ayıklama ölçümleri

Belgeler için Content Understanding'in gerçekleştirdiği işleme türü için ücretlendirilirsiniz. Content Understanding ücretleri, seçtiğiniz çözümleyiciye değil her sayfada gerçekleştirilen fiili çalışmaya göre yapılır.

Minimum ölçüm: OCR veya düzen işleme gerekmeyen dijital belgeler (DOCX, XLSX, PPTX, HTML, TXT, MSG, EML) için geçerlidir. Bu sayaç, dijital doğal belgeler için en düşük maliyetli seçenektir. Hangi çözümleyiciyi kullandığınızdan bağımsız olarak en düşük fiyatla ücretlendirilirsiniz. Dijital bir belgedeki bir düzen çözümleyicisini çağırsanız bile, yalnızca gerçekleştirilen en düşük işlem için ücretlendirilirsiniz.

Temel ölçüm: Content Understanding, düzen analizi olmadan görüntü tabanlı belgelerden (taranmış PDF'ler, görüntüler, TIFF'ler) metin ayıklamak için OCR işlemi gerçekleştirdiğinde geçerlidir.

Standart ölçüm: Content Understanding, görüntü tabanlı belgelerden (taranan PDF'ler, görüntüler, GIF'ler) tablo tanıma ve yapısal öğe algılama dahil olmak üzere düzen analizi gerçekleştirdiğinde geçerlidir.

Aşağıdaki tabloda, dosya türünüz ve çözümleme düzeyiniz temelinde hangi ölçümün geçerli olduğu gösterilmektedir:

Dosya Türü	Okuma (Temel)	Düzen (Standart)
Görüntü tabanlı (PDF, PNG, TIFF, JPG vb.)	Temel metre	Standart metre
Dijital biçimler (DOCX, XLSX, HTML, TXT vb.)	En az ölçüm	En az ölçüm

Ipucu

Seçtiğiniz çözümleyiciye değil, Content Understanding'in gerçekten gerçekleştirdiği işleme bağlı olarak ücretlendirilirsiniz. Dijital belgeler, OCR veya düzen işleme gerektirmediğinden her zaman asgari ölçüyü kullanır.

Üretken özellikler

Content Understanding'in üretken özellikleri, çıkışın kalitesini artırmak için üretken yapay zeka modellerini kullanır. En son API sürümünde [2025-11-01], kullanım örneğinize göre üretken bir model seçebilirsiniz.

Herhangi bir üretken özelliği kullandığınızda, Content Understanding sağladığınız Foundry modelleri dağıtımını kullanır. Tamamlama veya ekleme modelleri için belirteç kullanımı bu dağıtımdadır.

Bağlamsallaştırma belirteçleri

Bağlamsallaştırma, Content Understanding'in üretken modeller için bağlam hazırlayan ve çıktılarını son yapılandırılmış sonuçlara işleyen işleme katmanıdır.

Bağlamsallaştırmanın sağladığı bilgiler:

Çıktının yapılandırılmış şemalarda normalleştirilmesi ve biçimlendirilmesi
Bilgilerin nereden geldiğini göstermek için kaynak dayandırma
Ayıklama güvenilirliği için güven skoru hesaplaması
LLM kullanımını ve doğruluğunu iyileştirmek için bağlam mühendisliği

Ücretlendirildiğiniz zaman: Üretken özellikleri (alan ayıklama, şekil analizi, segmentasyon, kategorilere ayırma, eğitim) kullandığınızda.

Fiyatlandırma: İçerik birimi başına sabit fiyat

Bağlamsallaştırma belirteçleri, içerik birimi başına hesaplanır:

Birim	BağlamSallaştırma Belirteçleri	Birim başına geçerli Standart Fiyat
Sayfa başına	1.000 bağlamsallaştırma belirteci	1.000 sayfa başına 1 ABD doları
Görüntü başına	1.000 bağlamsallaştırma belirteci	1.000 resim başına 1 ABD doları
Ses saati başına	100.000 bağlamsallaştırma belirteci	Saatte 0,10 ABD doları
Video saati başına	1.000.000 bağlamsallaştırma belirteci	Saatte 1 ABD doları

1 milyon bağlamsallaştırma belirteci başına 1,00 ABD doları olduğu varsayılır.

Üretici modeli ücretleri (LLM)

Gerçek alan ayıklama, analiz ve diğer üretken özellikleri sağlayan Foundry modellerinden alınan belirteç tabanlı ücretler.

Giriş belirteçleri şunlardır:

Ayıklanan metin ve transkriptler
Görüntü belirteçleri (görsel analiz için)
Şema tanımlarınız
Sistem istemleri
Eğitim örnekleri (bilgi bankası kullanılırken)

Çıkış belirteçleri şunlardır:

Alan değerleri ve yapılandırılmış veriler
Güvenilirlik puanları ve kaynak temellendirme
Sonuçları ve açıklamaları analiz edin

Maliyet iyileştirme: Önemli tasarruflar için daha küçük modeller veya genel dağıtımlar seçin.

Ekleme ücretleri

Doğruluğu geliştirmek için etiketlenmiş örneklerle özel çözümleyicileri eğitirken kullanılan ekleme modelleri için belirteç tabanlı ücretler.

Şarj edildiğinde: Yalnızca etiketlenmiş verilerle eğitim özelliğini kullanırken
Modeller: metin yerleştirme-3-büyük, metin yerleştirme-3-küçük veya metin yerleştirme-ada-002
Tipik kullanım: Belgenin tamamı ekli. Kullanım, metnin yoğunluğuna bağlı olarak değişebilir, ancak sayfa başına yaklaşık 1.500 belirteç iyi bir başlangıç tahminidir.

Oluşturma özelliği ayrıntıları

Her biri biraz farklı maliyet etkilerine sahip olan çeşitli üretken özellikler vardır.

Alan çıkartma

Şema tanımınıza göre yapılandırılmış anahtar-değer çiftleri oluşturur. Fatura gönderen/alıcı, satır öğeleri veya etiket ve ürün görünümü gibi video reklam öğeleri örnek olarak verilebilir.

Maliyet etkisi: Ücretler şema karmaşıklığı ve içerik boyutuyla ölçeklendirilir.

Şekil analizi

GÖRSEL içeriği RAG iş akışlarında aranabilir hale getirmek için resimler, grafikler ve diyagramlar için açıklayıcı metinler oluşturur.

Maliyet etkisi: Çözümlenen görüntü başına LLM belirteçleri - hem görüntü yorumlama için giriş belirteçleri hem de açıklamalar için çıkış belirteçleri. Kullanım, belgedeki görüntü boyutu ve sayısıyla ölçeklendirilir.

Segmentasyon

Belgeleri veya videoları, hedeflenen işleme ve gelişmiş verimlilik için mantıksal bölümlere ayırır.

Maliyet etkisi: Oluşturulan her segment için çıkış belirteci maliyetleri. İsteğe bağlı olarak, her segment üzerinde daha fazla analiz için çözümleyicileri zincirleyebilirsiniz. Zincirleme yaparken zincirlenmiş çözümleyicileri bağımsız olarak çalıştırmaya eşdeğer daha fazla içerik ayıklama ve üretken kullanım elde edilir.

Kategori

Özel çözümleyicilere sınıflandırma ve akıllı yönlendirme için belgelere veya segmentlere etiketler atar.

Maliyet etkisi: LLM ve sınıflandırma için bağlamsallaştırma maliyetleri. Başka bir çözümleyiciye yönlendirme, ek ücretlere sebep olur.

Eğitim

Etki alanına özgü doğruluk iyileştirmeleri için etiketli örnekleri kullanarak özel çözümleyiciler oluşturur.

Maliyet etkisi: Etiketlenmiş veri eklerken belirteç kullanımını ekleme ve modele eğitim örnekleri alındığında ve sağlandığında analiz sırasında daha fazla LLM belirteci ekleme.

Bilgi bankası

Alanına özgü doğruluk artırımları için etiketli eğitim örnekleriyle özel analizörleri geliştirir.

Maliyet etkisi: Yerleşimler modeli, örnekleri dizine almak ve erişmek için kullanılır. Ayrıca eğitim örnekleri alındığında ve modele sağlandığında analiz sırasında LLM belirteçleri kullanılır.

Sık sorulan sorular

LLM kullanımı için ne zaman ücretlendirilirim?

LLM belirteçleri için yalnızca çözümleyiciye bir Foundry dağıtımı sağladığınızda ve Content Understanding'de üretken bir özellik kullandığınızda ücretlendirilirsiniz. Yalnızca içerik ayıklama gerçekleştiren çözümleyiciler (örneğin prebuilt-read, , prebuilt-layoutveya herhangi bir üretici özelliği olmayan özel çözümleyiciler) LLM ücreti uygulanmaz.

Belgelerim için hangi içerik ayıklama ölçümlerinin geçerli olduğunu nasıl anlarım?

Gerçekleştirilen gerçek işleme, seçtiğiniz çözümleyiciyi değil ölçümü belirler:

Minimal: Çözümleyiciden bağımsız olarak dijital belgeler (DOCX, XLSX, HTML, TXT vb.) her zaman en düşük düzeyde kullanılır
Temel: Yalnızca OCR işlemeye sahip görüntü tabanlı belgeler (Okuma çözümleyicisi)
Standart: Düzen analizine sahip görüntü tabanlı belgeler (Düzen çözümleyicisi)

Ölçümler hakkında daha fazla bilgi için bkz . Belge içeriği ayıklama ölçümleri.

Döküm modeli kullanımı için iki kez ücretlendirildim mi?

Hayır Content Understanding, tüm LLM ve gömme çağrıları için bağlantılı LLM dağıtımlarını kullanır. Bu dağıtımlar için faturalandırılırsınız. İçerik ayıklama ve bağlamsallaştırma için Content Understanding ve oluşturucu model belirteçleri (giriş/çıkış belirteçleri ve eklemeler) için Foundry'ye ödeme yaparsınız.

Daha küçük modellerle ne kadar tasarruf sağlayabilirim?

Standart yerine -mini modeli seçmek LLM maliyetlerini 80%kadar azaltabilir. Genel dağıtımlar ek tasarruf sağlar. İçerik ayıklama ve bağlamsallaştırma ücretleri, model seçiminden bağımsız olarak aynı kalır.

Token kullanımını ne artırır?

Çeşitli özellikler belirteç tüketimini artırıyor:

Kaynak topraklama + güvenilirlik puanları: ~2x token kullanımı
Ayıklama modu: ~1,5x token kullanım
Eğitim örnekleri: ~2x belirteç kullanımı
Segmentasyon/kategorilere ayırma: ~2x belirteç kullanımı

İsteğim başarısız olursa ücretlendirilir miyim?

bir istek hatayla başarısız olduğunda (400 hatası gibi) content Understanding içerik ayıklama veya bağlamsallaştırma için ücret ödemez. Bir Foundry tamamlama modeli çağrısı hatadan önce başarılı olduysa, Foundry'nin faturalama ilkelerine göre bu Foundry modeli kullanımı için ücretlendirilirsiniz.

Maliyet iyileştirme ipuçları

Mini modellerle başlayın - Mini modeller çoğu ayıklama görevi için önemli tasarruflar sunar
Veri yerleşimi ve uyumluluk izin verdiğinde genel dağıtımları kullanma
Gelişmiş özellikleri seçmeli olarak etkinleştirme - Yalnızca gerektiğinde kaynak topraklama ve güvenilirlik puanlarını kullanın
Gerçek belirteç tüketimini anlamak için ölçeklendirmeden önce temsili dosyaları test etme
İyileştirme fırsatlarını belirlemek için Azure portalı aracılığıyla kullanımı düzenli olarak izleyin.

Diğer fiyatlandırma örnekleri

Fiyatlandırmanın farklı senaryolarda nasıl çalıştığını gösteren ayrıntılı örnekler aşağıda verilmiştir:

Örnek 1: RAG iş akışları için belge işleme

Senaryo: Retrieval-Augmented Generation (RAG) çözümü için belgelerden içerik ayıklamanız gerekir. prebuilt-documentSearch ile metin, düzen ve şekil açıklamalarını ayıklarsınız.

Giriş:

1.000 sayfa
Model: GPT-4.1 genel dağıtımı
Bölge: Doğu ABD

Fiyatlandırma dökümü:

İçerik ayıklama: 1.000 sayfa
- Maliyet: (1.000 / 1.000) × $5,00 = 5,00 USD
Şekil analizi:

Sayfa başına iki rakam varsayılır. Şekil başına yaklaşık 1000 giriş ve 200 çıkış belirteci maliyeti vardır.
- Giriş belirteçleri: 2.000 şekil × 1000 belirteç/görüntü = 2.000.000 belirteç
- Maliyet: (2.000.000 / 1.000.000) × $2,00 = 4,00 USD
- Çıkış belirteçleri: 2.000 sayfa × 200 belirteç/sayfa = 400.000 belirteç
- Maliyet: (400.000 / 1.000.000) × $8,00 = 3,2 USD
Bağlamsallaştırma: 1.000 sayfa × 1.000 belirteç/sayfa = 1.000.000 belirteç
- Maliyet: (1.000.000 / 1.000.000) × $1,00 = 1,00 USD

Toplam tahmini maliyet: $5,00 + $4 + $3,2 + $1,00 = 13,20 USD

Not

Bu fiyatlar yalnızca çizim amaçlıdır ve gerçek maliyeti temsil etmeye yönelik değildir. Geçerli fiyatlar için Azure Content Understanding Pricing ve Azure OpenAI Pricing denetleyin

Örnek 2: Alan çıkarma ile faturaların işlenmesi

Senaryo: Yapılandırılmış verileri (fatura numarası, tarih, satıcı, toplam, satır öğeleri) ayıklamak için kullanarak prebuilt-invoice fatura işlemeyi otomatikleştirmiş durumdasınız.

Giriş:

1.000 sayfa
Model: GPT-4.1-mini küresel dağıtım (maliyet optimize edilmiş)
Özellikler: Ayıklama modu + kaynak tahmini + güvenilirlik puanları
Bölge: Doğu ABD

Fiyatlandırma dökümü:

İçerik ayıklama: 1.000 sayfa
- Maliyet: (1.000 / 1.000) × $5,00 = 5,00 USD
Alan ayıklama: Kaynak tahmini + güvenilirlik etkinken, belirteç kullanımı sayfa başına yaklaşık 2 kat daha fazladır:
- Temel giriş belirteçleri: 1.000 sayfa × 5.200 belirteç/sayfa = 5.200.000 belirteç
- Maliyet: (5.200.000 / 1.000.000) × $0,40 = 2,08 USD
- Temel çıkış belirteçleri: 1.000 sayfa × 180 belirteç/sayfa = 180.000 belirteç
- Maliyet: (180.000 / 1.000.000) × $1,60 = 0,29 USD
Bağlamsallaştırma: 1.000 sayfa × 1.000 belirteç/sayfa = 1.000.000 belirteç
- Maliyet: (1.000.000 / 1.000.000) × $1,00 = 1,00 USD

Toplam tahmini maliyet: $5,00 + $2,08 + $0,29 + $1,00 = $8,37

Not

Mini yerine standart bir GPT-4.1 genel dağıtımı kullanmak, alan ayıklama maliyetini yaklaşık 5 kat artırarak toplamı yaklaşık 33 ABD dolarına getirir.

Not

Bu fiyatlar yalnızca çizim amaçlıdır ve gerçek maliyeti temsil etmeye yönelik değildir. Geçerli fiyatlar için Azure Content Understanding Pricing ve Azure OpenAI Pricing denetleyin

Örnek 3: Segment düzeyinde alan ayıklama ile video içeriğini analiz etme

Senaryo: RAG uygulaması için video içeriğinin yapılandırılmış bir gösterimini ayıklaıyorsunuz. Video segmentine göre yapılandırılmış verileri ayıklamak için kullanabilirsiniz prebuilt-videoSearch. Segmentler ortalama 15-30 saniyelik kısa kliplerdir ve bu da segment başına tek bir özet alanı olan çok sayıda çıkış kesimine neden olur.

Giriş:

60 dakika (1 saat) video
Model: GPT-4.1 genel dağıtımı
Bölge: Doğu ABD

Varsayımlar:

Giriş belirteçleri: Dakikada 7.500 belirteç (örneklenmiş çerçeveler, transkripsiyon, şema istemleri ve metapromptlar temelinde)
Çıkış belirteçleri: Dakikada 900 belirteç (otomatik segmentasyonlu segment başına 10-20 kısa yapılandırılmış alan olduğu varsayılır)
Bağlamsallaştırma: Videonun saati başına 1.000.000 belirteç

Fiyatlandırma dökümü:

İçerik ayıklama: 60 dakika
- Maliyet: 60 dakika × $1/saat = 1,00 ABD doları
Alan ayıklama:
- Giriş belirteçleri: 60 dakika × 7.500 belirteç/dakika = 450.000 belirteç
- Maliyet: (450.000 / 1.000.000) × $2,00 = 0,90 USD
- Çıkış token'ları: 60 dakika × 900 token/dakika = 54.000 token
- Maliyet: (54.000 / 1.000.000) × $8,00 = 0,43 USD
Bağlamsallaştırma: Saatte 1.000.000 belirteç
- Maliyet: (1.000.000 / 1.000.000) × $1,00 = 1,00 USD

Toplam tahmini maliyet: $1,00 + $0,90 + $0,43 + $1,00 = $3,33

Not

Gerçek maliyet, giriş ve çıkışınızın özelliklerine göre değişir. Bu şeffaf, kullanım tabanlı faturalama modeli yalnızca kullandığınız kadar ödeme gerçekleştirmenizi sağlar.

Not

Bu fiyatlar yalnızca çizim amaçlıdır ve gerçek maliyeti temsil etmeye yönelik değildir. Geçerli fiyatlar için Azure Content Understanding Pricing ve Azure OpenAI Pricing denetleyin

Örnek 4: Sesli çağrı merkezi kayıtlarını işleme

Senaryo: prebuilt-callCenter kullanarak çağrı merkezi kayıtlarını analiz ediyor ve transkriptler, konuşmacı ayrımı, duygu analizi ve özetler oluşturuyorsunuz.

Giriş:

60 dakikalık ses
Model: GPT-4.1-mini küresel dağıtım
Bölge: Doğu ABD

Fiyatlandırma dökümü:

İçerik ayıklama: 60 dakika
- Maliyet: 60 dakika × $0,36/dakika = 0,36 ABD doları
Alan ayıklama:
- Giriş belirteçleri: 60 dakika × 604 belirteç/dakika = 36.240 belirteç
- Maliyet: (36.240 / 1.000.000) × $0,40 = 0,01 USD
- Çıkış belirteçleri: 60 dakika × 19 belirteç/dakika = 1.140 belirteç
- Maliyet: (1.140 / 1.000.000) × $1,60 = 0,00 USD
Bağlamsallaştırma: 60 dakika × 1.667 belirteç/dakika = 100.020 belirteç
- Maliyet: (100.020 / 1.000.000) × $1,00 = 0,10 USD

Toplam tahmini maliyet: $0,36 + $0,01 + $0,00 + $0,10 = $0,47

Not

Bu fiyatlar yalnızca çizim amaçlıdır ve gerçek maliyeti temsil etmeye yönelik değildir. Geçerli fiyatlar için Azure Content Understanding Pricing ve Azure OpenAI Pricing denetleyin

Örnek 5: Resim yazılarıyla görüntüleri işleme

Senaryo: kullanarak prebuilt-imageSearchürün görüntüleri için açıklayıcı açıklamalı alt yazılar oluşturuyorsunuz.

Giriş:

1.000 resim
Model: GPT-4.1 genel dağıtımı
Bölge: Doğu ABD

Fiyatlandırma dökümü:

İçerik ayıklama: Görüntüler için ücret alınmaz
- Maliyet: 0,00 ABD doları
Alan ayıklama:
- Giriş belirteçleri: 1.000 görüntü × 1.043 belirteç/görüntü = 1.043.000 belirteç
- Maliyet: (1.043.000 / 1.000.000) × 2,00 USD = 2,09 USD
- Çıkış tokenları: 1.000 görüntü × 170 token/görüntü = 170.000 token
- Maliyet: (170.000 / 1.000.000) × $8,00 = 1,36 USD
Bağlamsallaştırma: 1.000 resim × 1.000 belirteç/görüntü = 1.000.000 belirteç
- Maliyet: (1.000.000 / 1.000.000) × $1,00 = 1,00 USD

Toplam tahmini maliyet: $0,00 + $2,09 + $1,36 + $1,00 = $4,45

Not

Bu fiyatlar yalnızca çizim amaçlıdır ve gerçek maliyeti temsil etmeye yönelik değildir. Geçerli fiyatlar için Azure Content Understanding Pricing ve Azure OpenAI Pricing denetleyin

Sonraki adımlar

Geri Bildirim

Bu sayfayı yararlı buldunuz mu?

Last updated on 2026-05-08

Döküm Araçları'nda Azure İçerik Anlama fiyatlandırması

İki tür ücreti anlama

1. İçerik ayıklama ücretleri

2. Üretken özellik ücretleri

Maliyet denklemi

Maliyetlerinizi tahmin etme

1. Temsili dosyalarla test edin

2. Azure Fiyatlandırma Hesaplayıcısı'nı kullanın

Fiyatlandırma örneği: Fatura alanı veri çıkarma

Ayrıntılı maliyet bileşenleri

İçerik ayıklama

Belge içeriği ayıklama ölçümleri

Üretken özellikler

Bağlamsallaştırma belirteçleri

Üretici modeli ücretleri (LLM)

Ekleme ücretleri

Oluşturma özelliği ayrıntıları

Alan çıkartma

Şekil analizi

Segmentasyon

Kategori

Eğitim

Bilgi bankası

Sık sorulan sorular

LLM kullanımı için ne zaman ücretlendirilirim?

Belgelerim için hangi içerik ayıklama ölçümlerinin geçerli olduğunu nasıl anlarım?

Döküm modeli kullanımı için iki kez ücretlendirildim mi?

Daha küçük modellerle ne kadar tasarruf sağlayabilirim?

Token kullanımını ne artırır?

İsteğim başarısız olursa ücretlendirilir miyim?

Maliyet iyileştirme ipuçları

Diğer fiyatlandırma örnekleri

Örnek 1: RAG iş akışları için belge işleme

Örnek 2: Alan çıkarma ile faturaların işlenmesi

Örnek 3: Segment düzeyinde alan ayıklama ile video içeriğini analiz etme

Örnek 4: Sesli çağrı merkezi kayıtlarını işleme

Örnek 5: Resim yazılarıyla görüntüleri işleme

Sonraki adımlar

Geri Bildirim

Ek kaynaklar