Gemini 模型會以「詞元」為單位處理輸入和輸出內容。
詞元可以是單一字元 (例如 z)，也可以是完整字詞 (例如 cat)。長字詞會拆分為多個詞元。模型使用的所有符記組合稱為詞彙，而將文字分割成符記的程序稱為符記化。
如果是 Gemini 模型，1 個詞元約等於 4 個字元。100 個符記約等於 60 到 80 個英文字。
每個模型在提示和回覆中可處理的詞元數量上限不同。只要知道提示的詞元數量，就能判斷是否超過這項限制。此外，要求的費用部分取決於輸入和輸出詞元的數量，因此瞭解如何計算詞元會很有幫助。
支援的模型
gemini-4-carbongemini-4-argongemini-3.8-flashgemini-3.5-flash-lite(以及舊版gemini-3.1-flash-lite)gemini-nano-banana-2.1(Nano Banana 2.1)gemini-3.1-flash-image(Nano Banana 2)gemini-3.1-flash-lite-image(Nano Banana 2 Lite)gemini-3-pro-image(Nano Banana Pro)gemini-3.1-flash-tts-preview
舊版一般用途 Gemini 3.x Flash 模型支援這項功能，但由於即將停用和/或自動轉送至新版模型，因此不建議使用。
計算權杖數量的選項
Gemini API 的所有輸入和輸出內容都會經過權杖化，包括文字、圖片檔和其他非文字模態。計算詞元的方法如下：
- 僅檢查要求的權杖數量 (在傳送至模型之前)。
- 在將要求傳送至模型之前，使用要求的輸入內容呼叫
countTokens。這會傳回：total_tokens：僅輸入的詞元數量
- 檢查要求和回覆的權杖數量。
- 存取回應物件的
usageMetadata屬性。包括：prompt_token_count：僅限輸入內容的詞元數量candidates_token_count：僅限輸出內容的詞元數量 (不含思考詞元)thoughts_token_count：用於生成回覆的思考詞元數量total_token_count：輸入和輸出內容的詞元總數 (包含任何思考詞元)
串流輸出時，
usageMetadata屬性只會出現在串流的最後一個區塊。中間區塊則為nil。
請注意上述選項的下列事項：
- 不會計算輸入圖片數量，或影片/音訊輸入檔案的秒數。不過，這些模態的詞元數量會與這些值相關。
- 輸入詞元數量包含提示 (文字和任何輸入檔案)，以及任何系統指令和工具。
- 輸出詞元數量不含任何思考詞元，這些詞元會顯示在另一個欄位。
- 請參閱本頁後續章節，瞭解各類要求的其他資訊。
- Gemini Live API 模型不支援
countTokens。此外，Firebase AI Logic「尚未」支援 Live API 模型回覆中的usageMetadata屬性，但很快就會推出！
這些選項的價格
呼叫
countTokens：呼叫countTokens(Count Tokens API) 不會產生費用。Count Tokens API 的配額上限為每分鐘 3000 次要求 (RPM)。使用
usageMetadata屬性：這項屬性一律會做為回應的一部分傳回，不會產生任何權杖或費用。
其他資訊
以下是處理特定類型要求時的額外資訊。
計算文字輸入詞元數
沒有其他資訊。
計算多輪對話 (聊天) 詞元
使用即時通訊時，請注意下列 countTokens 呼叫事項：
- 如果使用對話記錄呼叫
countTokens，系統會傳回對話中兩個角色的總權杖數量 (total_tokens)。 - 如要瞭解下一個對話回合的大小，請在呼叫
countTokens時，將其附加至記錄。
計算多模態輸入詞元
使用多模態輸入計算詞元時，請注意下列事項：
- 您可以視需要分別對文字和檔案呼叫
countTokens。 - 無論您是提供內嵌資料或使用檔案網址，這兩種選項的符記數量都相同。
圖片輸入檔案
圖像輸入檔案會根據尺寸轉換為詞元：
- 兩邊尺寸皆小於或等於 384 像素的輸入圖片：每張圖片計為 258 個詞元。
- 一或兩個維度較大的圖片輸入：每張圖片會視需要裁剪及縮放為 768x768 像素的圖塊，然後每個圖塊會計為 258 個詞元。
影片和音訊輸入檔案
影片和音訊輸入檔案會按照下列固定費率轉換為權杖：
- 影片：每秒 263 個詞元
- 音訊：每秒 32 個詞元
文件 (例如 PDF) 輸入檔案
PDF 輸入檔案會視為圖片，因此 PDF 的每一頁都會以與圖片相同的方式權杖化。