用 Claude、GPT-5.6 或 Gemini 分析一支影片，要吃多少 token、花多少美元？把你的影片條件填進去。公式與價格全數取自官方文件，2026-08-16 核實。
為估算值、非報價 · 價格與公式最後核實 2026-08-16 · GPT-5.6 列的是 patch 數（OpenAI 未公布 5.6 的 patch→計費 token 乘數）· Gemini 費率為 Google 官方近似值——要帳單級精確請用各家 count-tokens API。
Claude 以 28×28 像素的 patch 讀圖：ceil(寬/28) × ceil(高/28) 個 token。720p 一幀＝46×26＝1,196 tokens；1080p＝2,691 tokens（官方實例）。長邊超過 2,576px 或超過 4,784 tokens 會先縮圖。Haiku 4.5 用舊階層（1,568px／1,568 token 上限）。 Anthropic vision docs
ceil(寬/32) × ceil(高/32) 個 patch，預設 detail 不縮圖。720p 一幀＝40×23＝920 patches。OpenAI 尚未公布 5.6 系列的 patch→token 乘數，結果請當估算；舊的 512px tile 算法只適用 GPT-4o/4.1 世代。 OpenAI vision docs
三家裡只有 Gemini 直接吃影片檔：預設解析度約 每秒 300 tokens（1fps 下每幀 258＋音訊每秒 32），低解析度約每秒 100 tokens。 Gemini video docs
Claude 和 GPT-5.6 不收影片——你要餵幀＋逐字稿。聽起來是缺點，其實是控制旋鈕：留哪些幀，同時決定成本和品質。快剪影片用場景切換抽幀，比盲抽 1fps 少約 10 倍幀數。Gemini 原生模式呼叫簡單，但固定 1fps 取樣——畫面有沒有事你都在付錢。
Claude 5：單次 600 張圖（200k context 的 Haiku 4.5 為 100 張）、1M token context。GPT-5.6：官方頁列單次 1,500 張／512MB、1.05M context。1fps 下超過約 10 分鐘就要切批：先逐段摘要、再總整理。上面的計算機會逐模型標示。
3 分鐘 720p 的 reel，場景切換抽幀（約 24 幀）＋逐字稿，用 Claude Sonnet 5：24×1,196≈28.7k 圖片 token＋約 0.6k 逐字稿≈29.3k 輸入≈$0.06，加 1k token 回答約 $0.01。同一支盲抽 1fps（180 幀）要約 $0.43——同樣的理解貴 7 倍。
不是——是附來源的估算。各家的 count-tokens API 和你的實際用量帳單才是準的。所有依賴未公布乘數的數字我們都有標註。
patch 數學：69×39 對 46×26。內容 720p 看得清楚的話，送出前先縮圖。
不直接付——你先轉逐字稿（Whisper 本機跑幾乎免費），付的是逐字稿的文字 token。
輸出單價通常是輸入的 5 倍但量小；上面的開關會加一個約 1,000 token 的回答，避免總額被系統性低估。
claude-real-video 是免費開源指令，一次做完整條管線——場景切換抽幀、帶時間戳逐字稿、時間軸融合——讓你的 LLM 真的能引用到秒。
claude-real-video on GitHubSources: Anthropic pricing · Anthropic vision · OpenAI pricing · OpenAI vision · Gemini pricing · Gemini video · model data in models.json · changelog: 2026-08-16 first release. Gemini 3.7 Flash promo pricing runs through 2026-12-31 ($1.50/$7.50 after).
