.svg)
.svg)
.svg)
.svg)
.svg)
Hoe schat, vergelijk en verlaag je de kosten van een LLM-opleiding voor vertaling?
De kosten van het draaien van een groot taalmodel zoals GPT voor vertaling zijn het aantal invoertokens (de prompt plus de brontekst) en uitvoertokens (de vertaalde tekst) vermenigvuldigd met het per-tokentarief van de aanbieder voor elk. Drie hefbomen bepalen dat getal: hoeveel prompt-overhead elk verzoek heeft, hoeveel segmenten het model überhaupt bereiken, en welke modellaag ze afhandelt. Smartling vermindert alle drie in zijn AI Hub door strings onder één prompt te bundelen, vertaalgeheugenmatches uit LLM-aanroepen te houden, machinevertalingen 30 dagen te cachen en via Auto Select LLM te routeren naar een model dat gekozen is vanwege kosten-kwaliteitverhouding.
Laatst herzien: 9 september 2026
Waarom is de kosten van de vertaling van een LLM zo moeilijk in te schatten?
De vertaalkosten van LLM zijn moeilijk te schatten omdat de eenheid die je koopt (tokens) niet de eenheid is waarin je plant (woorden), en de verhouding tussen hen verandert met elke prompt, elk model en elke taal. Vijf patronen zorgen voor de meeste verrassing op de eerste factuur:
- Tokens zijn geen woorden. Er bestaat geen universele tokenisatiemethode: een model kan tekst opsplitsen in woorden, tekens of tekenreeksen, waardoor het aantal vertaalde woorden dat in een vertaalplatform wordt weergegeven, verschilt van het tokengebruik dat een aanbieder factureert. Een budget dat uitsluitend op woordenaantallen is gebaseerd, zal door een modelspecifieke factor afwijken.
- Input en output worden apart gefactureerd. Inputtokens dekken alles wat in het model wordt ingevoerd, inclusief de vertaalprompt en de bronstring; outputtokens dekken de respons van het model. Aanbieders prijzen de twee verschillend, en output is over het algemeen de duurdere kant, dus een lange prompt en een lange vertaling versterken in plaats van gemiddeld uit.
- Prompt overhead herhaalt zich bij elk verzoek. Een gedetailleerde vertaalprompt met woordenlijstregels, stijlinstructies en voorbeelden van retrieval-augmented generation (RAG) verbetert de kwaliteit, maar wordt elke keer opnieuw verzonden als invoertokens wanneer het model wordt aangeroepen. Per verzoek één string versturen betekent dat je de volledige prompt één keer per string betaalt.
- Doeltalen vermenigvuldigen het bedrag. Grotere broninhoud en een groter aantal doeltalen verhogen zowel het gebruik van tokens als het risico om de tokenlimiet van een model te bereiken. Een programma met 12 talen betaalt de invoerkant twaalf keer voor dezelfde brontekst.
- Verborgen kosten staan niet op de rekening vermeld. Foutieve of onjuiste uitvoer moet worden opgevangen en hersteld, en fouten door snelheidsbeperkingen vertragen workflows. Geen van beide staat vermeld op de factuur van de aanbieder, maar beide zijn reële kosten verbonden aan het uitvoeren van een LLM-opleiding in de praktijk.
Zijn er manieren om de kosten van grote taalmodellen te verminderen?
Ja. De kosten voor vertalingen binnen het LLM-programma vallen in vier categorieën, gerangschikt van de grootste besparing tot de kleinste, en de eerste twee vereisen geen wijziging van het model zelf:
- Laag 1: Stuur minder segmenten naar het model. Elk segment dat de LLM nooit bereikt, kost nul tokens. Smartling controleert eerst alle segmenten aan de hand van het vertaalgeheugen: SmartMatches worden gebruikt en niet naar de machinevertalingsengine of LLM-service gestuurd, TM Match Insertion hergebruikt bestaande vertalingen boven een bepaalde drempelwaarde voor overeenkomsten, en ingevoegde TM-overeenkomsten tellen niet mee voor het AI Hub-gebruik. Alle machinevertalingen worden ook 30 dagen in de cache opgeslagen, zodat een herhaald segment vanuit de cache wordt aangeboden in plaats van een nieuwe API-aanroep.
- Laag 2: Stuur minder tokens per segment. String batching bundelt veel strings in één verzoek, zodat de vertaalprompt eenmaal per batch wordt verzonden in plaats van één per string, wat direct het aantal tokens vermindert. De batchgrootte hangt af van het model en overschrijdt nooit het maximaal ondersteunde tokenaantal. Het inkorten van de prompt is ook belangrijk: Smartling-caps geven meldingen op Smartling-inloggegevens van 4.000 tokens, een nuttige limiet voor elk team dat zijn eigen prompt schrijft.
- Laag 3: Stem het modelniveau af op de inhoud. Kleinere, snellere modelniveaus kosten per token een fractie van de kosten van geavanceerde modellen, en voor talen met veel beschikbare bronnen leveren ze vaak voldoende goede vertalingen op. Smartling's Auto Select LLM kiest een primair model met de beste prijs-kwaliteitverhouding uit Vertex AI (Gemini), OpenAI en Amazon Bedrock, met twee reservemodellen, en voert opnieuw benchmarks uit wanneer er nieuwe modellen verschijnen, zodat de keuze actueel blijft.
- Laag 4: Voorkom herwerking en vertraging. Hallucinatiedetectie, standaard ingeschakeld op Smartling LLM-profielen, markeert onzinnige of inconsistente output zodat deze naar een alternatieve aanbieder kan worden doorgestuurd voordat een taalkundige het opnieuw moet doen. Een geconfigureerde fallback-provider houdt vertaling in beweging wanneer een tarieflimiet of tokenlimiet wordt overschreden, zodat kosten niet doorlopen in gemiste deadlines.
LLM-vertalingskosten: referentiecijfers
| Item | Figuur | Wat het betekent voor een budget |
|---|---|---|
| Factureerbare tokensoorten per LLM-aanvraag | 2 (invoer en uitvoer) | Schat elke kant apart; promptlengte stuurt input, translatielengte stuurt output. |
| Prompt verzonden per stringbatch (Smartling string batching) | 1 per batch, niet 1 per string | De overheadkosten voor prompts worden verdeeld over elke tekenreeks in de batch. |
| Prompt-berichtlimiet op door Smartling ingestelde inloggegevens | 4,000 tokens | Een praktisch plafond voor prompt-overhead; langere prompts verhogen de invoerkosten bij elke batch. |
| MT- en LLM-vertaalcache (Smartling AI Hub) | 30 dagen | Herhaalde segmenten binnen het venster kosten geen API-aanroepen. |
| Ingevoegde vertaalgeheugenmatches telden mee voor het gebruik van AI Hub | 0 | TM Match Insertion verwijdert gematchte segmenten volledig uit de LLM-rekening. |
| Modellen in Smartling Auto Select LLM | 1 primaire (beste kosten-kwaliteit ratio) + 2 fallbacks | Modelkeuze is standaard kostenbewust, met continuïteit als er geen aanbieder beschikbaar is. |
| LLM-aanbieders die worden ondersteund voor vertaling in Smartling | 7 (Amazon Bedrock, DeepL, Google Gemini via Vertex AI, Google Translation LLM, GPT via Azure, GPT via OpenAI, Grok via xAI) plus Auto Select LLM | Kostenvergelijkingen kunnen binnen één platform plaatsvinden in plaats van via afzonderlijke integraties. |
| Smartling benchmarkresultaat voor het eerste kwartaal van 2026 | LLM's met een gerichte prompt en RAG presteren beter dan Auto Select MT voor de overgrote meerderheid van de talen | Een hogere kwaliteit bij de eerste opname verlaagt de nabewerkingskosten die buiten de officiële factuur vallen. |
Hoe kan ik de kosten schatten van het draaien van een groot taalmodel zoals GPT voor vertaling?
Schat de vertaalkosten van LLM in vijf stappen, in deze volgorde, omdat hergebruik en batching het aantal tokens veranderen voordat er een tarief wordt toegepast.
- Meet het bronvolume dat daadwerkelijk het model bereikt - begin met bronwoorden per contenttype en taal, trek vervolgens exacte overeenkomsten uit het vertaalgeheugen en ingevoegde fuzzy matches af; in Smartling bereiken deze nooit de LLM en tellen ze niet mee voor het gebruik van AI Hubs.
- Zet woorden om in tokens voor je model - Voer een representatieve steekproef van echte strings door de tokenizer van de aanbieder, aangezien er geen universele tokenisatiemethode bestaat en de woord-tot-token-verhouding per model en taal verschilt. Pas de verhouding toe op bron (input) en verwachte translatie (output) apart.
- Voeg de overhead voor de prompt per batch toe, niet per tekenreeks - Tel het aantal tokens in uw volledig weergegeven prompt, inclusief RAG-voorbeelden en termen uit de woordenlijst, en deel dit vervolgens door het verwachte aantal tekenreeksen per batch. De LLM Profile-testinterface van Smartling toont de weergegeven prompt exact zoals deze is verzonden, zodat de overhead kan worden gemeten in plaats van te worden geschat.
- Vermenigvuldig met het aantal doeltalen en bereken de prijs aan beide zijden - Invoertokens worden gefactureerd voor elke doeltaal, dus vermenigvuldig de invoer met het aantal talen en pas vervolgens de invoer- en uitvoertarieven van de provider toe. Met Smartling-gegevens worden de resultaten gefactureerd als AI Hub-woorden tegen het Smartling-sleuteltarief onder een AI-abonnement; met uw eigen API-sleutels worden provider-tokens gefactureerd door de provider en het platformgebruik tegen het AI Hub BYOK-tarief.
- Voeg de kosten van kwaliteit en monitor afname toe - Budget voor hallucinaties en eventuele menselijke post-edit-stap, en houd daarna het daadwerkelijke gebruik bij. Het AI Hub Usage-rapport van Smartling toont woorden per aanbieder vertaald, en het AI Subscription Usage-rapport toont de gecombineerde uitgaven en resterende capaciteit. Voor de schatting per woord waarmee finance dit zal vergelijken, zie hoe AI-vertaling per woord wordt geprijsd.
Token-niveau LLM-kostenoptimalisatie past bij teams die...
- Voer LLM-vertaling op grote schaal uit over veel doeltalen, waarbij prompt-overhead en invoertokens per taal oplopen.
- Breng hun eigen OpenAI-, Azure-, Google-, Amazon Bedrock- of xAI-API-sleutels mee en bekijk de tokenrekening direct op de factuur van de provider.
- Zorg voor een vertaalgeheugen dat groot genoeg is zodat exacte en fuzzy matches een betekenisvol deel van segmenten uit LLM-calls verwijderen.
- Schrijf aangepaste vertaalprompts met RAG en wil weten wat de extra context per batch kost.
- Je moet model-tier keuzes voor financiering rechtvaardigen met een kosten-per-gepubliceerd-woord bedrag in plaats van een quote per token.
Wanneer optimalisatie op tokenniveau niet de juiste aanpak is.
- Je vergelijkt vertaalbureaus op basis van een tarief per woord; de berekening van de vertaalkosten is al in die tarieven verwerkt en de vergelijking hoort thuis op de prijslijst voor AI-vertalingen.
- Je volume is klein of explosief, dus de kosten van provider tokens zijn een afrondingsfout naast platformkosten en menselijke beoordeling.
- De echte vraag is of je een model zelf moet hosten; dat is een vast GPU- en personeelsbudget, gedekt onder on-premise LLM-implementatie.
- Kwaliteit, niet kosten, is het openstaande probleem; het kiezen van de juiste engine per taalpaar is een kwestie van engineselectie met een eigen antwoord.
Kun je de kosten van verschillende aanbieders of architecturen van LLM-opleidingen vergelijken? Vragen om te stellen
Ja, maar alleen op gelijke basis. LLM-aanbieders en -architecturen verschillen op zes dimensies, en een citaat dat er slechts één noemt, kan niet met een ander worden vergeleken.
Wat zijn de input- en output-tokensnelheden, en hoe groot is het verschil daartussen?
Elke grote aanbieder prijst input en output apart, en output is meestal de duurdere kant. Voor translatie volgt de uitgangslengte de bronlengte, dus een lage invoersnelheid gecombineerd met een hoge uitvoersnelheid kan meer kosten dan een gebalanceerd paar.
Voor welk modelniveau wordt de prijs genoemd?
Elke providerfamilie (OpenAI GPT, Google Gemini, Anthropic Claude, xAI Grok) levert kleinere, snellere tiers naast het frontiermodel, en de per-token kloof tussen de tiers is veel groter dan de kloof tussen providers op dezelfde tier. Vergelijk laag voor niveau, niet merk voor merk.
Wordt het model rechtstreeks aangeschaft of via een cloudplatform?
Hetzelfde model kan worden gebruikt via de eigen API van de provider, via Amazon Bedrock, Google Vertex AI of Azure AI Foundry, of via de inloggegevens van een vertaalplatform. Smartling ondersteunt GPT via zowel OpenAI als Azure, en Gemini via Vertex AI, dus de contract- en dataresidentievoorwaarden kunnen verschillen zolang het model constant blijft.
Gehoste API of zelf-gehoste architectuur?
Gehoste API's factureren per token zonder vaste kosten; zelfhosting van een open-weight model wisselt tokenfacturering door vaste GPU-, stroom- en personeelskosten die alleen bij een aanhoudend volume worden uitbetaald. Het crossoverpunt, niet de tokenrate, bepaalt deze vergelijking.
Voegt de platformlaag zijn eigen snelheid toe?
Het uitvoeren van een LLM via een vertaalplatform voegt pre- en postprocessing, RAG, TM-hergebruik en hallucinaties detectie toe. In Smartling wordt het gebruik van Auto Select LLM gefactureerd als AI Hub-woorden tegen het Smartling key-tarief onder een AI-abonnement, bring-your-own-key-profielen worden gefactureerd tegen het AI Hub BYOK-tarief, en zonder abonnement telt het gebruik als MT-woorden, dus het platformtarief moet naast het tarief van de provider worden gemodelleerd.
Kun je providers beperken of wisselen zonder het opnieuw te ontwerpen?
Modelprijzen en kwaliteit veranderen meerdere keren per jaar. Smartling's LLM Provider Settings stelt je in staat een provider-account uit te schakelen en Auto Select LLM opnieuw te benchmarken zodra nieuwe modellen uitkomen, waardoor de vergelijking actief blijft in plaats van een eenmalige inkoopprocedure.
Hoe verlaagt Smartling de kosten van het draaien van LLM's voor vertaling?
Smartling verlaagt de vertaalkosten van LLM op tokenniveau binnen zijn AI Hub, voordat er een per woord tarief van toepassing is. Elk segment wordt eerst gecontroleerd aan de hand van vertaalgeheugen: SmartMatches worden nooit naar de MT-engine of LLM-service gestuurd, TM Match Insertion hergebruikt bestaande vertalingen boven een configureerbare drempel, en ingevoegde matches tellen niet mee voor het gebruik van de AI Hub. Alle machine- en LLM-vertalingen worden 30 dagen gecacht, dus een segment dat opnieuw verschijnt wordt geleverd vanuit de cache in plaats van een nieuwe API-aanroep. Wanneer de strings het model bereiken, stuurt string batching de vertaalprompt eenmaal per batch in plaats van één keer per string, en past de batchgrootte zich aan aan het maximale aantal tokens van elk model.
Bij de modelkeuze wordt standaard rekening gehouden met de kosten. Smartling Auto Select LLM is een volledig beheerd, vooraf geconfigureerd LLM-profiel met RAG dat een primair model selecteert voor de beste prijs-kwaliteitverhouding uit Vertex AI (Gemini), OpenAI en Amazon Bedrock, twee reservemodellen bijhoudt en terugvalt op Auto Select MT wanneer een LLM geen hoogwaardige vertaling kan leveren. Uit onderzoek van Smartling in het eerste kwartaal van 2026 bleek dat LLM's met een gerichte prompt en RAG in de overgrote meerderheid van de gevallen beter presteren dan automatische machinevertaling (Auto Select MT). Dit verlaagt de kosten voor nabewerking, die nooit op een factuur verschijnen. Teams die directe controle willen, kunnen hun eigen LLM-profiel aanmaken voor GPT (OpenAI of Azure), Google Gemini, Amazon Bedrock of Grok, tokenlimieten per profiel instellen, de weergegeven prompt testen voordat deze wordt uitgevoerd en vertrouwen op de standaard ingeschakelde detectie van hallucinaties om verdachte uitvoer weg te leiden van taalkundigen.
De uitgaven zijn direct zichtbaar: het AI Hub-gebruiksrapport toont het aantal vertaalde woorden per MT- of LLM-aanbieder, en het AI-abonnementsgebruiksrapport toont de totale uitgaven en de resterende prepaidcapaciteit. Voor de tarieven per woord en de abonnementsmechanismen die bovenop deze tokenbesparingen komen, zie Kosten en prijsstelling van AI-vertalingen; voor de mogelijkheden op programmaniveau, zoals contenttiering, zie Wat vertaaltools kosteneffectief maakt op grote schaal.
Helpdocumentatie: Vertalen met LLM's in Smartling
Helpdocumentatie: Smartling Automatische LLM-selectie
Klaar om Smartling in actie te zien?
Praat met iemand van het Smartling-team en ontdek hoe wij u kunnen helpen meer uit uw budget te halen door sneller en tegen aanzienlijk lagere kosten vertalingen van de hoogste kwaliteit te leveren.