Cu cât costă mai mult un text în română decât în engleză, la un model AI?

În măsurătoarea noastră, pe trei texte de birou, același conținut a cerut cu 55% până la 82% mai mulți tokeni în română decât în engleză, după tokenizator. Modelele se plătesc pe tokeni, deci la același preț pe token textul românesc costă proporțional mai mult.

Merită să scriu fără diacritice ca să plătesc mai puțin?

Economia e mică: între 3% și 12% din tokeni, în măsurătoarea noastră. Pentru texte trimise clienților nu merită, un text fără diacritice arată neglijent. Pentru note interne sau prompturi lungi repetate poate conta, dar diferența mare față de engleză rămâne și fără diacritice: 45–62%.

Au Claude și Gemini același supracost pentru română?

Nu știm încă. Claude și Gemini nu au tokenizator public, iar numărarea tokenilor la ei se face doar prin API-ul furnizorului, cu cheie. Nu i-am măsurat, deci nu dăm o cifră pentru ei.

Româna consumă cu 55–82% mai mulți tokeni: măsurătoarea

Același text de birou, scris în română, cere cu 55% până la 82% mai mulți tokeni decât traducerea lui în engleză. Am măsurat pe trei texte reale de lucru, cu cinci tokenizatoare publice. Pentru că modelele AI se plătesc pe tokeni, asta înseamnă că o firmă din România plătește mai mult pentru aceeași muncă, doar din cauza limbii.

Rezultatul, pe scurt

Română față de engleză: +55% până la +82% tokeni, după tokenizator.
Diacriticele: scoase, reduc numărul de tokeni cu doar 3–12%. Diferența față de engleză rămâne mare: +45% până la +62%.
Tipul de text contează: un email comercial a costat cu 38–60% mai mult în română; o clauză juridică și o descriere de produs, cu 63–97% mai mult.
Nu e lungimea: textele românești aveau aproape același număr de caractere ca cele englezești și chiar mai puține cuvinte.

Cifrele, pe tokenizator

Totalul celor trei texte, în tokeni:

Tokenizator	Engleză	Română, cu diacritice	Română, fără diacritice	Română față de engleză
OpenAI o200k_base	435	681	629	+57%
OpenAI cl100k_base	440	798	710	+81%
DeepSeek-V3	440	799	711	+82%
Qwen2.5	454	812	724	+79%
Mistral Nemo	457	708	685	+55%

Cel mai bine se descurcă tokenizatoarele mai noi, construite pe mai multe limbi: o200k_base, folosit de OpenAI începând cu GPT-4o, și cel al modelului Mistral Nemo. Celelalte trei ajung aproape de dublu.

Nu știm ce tokenizator folosesc exact GPT-6 sau DeepSeek V4.1: furnizorii nu l-au publicat. Am măsurat tokenizatoarele publice ale familiilor lor.

Nu e vorba de lungimea textului

Cele trei texte românești au în total 2.325 de caractere, iar traducerile englezești 2.237: doar 4% diferență. Ca număr de cuvinte, româna are chiar mai puține: 349 față de 369.

Diferența apare la felul în care tokenizatorul rupe cuvintele. Cu o200k_base, un cuvânt englezesc din texte a costat în medie 1,18 tokeni; unul românesc, 1,95. Cu tokenizatoarele mai vechi, peste 2,2 tokeni pe cuvânt românesc. Tokenizatoarele au fost construite pe date majoritar în engleză: cuvintele englezești frecvente au tokeni proprii, cele românești se sparg în bucăți.

Diacriticele costă între 3% și 12%

Am trecut aceleași texte și fără diacritice (ă, â, î, ș, ț înlocuite cu a, i, s, t). Economia a fost de 3,4% la Mistral Nemo, 8,3% la o200k_base și circa 12% la celelalte trei.

Concluzia practică: diacriticele nu sunt problema principală. Chiar fără ele, româna rămâne cu 45–62% mai scumpă decât engleza. Pentru texte trimise clienților sau publicate, păstrează diacriticele: economia nu merită aspectul neglijent.

Ce înseamnă în bani

Tokenul costă la fel indiferent de limbă, deci factura crește proporțional cu numărul de tokeni. Dacă procesarea unui lot de documente în engleză te-ar costa 100 de lei prin API, același lot în română te costă, după tokenizator, între 155 și 182 de lei.

Asta contează mai ales pe API, unde plătești fiecare token: un chatbot pentru clienți, extragerea datelor din documente, descrieri de produs generate în masă. Pe abonament (ChatGPT Plus, Claude Pro) nu plătești per token, dar limitele de folosire se consumă tot în tokeni, deci te lovești mai repede de ele lucrând în română.

Două lucruri pe care le poți face, fără să-ți schimbi limba de lucru:

Calculează costul cu un multiplicator. Orice estimare făcută pe exemple în engleză, inclusiv cele ale furnizorilor, înmulțește-o cu 1,6–1,8 pentru română. Calculatorul nostru de cost API lucrează în tokeni: introdu volumul real, numărat pe textele tale.
Folosește cache-ul pentru instrucțiunile fixe. Un prompt lung care se repetă la fiecare cerere se plătește mult mai ieftin din cache, la majoritatea furnizorilor. Detaliile sunt în ghidul despre tokeni, credite și mesaje.

Dacă instrucțiunile de sistem scrise în engleză și conținutul în română dau rezultate la fel de bune nu am testat. E o economie posibilă, nu o recomandare.

Ce nu am măsurat

Claude și Gemini. Anthropic și Google nu au tokenizator public; numărarea se face doar prin API-ul lor, cu cheie. Nu i-am inclus și nu dăm o cifră pentru ei.

Ieșirea modelului. Am măsurat textul trimis. Un răspuns generat în română are, foarte probabil, același supracost, dar nu l-am numărat separat.

Alte tipuri de text. Trei texte de birou nu acoperă tot. Codul, tabelele sau textele cu multe cifre se comportă altfel.

Cum am măsurat

Am scris trei texte tipice pentru o firmă mică: un email comercial cu o ofertă (110 cuvinte), o clauză contractuală despre confidențialitate și date personale (119 cuvinte) și o descriere de produs pentru un magazin online (120 de cuvinte). Fiecare are o traducere în engleză echivalentă ca sens și o variantă fără diacritice, obținută automat.

Am numărat tokenii pe 1 octombrie 2026 cu tokenizatoarele publice: o200k_base și cl100k_base de la OpenAI, prin biblioteca js-tiktoken, și fișierele tokenizer.json publicate pe Hugging Face pentru DeepSeek-V3, Qwen2.5-7B-Instruct și Mistral-Nemo-Instruct-2407. Numărătoarea nu include tokenii speciali adăugați de fiecare furnizor la începutul unei cereri.

Textele, scriptul și rezultatul brut sunt păstrate de noi și pot fi rulate din nou. Repetăm măsurătoarea când apar tokenizatoare noi publice și, dacă obținem acces la API-urile Claude și Gemini, le adăugăm în tabel.

Surse: măsurătoare proprie, 1 octombrie 2026; tokenizatoarele OpenAI tiktoken și fișierele tokenizer.json de pe Hugging Face pentru DeepSeek-V3, Qwen2.5-7B-Instruct și Mistral-Nemo-Instruct-2407.

Verificat editorial de Radu Druță, 1 octombrie 2026.

Româna consumă cu 55–82% mai mulți tokeni decât engleza. Am măsurat