Čeština v GPT stojí 2× víc tokenů než angličtina

Jonhisking · 30. 9. 2026

Přeložil jsem jeden běžný prompt do 34 jazyků a spočítal tokeny tokenizérem, který používají současné modely OpenAI (o200k_base, GPT-4o a novější). Čekal jsem, že nejhůř dopadne japonština nebo thajština. Na konci ale skončily evropské jazyky: dražší než čeština (2,00×) je jen řečtina (2,06×), stejně jako čeština vychází slovenština.

Prompt (anglicky 34 tokenů):

Shrňte níže uvedený e-mail zákazníka do tří bodů a navrhněte zdvořilou odpověď. Zákazník píše, že objednávka dorazila se dvoudenním zpožděním a v krabici chyběla jedna položka.

Proč? Tokenizér zná celá anglická slova (" polite", " customer" = 1 token), ale česká slova skládá z kousků. Háčky a čárky často tvoří samostatný token:

• " zdvořilou" → zd | vo | ř | il | ou (5 tokenů)
• " zpožděním" → z | po | žd | ě | ním (5 tokenů)
• " navrhněte" → nav | r | hn | ě | te (5 tokenů)

Zajímavost: stejný text bez diakritiky má 60 tokenů místo 68 (o 12 % méně). Nedoporučuju to jako trik, kvalita odpovědí může utrpět, ale ukazuje to, kolik stojí háčky a čárky.

V penězích: model za 2 $ / 1M vstupních tokenů, prompt poslaný milionkrát: angličtina 68 $, čeština 136 $. A to jen vstup. Pokud model odpovídá česky, stejný násobek platí i pro výstupní tokeny, které bývají 4–5× dražší.

Co s tím:

• Systémový prompt a pevné instrukce psát anglicky, česky jen vstup od uživatele.
• Mezikroky (klasifikace, extrakce, tool calls) nechat vracet anglicky nebo v JSON, česky jen finální odpověď.
• Využít prompt caching pro pevnou část promptu.

Omezení: je to jeden prompt, u jiných textů se poměr může lišit o ±0,1–0,2. Claude a Gemini mají jiné tokenizéry, čísla platí jen pro modely OpenAI. Překlad je strojový, pokud v něm najdete chybu, přeměřím to.

Celé výsledky všech 34 jazyků (anglicky): srovnání 34 jazyků