中文比英语多需要多少 token？

在 ChatGPT / Copilot 中，同样的文本，中文比英语多需要 25 % 的 token。因此你的额度大约快 25 % 用完，聊天记忆同样更快填满，回答也同样更慢。在 203 种语言中，中文排第 201 位（1 为最贵）。在 6 个当前的 AI 分词器中，语言税从 −9 %（Qwen）到 25 %（ChatGPT / Copilot）不等。

什么是语言税？

语言税就是同一段文本中某种语言的 token 数 ÷ 英语的 token 数，按分词器分别计算。Petrov 等人（2023）提出这个概念，让不同语言的分词更容易比较，但他们称之为分词溢价。 目前还没有统一的中文叫法；中文语境里也叫“中文税”或“token 税”，英文叫 token tax。

分词器主要从英文文本中学习词表，所以常见的英文单词一个 token 就能装下，而中文文本会被切成更多、更短的片段。训练文本少、使用非拉丁文字的语言通常付得最多。

Petrov 等人这样概括这个问题：“The same text translated into different languages can have drastically different tokenization lengths”（NeurIPS 2023）。

这是怎么测量的？

每个分词器都按 Petrov 等人（NeurIPS 2023）的方法，统计了 FLORES-200 devtest 部分同样 1,012 个句子的中文和英文 token 数。统计日期 2026-10-26。

• Petrov 等人，“Language Model Tokenizers Introduce Unfairness Between Languages”，NeurIPS 2023
• FLORES-200 平行句，devtest 部分
• 全部数字：data.csv；分词器版本：tokenizers.csv

什么是 token？

AI 模型把文本当作 token 来读。模型看到你的文本之前，分词器会先把它切成小块。你按 token 付费，聊天记忆按 token 计算，回答也是一个 token 一个 token 写出来的。下面是 ChatGPT / Copilot 对一条 2026 年 10 月科学新闻标题的中文和英文切分：

一节小提琴课就能改变初学者学琴时的脑电波模式

一 | 节 | 小 | 提 | 琴 | 课 | 就 | 能 | 改变 | 初 | 学 | 者 | 学 | 琴 | 时 | 的 | 脑 | 电 | 波 | 模式 = 20 个 token

One violin lesson changes brain wave patterns as beginners learn to play

One | violin | lesson | changes | brain | wave | patterns | as | beginners | learn | to | play = 12 个 token

仅就这一句而言，比例是 20 ÷ 12 = 1.67，即比英语多 67 % 的 token。一句话的文本太少，得不出可靠的数字，所以本页的数字基于 FLORES-200 的 1,012 个句子测量。

中文和其他语言比起来怎么样？

中文在 ChatGPT / Copilot 中付 25 %，而全部 203 种语言的中位数是 75 %。

怎样才能少交语言税？

最简单的办法是用英语聊天，如果你用得顺手的话。其他办法很难推荐，因为各个模型不仅语言税不同，每个 token 换来的回答质量也不同。

关于语言税的问题

每种语言都要交语言税吗？

几乎都要。在 ChatGPT / Copilot 中，全部 203 种语言都比英语需要更多 token，从 23 %（Portuguese）到 1 273 %（Santali），中位语言付 75 %。在本页的全部 6 个模型中，唯一的例外是 Chinese (Simplified): DeepSeek −6 %, Qwen −9 %; Yue Chinese: Qwen −3 %。

为什么中文在中国的模型里付得更少？

简体中文在 ChatGPT / Copilot 中付 25 %，但在 Qwen 中是 −9 %，在 DeepSeek 中是 −6 %。阿里巴巴（Qwen）和 DeepSeek 用多得多的中文文本训练分词器，所以常见的中文词有自己的 token。分词器对它所针对的语言最便宜。

最大的几种语言的语言税是多少？

使用人数最多的语言，加上中文，在全部 6 个模型中：

哪个 AI 模型的语言税最低？

按中位语言计算：ChatGPT / Copilot 75 %, Gemini 81 %, Claude 84 %, Meta AI / Llama 86 %, Qwen 90 % 和 DeepSeek 107 %。

哪些语言付得最少？

英语，语言税就是以它为基准衡量的（0 %）。只有中文在中国的模型里付得更少，见上文。英语之后，ChatGPT / Copilot 中最便宜的五种是 Portuguese 23 %, Dutch 25 %, Chinese (Simplified) 25 %, Indonesian 25 % 和 Standard Malay 30 %。

哪些语言付得最多？

母语人数来自维基百科（人口普查和 Ethnologue）。 ChatGPT / Copilot 中 203 种语言里最贵的 10 种，附语言税和母语人数：

1. Santali 1 273 %：约 7,600,000 名母语者，主要在 India, Bangladesh, Nepal；文字：Ol Chiki。
2. Tamasheq 921 %：约 900,000 名母语者，主要在 Mali, Burkina Faso；文字：Tifinagh。 数字不确定。
3. Central Atlas Tamazight 915 %：约 2,700,000 名母语者，主要在 Morocco；文字：Tifinagh。 数字不确定。
4. Dzongkha 803 %：约 171,000 名母语者，主要在 Bhutan；文字：Tibetan。 数字不确定。
5. Lao 723 %：约 3,700,000 名母语者，主要在 Laos；文字：Lao。
6. Standard Tibetan 713 %：约 1,200,000 名母语者，主要在 China (Tibet), India, Nepal；文字：Tibetan。 数字不确定。
7. Shan 693 %：约 4,700,000 名母语者，主要在 Myanmar, Thailand；文字：Myanmar (Shan)。 数字不确定。
8. Tigrinya 500 %：约 9,900,000 名母语者，主要在 Eritrea, Ethiopia；文字：Ge'ez。
9. Amharic 482 %：约 31,800,000 名母语者，主要在 Ethiopia；文字：Ge'ez。
10. Odia 399 %：约 34,000,000 名母语者，主要在 India (Odisha)；文字：Odia。

使用其他文字的语言付得更多吗？

平均来说不是：在 ChatGPT / Copilot 中，使用拉丁字母的中位语言付 72 %，使用其他文字的中位语言付 79 %。但最贵的那些语言都有自己的文字，比如 Santali (Ol Chiki), Tamasheq (Tifinagh), Dzongkha (Tibetan), Lao 和 Shan (Myanmar)。

怎样测量我自己文本的语言税？

用你所用模型的分词器，数一数你的文本和它的英文译文各有多少 token，再用前者除以后者。OpenAI 的分词器是公开的；Anthropic 和 Google 通过各自的 API 计数。一句话只能得到粗略的数字；文本越多越可靠。

作者：Sara Moricz，研究型数据科学家。更新于 2026-10-26。