Proprietärer EndpointNeu
Schnelles multimodales Codieren und Agentenmodell mit 1M Kontext, einstellbarer Denktiefe, Bild- und Videoeingang, Funktionsaufruf und integrierter Websuche.
Durchstöbern Sie den vollständigen Katalog der Modelle in Text, Bild, Audio, Video, 3D und mehr.
Modellkatalog
Durchsuchen Sie Text-, Bild-, Video-, Audio-, 3D-, Such- und Agenten-Endpunkte mit pay-as-you-go Preisen. Der interaktive Katalog lädt die aktuelle Verfügbarkeit von EmpirioLabs, und diese Modelldokumentationen sind ohne Client-JavaScript crawlbar.
xAI image-to-video mit promptgesteuerter Bewegung, nativem Audio, 480p- oder 720p-Ausgabe und bis zu 15 Sekunden langen Clips.
Multimodale Videoerzeugung für filmische Clips aus Text-, Bild-, Audio- oder Videoeingängen.
Vereinheitlichte Bildgenerierung und -bearbeitung für hochauflösende kreative, Marken- und Produktvisuals.
Kosteneffizientes Vision-Language-Modell für Text, Bild, Video, Coding, Tools und 1M-Kontext-Workflows.
Flaggschiff-Langkontextmodell für Programmierung, Produktivität, langlaufende Agenten, tiefes Denken und Werkzeugnutzung.
Multimodales Schließen für Coding, Agenten, Langkontextanalyse sowie Text-, Bild- und Videoeingabe.
Moonshot-Multimodallogik mit starker Codierungsunterstützung, 256K-Kontext sowie Bild- und Videoeingaben.
Langkontext-Argumentation mit Werkzeugaufrufen, strukturierter Ausgabe, Cache-Unterstützung und 128K-Ausgabe.
Bild-zu-3D-Generierung, die ein Referenzbild in ein strukturiertes GLB-Asset verwandelt.
Schnelles multimodales Codieren und Agentenmodell mit 1M Kontext, einstellbarer Denktiefe, Bild- und Videoeingang, Funktionsaufruf und integrierter Websuche.
Alibaba CloudAudioerzeugung aus einer schriftlichen Beschreibung, mit Erzählung, Dialog in bis zu drei geklonten Stimmen, Soundeffekten, Ambiance und Musik in einer Datei.
DeepSeekNachtrainierte 1017-Veröffentlichung mit stärkerer Codierung und Agenten-Ergebnissen, schnellerer Aufgabenabschluss, kürzeren Ausgaben, Bildeingaben und einem 1-Millionen-Kontextfenster.
Alibaba CloudBildgenerierung und -bearbeitung mit Pro- und Turbo-Varianten, bis zu zehn Referenzbildern, transparenter PNG-Ausgabe und benutzerdefinierten Größen bis zu 2560x2560.
Alibaba CloudEchtzeit-Sprachsynthese mit 19 Stimmen, Vortragsrichtung in klarer Sprache, Inline-Emotions- und Soundtags sowie Audio, der über SSE oder WebSocket gestreamt wird.
EmpirioLabsBeantwortet yes/no, Wahl, Punktzahl und Werkzeugfragen zu Text, JSON, Bildern, Video und Audio in bis zu 1 Millionen Tokens und kann erkennen, wenn die Eingabe die Antwort fehlt.
Z.aiCodierung und Agentenmodell mit einem 1M-Token-Kontext, 128K Ausgabe, ständigem Denken bei niedrigem, hohem oder maximalem Aufwand, nativer Websuche und Werkzeugaufrufen.
Z.aiNativ multimodales Flash-Modell mit einem 1-Millionen-Token-Kontext, Bild- und Videoeingabe, ständigem Denken, nativer Websuche und Werkzeugaufrufen.
Logik- und Codierungsmodell mit einem 1M Token-Kontext, 128K-Ausgabe, anpassbarem Schlussfolgerungsaufwand, nativer Websuche und Werkzeugaufrufen.
Moonshot AIKimi K3 ist Moonshots Flaggschiff-Logikmodell mit einem 1-Millionen-Token-Kontext, ständigem Denken, nativer Websuche sowie Text-, Bild- und Videoeingaben.
Meta AIMetas aktualisiertes Frontier-Reasoning-Modell mit einem Kontext von 1.048.576 Tokens, Bild-, Video-, Audio- und PDF-Verständnis, Websuche und Werkzeugaufrufen.
Kimi K2.7 Code ist Moonshots agentisches Codierungsmodell mit Billionen Parametern und 256K-Kontext, ständigem Denken sowie Text-, Bild- und Videoeingaben.
Apache-lizenziertes 4B FLUX.2 Klein-Bildgenerierungs- und Bearbeitungsmodell mit text-to-image, Referenzbildbearbeitung und kreativer Workflow-Unterstützung.
TencentOpen-Source-text-to-image modelliert eine multimodale Mix-of-Experts-Architektur mit fotorealistischer Detailgenauigkeit und starker mehrsprachiger Textwiedergabe.
DeepSeekAutoregressives Framework auf dem Janus Pro 7B-Modell, das multimodales Verständnis und Bilderzeugung in einer Architektur vereint.
Alibaba CloudVereinheitlichtes Bildgenerierungs- und Bearbeitungsmodell mit klassenführender komplexer Chinese/English Textrendering, realistischen Texturen und Multi-Bild-Fusion.
Alibaba CloudQwen-Bildgenerierung und -bearbeitung mit Base- und Pro-Varianten, mehrsprachiger Typografie, mehrfachen Bildreferenzen und steuerbarer 1K- oder 2K-Ausgabe.
ByteDanceEin einheitliches multimodales Bildmodell, das vor dem Rendern Prompts durchgeht und hochauflösende und konsistente Schnitte sowie Markenvisualisierungen erzeugt.
Kling AIText-zu-Video und image-to-video mit synchronisiertem nativem Audio, auf 720p oder 1080p für 3 bis 15 Sekunden, mit Seitenverhältnis und Prompt-Steuerung.
Alibaba CloudDas Videomodell bietet Text-zu-Video-, Bild-zu-Video-, Referenz-zu-Video- und Videobearbeitungsmodi mit hochauflösender, bewegungsglatter Ausgabe.
8,3B-Parameter-Videomodell mit nativer 720p-Ausgabe (hochskalierbar auf 1080p), starker Bewegungskohärenz und bilingualem Prompt-Verständnis bis zu 10 Sekunden.
Kling AIVideomodelle im Standard- oder Pro-Modus mit Text-zu-Video, Bild-zu-Video, Referenz-zu-Video, Schnitt, nativem Ton und Mehrszenen-Übergängen.
Kling AIKling 3.0 Modell, das Bewegung von einem Referenzvideo auf eine Figur aus einem Referenzbild überträgt, mit Standard-720p- und Pro 1080p-Stufen.
OpenMOSSEin Open-Source-32B MoE-Foundation-Modell, das synchronisiertes Video und Audio in einem Inferenzschritt mit präziser Dual-Tower-Lippensynchronisation erzeugt.
Open-Source-Musikgenerierungsmodell für text-to-song und textgesteuerte Audio, mit schneller 8-Stufe XL Turbo-Inferenz für steuerbare Song-Iteration.
Das Echtzeit-Sprachmodell, das die Sprechrichtung in einfachem Englisch wählt, eine Sprachidentität über 200+ Sprachen hinweg hält und mit Wortzeitstempeln streamt.
Sub-130 ms TTFB-Sprachsynthese mit 271+ Stimmen in 15 Sprachen, expressive Prosodie und Echtzeit-SSE-Streaming für Voice-Agents mit niedriger Latenz.
Broadcast-Qualitäts-Stimmsynthese mit reichhaltiger expressiver Prosodie, 271+ Stimmen in 15 Sprachen und Echtzeit-SSE-Streaming mit Zeitstempeln pro Wort.
Erzeugt vollständige Stereo-Songs aus Texten und einem Stilprompt, mit Dauer-, Seed- und Formatkontrollen von bis zu 5 Minuten.
Latenz-erste Echtzeit-Sprachsynthese, die eine Sprachidentität über 200+ Sprachen hinweg hält, abgestimmt auf hochvolumige Streaming-Workloads.
DeepgramSprach-zu-Text-Transkription mit dem Nova-3-Modell mit mehrsprachiger Unterstützung und fortschrittlichen anpassbaren Einstellungen für Produktionsarbeitslasten.
OpenAIWhisper-1 speech-to-text Transkription, die auf mehrsprachiges, überwachtem Audio trainiert wurde, mit einem Upload-Limit von 25 MB pro Datei.
Kontrollierte Whisper Large v3 Turbo-Transkription mit mehrsprachigem ASR, Übersetzung, VAD, Zeitstempeln, Untertiteln, Hotwords und Decoder-Steuerungen.
StepFunStepFun Streaming-Spracherkennungsmodell für chinesische und englische Audiotranskription.
StepFunKontextbewusste Transkription von Eigennamen, Fachbegriffen, Dialekten und schwierigen Tonarten einschließlich Flüstern, schneller Sprache und Gesang.
StepFunLive-Transkription über einen Socket, wobei teilweise Ergebnisse zurückgegeben werden, während der Sprecher spricht, wobei die Sprachaktivitätserkennung jeden Satz markiert.
ExaSchnelle LLM-ähnliche Antwort auf eine Frage in natürlicher Sprache, basierend auf frischen Exa-Websuchergebnissen mit Inline-Zitaten und Quelllinks.
ExaWebsuchmaschine zum Finden von Seiten, zum Abrufen ähnlicher Seiten, zum Crawlen und zur gezielten Codesuche im offenen Web nach KI-Agenten.
LinkupIterative KI-Suche, die immer wieder Anfragen anbietet, wenn die ersten Ergebnisse unzureichend sind, und liefert umfassendere Antworten als der Standardmodus.
LinkupKI-gestützte Websuche mit detaillierten Übersichten und Antworten, schneller als Deep Search.
PerplexityInstitutioneller Forschungsagent, der viele Runden Websuche und Seitenlesen durchführt, mit maximaler Tiefe und umfassender Quellenabdeckung.
PerplexityForschungsmodell für mehrstufige Abfindung, Synthese und Schlussfolgerung, bei dem Quellen über komplexe Themen hinweg autonom gesucht, gelesen und bewertet werden.
TRELLIS.2 Bild-zu-3D-Modell, das ein Referenzbild in ein texturiertes GLB-Asset mit Auflösungs-, Seed-, Mesh-, Textur- und Exportkontrollen verwandelt.
DeemosRodin Gen-2 Engine, die einen Textprompt oder bis zu fünf Referenzbilder in Produktions-3D-Assets mit PBR-Materialien und Quad- oder Rohmeshes umwandelt.
Hitem3DProduktionsfokussierte Bild-zu-3D mit strukturbewussten Texturen, 1536 und 1536 Pro Präzisionsstufen, Meshes bis zu zwei Millionen Flächen und fünf Exportformaten.
Alibaba CloudMehrsprachige Texteinbettung mit wählbaren Ausgabedimensionen (64–2048). Bis zu 8.192 Token pro Eingabe.
Alibaba CloudGeschwindigkeitsoptimiertes multimodales Embedding, gleiche Form wie Vision-Plus, 3× günstiger image/video Token.
Alibaba CloudMultimodale Einbettung erzeugt unabhängige Vektoren für Text-, Bild- und Videoeingänge.
ByteDanceMultimodale Einbettung, die Text, Bilder und Video zu einem 1024- oder 2048-dimensionalen Vektor für intermodale Suche und Abruf fusioniert.
Alibaba CloudSemantischer Dokument-Reranker. Sortiert bis zu 500 Kandidaten pro Abfrage nach Relevanz, unterstützt 100+ Sprachen und akzeptiert eine benutzerdefinierte Sortieranweisung.
GPTZeroDeep-Learning-Detektor, der Textabschnitte markiert, die wahrscheinlich von KI im Vergleich zu Menschen generiert wurden, und Inhalte als vollständig menschlich, KI oder gemischt klassifiziert.
ManusAutonomer KI-Agent, der eine hochrangige Eingabeaufforderung in Unteraufgaben umwandelt, Werkzeuge und APIs aufruft und end-to-end Ergebnisse ohne manuelle Orchestrierung liefert.
LightOnDokumentiere OCR, das PDFs und Bilder Seite für Seite in strukturierte Markdown mit Tabellen, Mathematik, Diagrammen, Bildregionen und Layout ausliest.
Schauen Sie sich unsere Preise an oder kontaktieren Sie uns, wenn Sie Ihr eigenes Modell auf unserem Stack implementieren möchten.
