Endpoint propriétaireNouveau
Codage multimodal rapide et modèle d’agent avec contexte 1M, profondeur de raisonnement ajustable, entrée image et vidéo, appel de fonctions et recherche web intégrée.
Parcourez le catalogue complet des modèles: texte, image, audio, vidéo, 3D et plus encore.
Catalogue de modèles
Parcourez les points de terminaison texte, image, vidéo, audio, 3D, recherche et agents avec pay-as-you-go prix. Le catalogue interactif charge la disponibilité actuelle d’EmpirioLabs, et ces documents modèles sont accessibles sans JavaScript client.
xAI image-to-video avec des mouvements guidés par prompt, audio natif, sortie 480p ou 720p, et des clips jusqu’à 15 secondes.
Génération vidéo multimodale pour des extraits cinématiques à partir de texte, d’image, d’audio ou d’entrées vidéo.
Génération et édition d’images unifiées pour des visuels créatifs, de marque et produits haute résolution.
Modèle de vision de langage économique pour le texte, l’image, la vidéo, le codage, les outils et les flux de travail contextuels 1M.
Modèle phare à long contexte pour le codage, la productivité, les agents à long terme, la réflexion approfondie et l’utilisation des outils.
Raisonnement multimodal pour le codage, les agents, l’analyse en contexte long, ainsi que l’entrée de texte, d’image et de vidéo.
Moonshot raisonnement multimodal avec un fort support du codage, contexte 256K, et entrées image et vidéo.
Raisonnement en contexte long avec appel d’outils, sortie structurée, support du cache et sortie 128K.
Génération image en 3D qui transforme une image de référence en un asset GLB texturé.
Codage multimodal rapide et modèle d’agent avec contexte 1M, profondeur de raisonnement ajustable, entrée image et vidéo, appel de fonctions et recherche web intégrée.
Alibaba CloudGénération audio à partir d’une description écrite, avec narration, dialogues dans jusqu’à trois voix clonées, effets sonores, ambiance et musique dans un seul fichier.
DeepSeekVersion 1017 post-entraînée avec un codage et des résultats d’agents plus forts, une tâche d’exécution plus rapide, des sorties plus courtes, une entrée d’image plus courte et une fenêtre contextuelle de 1M.
Alibaba CloudGénération et édition d’images avec les variantes Pro et Turbo, jusqu’à dix images de référence, sortie PNG transparente, et tailles personnalisées jusqu’à 2560x2560.
Alibaba CloudSynthèse vocale en temps réel avec 19 voix, direction de diffusion en langage simple, balises émotionnelles et sonores en ligne, et audio diffusé via SSE ou WebSocket.
EmpirioLabsRépond yes/no, choix, score et questions d’outils concernant le texte, le JSON, les images, la vidéo et l’audio dans jusqu’à 1 million de jetons, et peut détecter quand l’entrée manque de réponse.
Z.aiCodage et modèle agent avec un contexte de jeton 1M, sortie 128K, raisonnement toujours actif à faible ou haut effort, recherche web native et appel d’outils.
Z.aiModèle flash multimodal natif, avec un contexte de jeton 1M, entrée image et vidéo, raisonnement toujours activé, recherche web native et appel d’outils.
Modèle de raisonnement et de codage avec un contexte de jeton 1M, sortie 128K, effort de raisonnement ajustable, recherche web native et appel d’outils.
Moonshot AIKimi K3 est le modèle phare de raisonnement de Moonshot avec un contexte de jeton 1M, une pensée toujours active, une recherche web native, ainsi que des entrées texte, image et vidéo.
Meta AILe modèle de raisonnement de frontière mis à jour de Meta avec un contexte de 1 048 576 jetons, une compréhension de l’image, de la vidéo, de l’audio et du PDF, une recherche web et un appel d’outils.
Le code Kimi K2.7 est le modèle de codage agent à un billion de paramètres de Moonshot avec un contexte 256K, un raisonnement toujours activé, ainsi que des entrées texte, image et vidéo.
Modèle de génération et d’édition d’images Klein 4B FLUX.2 sous licence Apache avec text-to-image, retouche d’images de référence et support de flux de travail créatif.
TencentModèle text-to-image open source sur une architecture multimodale Mixture-of-Experts, avec un niveau de détail photoréaliste et un rendu textuel multilingue puissant.
DeepSeekCadre autorégressif sur le modèle Janus Pro 7B qui unifie la compréhension multimodale et la génération d’images en une seule architecture.
Alibaba CloudModèle unifié de génération et d’édition d’images avec un rendu de texte Chinese/English complexe de premier plan, des textures réalistes et une fusion multi-images.
Alibaba CloudGénération et édition d’images Qwen avec variantes Base et Pro, typographie multilingue, références multi-images, et sortie contrôlable en 1K ou 2K.
ByteDanceModèle d’image multimodal unifié qui raisonne à travers des invites avant de rendu, produisant des montages et des visuels de marque à haute résolution et cohérents.
Kling AITexte en vidéo et image-to-video avec audio natif synchronisé, en 720p ou 1080p pendant 3 à 15 secondes, avec contrôle au format et aux invites.
Alibaba CloudModèle vidéo proposant des modes Text-to-Video, Image-to-Video, Reference-to-Video et Édition Vidéo avec une sortie haute fidélité et fluide au mouvement.
Modèle vidéo à paramètres 8,3B avec sortie native 720p (upscalable en 1080p), forte cohérence de mouvement et compréhension bilingue des prompts jusqu’à 10 secondes.
Kling AIModèle vidéo en modes Standard ou Pro avec Texte en Vidéo, Image-Vidéo, Référence en Vidéo, Montage, son natif et transitions multi-scènes.
Kling AIModèle Kling 3.0 qui transfère le mouvement d’une vidéo de référence vers un caractère issu d’une image de référence, avec des patiers Standard 720p et Pro 1080p.
OpenMOSSModèle de fondation MoE open source 32B qui génère des vidéos et des sons synchronisés en une seule étape d’inférence avec une synchronisation labiale précise à double tour.
Modèle de génération musicale open source pour l’audio guidé par text-to-song et paroles, avec une inférence XL Turbo rapide en 8 étapes pour une itération contrôlable des chansons.
Modèle de voix en temps réel qui suit la direction de diffusion en anglais simple, détient une identité vocale sur 200+ langues, et diffuse avec des horodatages de mots.
Synthèse vocale TTFB en moins de 130 ms avec 271+ voix réparties dans 15 langues, prosodie expressive et streaming SSE en temps réel pour agents vocaux à faible latence.
Synthèse vocale de qualité broadcast avec prosodie expressive riche, 271+ voix dans 15 langues, et streaming SSE en temps réel avec horodatages par mot.
Génère des chansons stéréo complètes à partir de paroles et d’une invite de style, avec des contrôles de durée, de seed et de format jusqu’à 5 minutes.
Une synthèse vocale en temps réel avec latence first, détenant une identité vocale unique sur 200+ langues, réglée pour des charges de travail de streaming à haut volume.
DeepgramLa transcription vocale en texte utilisant le modèle Nova-3 avec prise en charge multilingue et réglages avancés personnalisables pour les charges de production.
OpenAIWhisper-1 speech-to-text transcription entraînée sur un audio supervisé multilingue, avec une limite de téléversement de 25 Mo par fichier.
Transcription contrôlée Whisper Large v3 Turbo avec ASR multilingue, traduction, VAD, horodatages, sous-titres, hotwords et contrôles décodeurs.
StepFunModèle de reconnaissance vocale en streaming StepFun pour la transcription audio chinoise et anglaise.
StepFunTranscription contextuelle pour les noms propres, les termes techniques, les dialectes et l’audio difficile incluant chuchotements, parole rapide et chant.
StepFunTranscription en direct sur un socket, qui restitue des résultats partiels au fur et à mesure que le locuteur parle, la détection d’activité vocale marquant chaque phrase.
ExaRéponse rapide de type LLM à une question en langage naturel, fondée sur de nouveaux résultats de recherche exa web avec des citations en ligne et des liens sources.
ExaMoteur de recherche web pour trouver des pages, récupérer des pages similaires, explorer et rechercher du code dédié sur le web ouvert pour les agents IA.
LinkupRecherche itérative par IA qui continue de rechercher lorsque les résultats initiaux sont insuffisants, en renvoyant des réponses plus complètes que le mode Standard.
LinkupRecherche web propulsée par l’IA avec des aperçus détaillés et des réponses, plus rapide que la recherche profonde.
PerplexityAgent de recherche de qualité institutionnelle qui mène de nombreuses recherches web et lectures de pages, avec une profondeur maximale et une couverture de sources étendue.
PerplexityModèle de recherche pour la récupération, la synthèse et le raisonnement en plusieurs étapes, en recherchant, lisant et évaluant de manière autonome les sources sur des sujets complexes.
TRELLIS.2 modèle image-de-3D qui transforme une image de référence en un asset GLB texturé avec des contrôles de résolution, de graine, de maillage, de texture et d’exportation.
DeemosMoteur Rodin Gen-2 qui transforme une invite textuelle ou jusqu’à cinq images de référence en assets 3D de production avec des matériaux PBR et des maillages quadruples ou bruts.
Hitem3DImage en 3D focalisée sur la production avec textures sensibles à la structure, niveaux de précision 1536 et 1536 Pro, maillages jusqu’à deux millions de faces, et cinq formats d’exportation.
Alibaba CloudIntégration de texte multilingue avec dimensions de sortie sélectionnables (64–2048). Jusqu’à 8 192 jetons par entrée.
Alibaba CloudIntégration multimodale optimisée en vitesse, même forme que Vision-Plus, 3 × moins cher image/video tokens.
Alibaba CloudL’intégration multimodale produisant des vecteurs indépendants pour le texte, l’image et les entrées vidéo.
ByteDanceIntégration multimodale qui fusionne texte, images et vidéo en un seul vecteur dimensionnel 1024 ou 2048 pour une recherche et une récupération intermodales.
Alibaba CloudReclasseur sémantique de documents. Trie jusqu’à 500 candidats par requête selon leur pertinence, prend en charge 100+ langages et accepte une instruction de tri personnalisée.
GPTZeroDétecteur d’apprentissage profond qui signale les parties de texte probablement générées par l’IA par rapport à l’humain, classant le contenu comme entièrement humain, IA ou mixte.
ManusAgent IA autonome qui transforme une invite de haut niveau en sous-tâches, appelle des outils et des API, et délivre end-to-end résultats sans orchestration manuelle.
LightOnDocument OCR qui lit les PDF et les images en Markdown structuré, page par page, avec tableaux, mathématiques, graphiques, régions d’images et mise en page.
Consultez nos tarifs ou contactez-nous si vous souhaitez que votre propre modèle soit déployé sur notre stack.
