स्वामित्व वाला एंडपॉइंटनया
1M संदर्भ, समायोज्य तर्क गहराई, छवि और वीडियो इनपुट, फ़ंक्शन कॉलिंग और अंतर्निहित वेब खोज के साथ फास्ट मल्टीमॉडल कोडिंग और एजेंट मॉडल।
टेक्स्ट, छवि, ऑडियो, वीडियो, 3डी और अन्य मॉडलों की पूरी सूची ब्राउज़ करें।
मॉडल कैटलॉग
pay-as-you-go मूल्य निर्धारण के साथ टेक्स्ट, छवि, वीडियो, ऑडियो, 3डी, खोज और एजेंट एंडपॉइंट ब्राउज़ करें। इंटरैक्टिव कैटलॉग EmpirioLabs से वर्तमान उपलब्धता को लोड करता है, और ये मॉडल डॉक्स क्लाइंट जावास्क्रिप्ट के बिना क्रॉल करने योग्य हैं।
xAI image-to-video प्रॉम्प्ट-गाइडेड मोशन, नेटिव ऑडियो, 480p या 720p आउटपुट और 15 सेकंड तक क्लिप के साथ।
पाठ, छवि, ऑडियो या वीडियो इनपुट से सिनेमाई क्लिप के लिए मल्टीमॉडल वीडियो जनरेशन।
उच्च-रिज़ॉल्यूशन रचनात्मक, ब्रांड और उत्पाद दृश्यों के लिए एकीकृत छवि निर्माण और संपादन।
पाठ, छवि, वीडियो, कोडिंग, उपकरण और 1M-संदर्भ वर्कफ़्लो के लिए लागत प्रभावी दृष्टि-भाषा मॉडल।
कोडिंग, उत्पादकता, लंबे समय तक चलने वाले एजेंटों, गहरी सोच और उपकरण उपयोग के लिए प्रमुख लंबा-संदर्भ मॉडल।
कोडिंग, एजेंटों, लंबे संदर्भ विश्लेषण, और पाठ, छवि और वीडियो इनपुट के लिए मल्टीमॉडल तर्क।
मजबूत कोडिंग समर्थन, 256K संदर्भ और छवि और वीडियो इनपुट के साथ मूनशॉट मल्टीमॉडल रीजनिंग।
टूल कॉलिंग, संरचित आउटपुट, कैश समर्थन और 128K आउटपुट के साथ लंबे संदर्भ वाले तर्क।
इमेज-टू-3डी पीढ़ी जो एक संदर्भ छवि को बनावट वाली जीएलबी संपत्ति में बदल देती है।
1M संदर्भ, समायोज्य तर्क गहराई, छवि और वीडियो इनपुट, फ़ंक्शन कॉलिंग और अंतर्निहित वेब खोज के साथ फास्ट मल्टीमॉडल कोडिंग और एजेंट मॉडल।
Alibaba Cloudएक लिखित विवरण से ऑडियो पीढ़ी, एक फ़ाइल में तीन क्लोन आवाज़ों में कथन, संवाद के साथ, ध्वनि प्रभाव, माहौल और संगीत।
DeepSeekपोस्ट-प्रशिक्षित 1017 मजबूत कोडिंग और एजेंट परिणामों, तेजी से कार्य पूरा करने, छोटे आउटपुट, छवि इनपुट और 1M संदर्भ विंडो के साथ रिलीज।
Alibaba Cloudप्रो और टर्बो वेरिएंट के साथ छवि निर्माण और संपादन, दस संदर्भ छवियों तक, पारदर्शी पीएनजी आउटपुट और 2560x2560 तक कस्टम आकार।
Alibaba Cloud19 आवाजों के साथ वास्तविक समय भाषण संश्लेषण, सादे भाषा में वितरण दिशा, इनलाइन भावना और ध्वनि टैग, और एसएसई या वेबसॉकेट पर ऑडियो स्ट्रीम किया गया।
EmpirioLabs1M टोकन तक टेक्स्ट, JSON, छवियों, वीडियो और ऑडियो के बारे में yes/no, पसंद, स्कोर और टूल प्रश्नों का उत्तर देता है, और बता सकता है कि इनपुट में उत्तर की कमी कब है।
Z.ai1M टोकन संदर्भ, 128K आउटपुट, कम, उच्च या अधिकतम प्रयास पर हमेशा चलने वाले तर्क, मूल वेब खोज और टूल कॉलिंग के साथ कोडिंग और एजेंटिक मॉडल।
Z.ai1M टोकन संदर्भ, छवि और वीडियो इनपुट, हमेशा तर्क, मूल वेब खोज और टूल कॉलिंग के साथ मूल रूप से मल्टीमॉडल फ्लैश मॉडल।
1M टोकन संदर्भ, 128K आउटपुट, समायोज्य तर्क प्रयास, मूल वेब खोज और टूल कॉलिंग के साथ रीजनिंग और कोडिंग मॉडल।
Moonshot AIKimi K3 मूनशॉट का प्रमुख रीजनिंग मॉडल है जिसमें 1M टोकन संदर्भ, हमेशा चालू रहने वाली सोच, मूल वेब खोज और टेक्स्ट, छवि और वीडियो इनपुट हैं।
Meta AIमेटा का अपडेटेड फ्रंटियर रीजनिंग मॉडल 1,048,576-टोकन संदर्भ, छवि, वीडियो, ऑडियो और पीडीएफ समझ, वेब खोज और टूल कॉलिंग के साथ है।
Kimi K2.7 कोड मूनशॉट का ट्रिलियन-पैरामीटर एजेंट कोडिंग मॉडल है जिसमें 256K संदर्भ, हमेशा तर्क और टेक्स्ट, छवि और वीडियो इनपुट हैं।
Apache-लाइसेंस प्राप्त 4B FLUX.2 क्लेन छवि निर्माण और संपादन मॉडल text-to-image, संदर्भ-छवि संपादन और रचनात्मक वर्कफ़्लो समर्थन के साथ।
Tencentफोटोरियलिस्टिक विवरण और मजबूत बहुभाषी पाठ प्रतिपादन के साथ मल्टीमॉडल मिक्सचर-ऑफ-एक्सपर्ट्स आर्किटेक्चर पर ओपन-सोर्स text-to-image मॉडल।
DeepSeekजानूस प्रो 7बी मॉडल पर ऑटोरेग्रेसिव फ्रेमवर्क जो एक आर्किटेक्चर में मल्टीमॉडल समझ और छवि निर्माण को एकीकृत करता है।
Alibaba Cloudएकीकृत छवि निर्माण और संपादन मॉडल वर्ग-अग्रणी जटिल Chinese/English पाठ प्रतिपादन, यथार्थवादी बनावट, और बहु-छवि संलयन के साथ।
Alibaba Cloudबेस और प्रो वेरिएंट, बहुभाषी टाइपोग्राफी, बहु-छवि संदर्भ और नियंत्रणीय 1K या 2K आउटपुट के साथ क्वेन छवि निर्माण और संपादन।
ByteDanceएकीकृत मल्टीमॉडल छवि मॉडल जो प्रतिपादन से पहले संकेतों के माध्यम से तर्क करता है, उच्च-रिज़ॉल्यूशन और सुसंगत संपादन और ब्रांड दृश्य तैयार करता है।
Kling AIटेक्स्ट-टू-वीडियो और सिंक्रनाइज़ किए गए देशी ऑडियो के साथ image-to-video, 720p या 1080p पर 3 से 15 सेकंड के लिए, पहलू अनुपात और शीघ्र नियंत्रण के साथ।
Alibaba Cloudवीडियो मॉडल टेक्स्ट-टू-वीडियो, इमेज-टू-वीडियो, रेफरेंस-टू-वीडियो और वीडियो एडिट मोड के साथ उच्च-निष्ठा, गति-चिकनी आउटपुट की पेशकश करता है।
8.3B-पैरामीटर वीडियो मॉडल देशी 720p आउटपुट (1080p तक अपस्केलेबल), मजबूत गति सुसंगतता और 10s तक द्विभाषी त्वरित समझ के साथ।
Kling AIटेक्स्ट-टू-वीडियो, इमेज-टू-वीडियो, रेफरेंस-टू-वीडियो, एडिटिंग, नेटिव साउंड और मल्टी-सीन ट्रांज़िशन के साथ स्टैंडर्ड या प्रो मोड में वीडियो मॉडल।
Kling AIक्लिंग 3.0 मॉडल जो मानक 720p और प्रो 1080p स्तरों के साथ एक संदर्भ छवि से एक संदर्भ वीडियो से एक चरित्र पर गति स्थानांतरित करता है।
OpenMOSSओपन-सोर्स 32B MoE फाउंडेशन मॉडल जो सटीक दोहरे टॉवर लिप-सिंक के साथ एक अनुमान चरण में सिंक्रनाइज़ वीडियो और ऑडियो उत्पन्न करता है।
text-to-song और गीत-निर्देशित ऑडियो के लिए ओपन-सोर्स संगीत निर्माण मॉडल, नियंत्रणीय गीत पुनरावृत्ति के लिए तेज़ 8-चरण XL टर्बो अनुमान के साथ।
रीयलटाइम वॉयस मॉडल जो सादा-अंग्रेजी डिलीवरी दिशा लेता है, 200+ भाषाओं में एक आवाज की पहचान रखता है, और शब्द टाइमस्टैम्प के साथ स्ट्रीम करता है।
130 भाषाओं में 271+ आवाजों के साथ सब-15ms TTFB वॉयस सिंथेसिस, अभिव्यंजक छंदशास्त्र और कम-विलंबता वॉयस एजेंटों के लिए रीयल-टाइम SSE स्ट्रीमिंग।
समृद्ध अभिव्यंजक छंदशास्त्र के साथ प्रसारण-गुणवत्ता वाला आवाज संश्लेषण, 271 भाषाओं में 15+ आवाज़ें, और प्रति-शब्द टाइमस्टैम्प के साथ वास्तविक समय एसएसई स्ट्रीमिंग।
गीत से पूर्ण स्टीरियो गाने और एक शैली संकेत, अवधि, बीज और प्रारूप नियंत्रण के साथ 5 मिनट तक उत्पन्न करता है।
विलंबता-पहला रीयलटाइम वॉयस सिंथेसिस 200+ भाषाओं में एक आवाज की पहचान रखता है, जिसे उच्च-मात्रा स्ट्रीमिंग वर्कलोड के लिए ट्यून किया गया है।
Deepgramउत्पादन कार्यभार के लिए बहु-भाषा समर्थन और उन्नत अनुकूलन योग्य सेटिंग्स के साथ नोवा -3 मॉडल का उपयोग करके भाषण-से-पाठ प्रतिलेखन।
OpenAIव्हिस्पर-1 speech-to-text ट्रांसक्रिप्शन को बहुभाषी पर्यवेक्षित ऑडियो पर प्रशिक्षित किया गया है, जिसमें प्रति फ़ाइल 25 एमबी अपलोड सीमा है।
बहुभाषी एएसआर, अनुवाद, वीएडी, टाइमस्टैम्प, उपशीर्षक, हॉटवर्ड्स और डिकोडर नियंत्रण के साथ नियंत्रित कानाफूसी बड़े v3 टर्बो ट्रांसक्रिप्शन।
StepFunचीनी और अंग्रेजी ऑडियो ट्रांसक्रिप्शन के लिए StepFun स्ट्रीमिंग स्पीच रिकग्निशन मॉडल।
StepFunउचित संज्ञाओं, तकनीकी शब्दों, बोलियों और फुसफुसाहट, तेज भाषण और गायन सहित कठिन ऑडियो के लिए संदर्भ-जागरूक प्रतिलेखन।
StepFunएक सॉकेट पर लाइव ट्रांसक्रिप्शन, वक्ता के बात करते समय आंशिक परिणाम लौटाता है, प्रत्येक वाक्य को चिह्नित करने वाली आवाज गतिविधि का पता लगाने के साथ।
Exaएक प्राकृतिक भाषा के प्रश्न का त्वरित एलएलएम-शैली का उत्तर, इनलाइन उद्धरणों और स्रोत लिंक के साथ ताजा Exa वेब खोज परिणामों पर आधारित।
Exaवेब खोज इंजन पृष्ठों को खोजने, समान पृष्ठों को पुनर्प्राप्त करने, क्रॉल करने और एआई एजेंटों के लिए खुले वेब पर समर्पित कोड खोज के लिए।
Linkupपुनरावृत्त एआई खोज जो प्रारंभिक परिणाम अपर्याप्त होने पर क्वेरी करती रहती है, मानक मोड की तुलना में अधिक व्यापक उत्तर लौटाती है।
Linkupविस्तृत अवलोकन और उत्तरों के साथ एआई-संचालित वेब खोज, डीप सर्च की तुलना में तेज़।
Perplexityसंस्थागत-ग्रेड अनुसंधान एजेंट जो अधिकतम गहराई और व्यापक स्रोत कवरेज के साथ वेब खोज और पेज रीडिंग के कई दौर चलाता है।
Perplexityबहु-चरणीय पुनर्प्राप्ति, संश्लेषण और तर्क के लिए अनुसंधान मॉडल, स्वायत्त रूप से खोज, पढ़ना और जटिल विषयों में स्रोतों का मूल्यांकन करना।
TRELLIS.2 इमेज-टू-3D मॉडल जो एक संदर्भ छवि को रिज़ॉल्यूशन, बीज, जाल, बनावट और निर्यात नियंत्रण के साथ एक बनावट वाली GLB संपत्ति में बदल देता है।
Deemosरॉडिन जेन -2 इंजन जो पीबीआर सामग्री और क्वाड या कच्चे जाल के साथ उत्पादन 3 डी संपत्ति में एक टेक्स्ट प्रॉम्प्ट या पांच संदर्भ छवियों को बदल देता है।
Hitem3Dसंरचना-जागरूक बनावट, 1536 और 1536 प्रो सटीक स्तरों के साथ उत्पादन-केंद्रित छवि-से-3 डी, दो मिलियन चेहरों तक और पांच निर्यात प्रारूपों को मिलाता है।
Alibaba Cloudचयन योग्य आउटपुट आयामों (64-2048) के साथ बहुभाषी पाठ एम्बेडिंग। प्रति इनपुट 8,192 टोकन तक।
Alibaba Cloudस्पीड-ऑप्टिमाइज़ किए गए मल्टीमॉडल एम्बेडिंग, विज़न-प्लस के समान आकार, 3× सस्ते image/video टोकन।
Alibaba Cloudमल्टीमॉडल एम्बेडिंग टेक्स्ट, छवि और वीडियो इनपुट के लिए स्वतंत्र वैक्टर का उत्पादन करता है।
ByteDanceमल्टीमॉडल एम्बेडिंग जो क्रॉस-मोडल खोज और पुनर्प्राप्ति के लिए टेक्स्ट, छवियों और वीडियो को एक 1024 या 2048 आयाम वेक्टर में फ़्यूज़ करता है।
Alibaba Cloudसिमेंटिक दस्तावेज़ रीरैंकर। प्रासंगिकता के आधार पर प्रति क्वेरी 500 उम्मीदवारों को क्रमबद्ध करता है, 100+ भाषाओं का समर्थन करता है, और एक कस्टम सॉर्टिंग निर्देश स्वीकार करता है।
GPTZeroडीप-लर्निंग डिटेक्टर जो एआई बनाम मानव द्वारा उत्पन्न पाठ के कुछ हिस्सों को चिह्नित करता है, सामग्री को पूरी तरह से मानव, एआई या मिश्रित के रूप में वर्गीकृत करता है।
Manusस्वायत्त एआई एजेंट जो उच्च-स्तरीय प्रॉम्प्ट को उप-कार्यों, कॉल टूल और एपीआई में बदल देता है, और मैन्युअल ऑर्केस्ट्रेशन के बिना end-to-end परिणाम प्रदान करता है।
LightOnदस्तावेज़ OCR जो PDF और छवियों को तालिकाओं, गणित, चार्ट, छवि क्षेत्रों और लेआउट के साथ पृष्ठ-दर-पृष्ठ संरचित मार्कडाउन में पढ़ता है.
हमारे मूल्य निर्धारण की जाँच करें या यदि आप चाहते हैं कि आपका अपना मॉडल हमारे स्टैक पर तैनात किया जाए, तो पहुंचें।
