
Seedream 5.5
ByteDanceModelo de imagem Seedream com saída nativa e transparente, edição precisa em múltiplas rodadas e decomposição em até 99 camadas editáveis com reconhecimento de texto.
Navegue pelo catálogo completo de modelos em texto, imagem, áudio, vídeo, 3D e muito mais.
Catálogo de modelos
Navegue por texto, imagem, vídeo, áudio, 3D, busca e endpoints de agentes com preços pay-as-you-go.
xAI image-to-video com movimento guiado por prompt, áudio nativo, saída 480p ou 720p e clipes de até 15 segundos.
Geração de vídeo multimodal para clipes cinematográficos a partir de entradas, texto, imagem, áudio ou vídeo.
Geração e edição unificada de imagens para criatividade, visual de marca e produto em alta resolução.
Modelo de linguagem visual econômico para texto, imagem, vídeo, programação, ferramentas e fluxos de trabalho com contexto de 1M.
Modelo principal de longo contexto para programação, produtividade, agentes de longa duração, pensamento profundo e uso de ferramentas.
Raciocínio multimodal para codificação, agentes, análise de contexto longo e entrada de texto, imagem e vídeo.
Moonshot raciocínio multimodal com forte suporte à programação, contexto 256K e entrada de imagem e vídeo.
Raciocínio de longo contexto com chamada de ferramentas, saída estruturada, suporte a cache e saída de 128K.
Geração de imagem para 3D que transforma uma imagem de referência em um recurso GLB texturizado.

ByteDanceModelo de imagem Seedream com saída nativa e transparente, edição precisa em múltiplas rodadas e decomposição em até 99 camadas editáveis com reconhecimento de texto.

Moonshot AIModelo de raciocínio principal da Moonshot para trabalho longo de codificação e agentes, com contexto de token de 1M, entrada de imagem e busca na web.

Kling AIO Kling 4.0 mais rápido e barato: clipes de 3 a 20 segundos em 720p com áudio nativo de texto, um primeiro quadro, imagens e vídeos de referência, ou um vídeo para editar.

Kling AIFaz clipes de 3 a 30 segundos em 720p ou 1080p com áudio nativo de texto, primeiro, meio e último quadros, imagens e vídeos de referência, ou um vídeo para editar.

MiniMaxClipes rápidos de 4 a 15 segundos em 768p com áudio estéreo nativo, de texto, primeiro e último quadro, ou referências de imagem, vídeo e áudio em um único pedido.

MiniMaxClipes de 4 a 15 segundos de baixo custo em 480p ou 768p com áudio estéreo nativo, a partir de texto, primeiro e último quadro, ou referências de imagem, vídeo e áudio.

Z.aiCodificação e modelo agente com contexto de token de 1M, saída de 128K, raciocínio sempre ativo em esforço baixo, alto ou máximo, busca nativa na web e chamada de ferramentas.

Z.aiModelo flash multimodal nativo com contexto de token de 1M, entrada de imagem e vídeo, raciocínio sempre ativo, busca nativa na web e chamada de ferramentas.

Modelo de raciocínio e codificação com um contexto de token de 1M, saída de 128K, esforço de raciocínio ajustável, busca nativa na web e chamada de ferramentas.

Moonshot AIKimi K3 é o modelo principal de raciocínio da Moonshot, com contexto de token 1M, pensamento sempre ativo, busca nativa na web e entradas de texto, imagem e vídeo.

Meta AIO modelo atualizado de raciocínio fronteiriço da Meta com um contexto de 1.048.576 tokens, entendimento de imagem, vídeo, áudio e PDF, busca na web e uso de ferramentas.

Moonshot AIModelo de raciocínio principal da Moonshot para trabalho longo de codificação e agentes, com contexto de token de 1M, entrada de imagem e busca na web.

Modelo de geração e edição de imagens 4B FLUX.2 Klein licenciado por Apache com suporte a text-to-image, edição de imagens de referência e workflow criativo.

TencentModelo text-to-image de código aberto em uma arquitetura multimodal Mixture-of-Experts, com detalhes fotorrealistas e forte renderização multilíngue de texto.

Alibaba CloudModelo unificado de geração e edição de imagens com renderização de texto complexa Chinese/English líder de classe, texturas realistas e fusão multi-imagem.

Alibaba CloudGeração e edição de imagens Qwen com variantes Base e Pro, tipografia multilíngue, referências multi-imagem e saída controlável em 1K ou 2K.

ByteDanceModelo de imagem multimodal unificado que raciocina por meio de prompts antes de renderizar, produzindo edições e visuais de marca de alta resolução e consistentes.

ByteDanceModelo de imagem Seedream com saída nativa e transparente, edição precisa em múltiplas rodadas e decomposição em até 99 camadas editáveis com reconhecimento de texto.

Kling AITexto para vídeo e image-to-video com áudio nativo sincronizado, em 720p ou 1080p por 3 a 15 segundos, com proporção de aspecto e controle de prompt.

Alibaba CloudModelo de vídeo oferecendo modos Texto-para-Vídeo, Imagem-para-Vídeo, Referência para Vídeo e Edição de Vídeo com saída de alta fidelidade e fluidez de movimento.

Modelo de vídeo com 8.3B e saída nativa 720p (upscalável para 1080p), forte coerência de movimento e compreensão bilíngue de prompts de até 10s.

Kling AIModelo de vídeo nos modos Standard ou Pro com Texto para Vídeo, Imagem para Vídeo, Referência para Vídeo, edição, som nativo e transições multi-cena.

Kling AIModelo Kling 3.0 que transfere movimento de um vídeo de referência para um personagem de uma imagem de referência, com camadas padrão 720p e Pro 1080p.

OpenMOSSModelo de fundação MoE 32B de código aberto que gera vídeo e áudio sincronizados em uma única etapa de inferência, com sincronização labial precisa de duas torres.

Modelo de geração de música open-source para áudio guiado por text-to-song e letras, com inferência XL Turbo rápida de 8 passos para iteração controlável das músicas.

Modelo de voz em tempo real que segue a direção de entrega em inglês simples, mantém uma identidade de voz em 200+ idiomas e transmite com carimbos de data de palavras.

Síntese de voz TTFB abaixo de 130ms com 271+ vozes em 15 idiomas, prosódia expressiva e streaming SSE em tempo real para agentes de voz de baixa latência.

Síntese de voz de qualidade de transmissão com prosódia expressiva rica, 271+ vozes em 15 idiomas e streaming SSE em tempo real com carimbos de data por palavra.

Gera músicas estéreo completas a partir de letras e um pedido de estilo, com controles de duração, seed e formato de até 5 minutos.

Síntese de voz em tempo real com latência em primeiro lugar, mantendo uma identidade de voz em 200+ idiomas, ajustada para cargas de trabalho de streaming de alto volume.

DeepgramTranscrição de fala para texto usando o modelo Nova-3 com suporte multilíngue e configurações avançadas personalizáveis para cargas de trabalho de produção.

OpenAIWhisper-1 speech-to-text transcrição treinada com áudio supervisionado multilíngue, com limite de upload de 25 MB por arquivo.

Transcrição controlada Whisper Large v3 Turbo com ASR multilíngue, tradução, VAD, carimbos de tempo, legendas, hotwords e controles de decodificador.

StepFunModelo de reconhecimento de fala em streaming StepFun para transcrição de áudio em chinês e inglês.

StepFunTranscrição consciente do contexto para nomes próprios, termos técnicos, dialetos e áudios difíceis incluindo sussurros, fala rápida e canto.

StepFunTranscrição ao vivo por um soquete, retornando resultados parciais enquanto o falante fala, com a detecção de atividade vocal marcando cada frase.

ExaResposta rápida no estilo LLM para uma pergunta em linguagem natural, baseada em resultados de busca exa frescos com citações e links de fonte.

ExaMotor de busca web para encontrar páginas, recuperar páginas semelhantes, rastreamento e busca dedicada por código pela web aberta para agentes de IA.

LinkupBusca iterativa por IA que continua consultando quando os resultados iniciais são insuficientes, retornando respostas mais abrangentes do que o modo Padrão.

LinkupBusca na web impulsionada por IA, com visões detalhadas e respostas, mais rápida que a Deep Search.

PerplexityAgente de pesquisa de nível institucional que realiza muitas rodadas de busca na web e leitura de páginas, com máxima profundidade e ampla cobertura de fontes.

PerplexityModelo de pesquisa para recuperação, síntese e raciocínio em múltiplas etapas, pesquisando, lendo e avaliando fontes de forma autônoma em tópicos complexos.

TRELLIS.2 modelo imagem-para-3D que transforma uma imagem de referência em um asset GLB texturizado com controles de resolução, semente, malha, textura e exportação.

DeemosRodin Gen-2 que transforma um prompt de texto ou até cinco imagens de referência em ativos 3D de produção com materiais PBR e malhas quad ou brutas.

Hitem3DImagem para 3D focada em produção com texturas conscientes da estrutura, níveis de precisão 1536 e 1536 Pro, malhas de até dois milhões de faces e cinco formatos de exportação.

Alibaba CloudIncorporação de texto multilíngue com dimensões de saída selecionáveis (64–2048). Até 8.192 tokens por entrada.

Alibaba CloudEmbedding multimodal otimizado para velocidade, mesmo formato do Vision-Plus, tokens image/video 3× mais baratos.

Alibaba CloudIncorporação multimodal produzindo vetores independentes para entradas, texto, imagem e vídeo.

ByteDanceIncorporação multimodal que funde texto, imagens e vídeo em um único vetor de dimensão 1024 ou 2048 para busca e recuperação cross-modal.

Alibaba CloudReclassificador semântico de documentos. Ordena até 500 candidatos por consulta por relevância, suporta 100+ idiomas e aceita uma instrução de ordenação personalizada.

GPTZeroDetector de deep learning que sinaliza partes do texto provavelmente geradas por IA versus humanas, classificando o conteúdo como totalmente humano, IA ou misto.

ManusAgente autônomo de IA que transforma um prompt de alto nível em subtarefas, chama ferramentas e APIs, e entrega resultados end-to-end sem orquestração manual.

LightOnDocumento OCR que leia PDFs e imagens em Markdown estruturado, página por página, com tabelas, matemática, gráficos, regiões de imagem e layout.
Confira nossos preços ou entre em contato se quiser que seu próprio modelo seja implementado em nossa pilha.