Pague conforme você vai ou escolha um plano com auxílios semanais.
Catálogo de preços
Os preços da EmpirioLabs variam conforme o modelo e a unidade: tokens, imagens, segundos de áudio ou vídeo, mensagens, ativos 3D e solicitações de busca. A tabela de preços interativa carrega o catálogo atual, enquanto essas taxas representativas permanecem legíveis sem JavaScript do cliente.
A entrada da imagem $0.05 por imagem. A saída de vídeo começa a $0.096 por segundo para 480p e $0.168 por segundo para 720p.
A entrada começa em $0.40 por 1M de tokens de prompt para uma API multimodal de longo contexto e custo-efetiva.
A entrada começa em $0.30 por 1M de tokens de prompt para raciocínio multimodal, codificação e cargas de trabalho de agentes.
A geração de imagem para 3D é precificada por ativo 3D gerado, com documentação para controles de formato e resolução.
As tarifas da API de modelos são exibidas e cobradas em USD. O checkout pode mostrar métodos de pagamento locais quando elegíveis.
Weekly allowances across models, media, search and tasks, on top of pay as you go. Usage inside your allowances is included and never touches your credit balance.
3 of these are free to run, so they never draw from your allowance.
MiniMax M3.1 Flash
DeepSeek V4.1 Flash 1017
Aplomb 1
MiMo V2.6 Flash
Qwen3.8 Omni Flash
GLM 5.3 FlashQwen3.8 FlashQwen3.8 27B
Muse Glimmer 30BDeepSeek V4 Flash 0731Qwen3.7 FlashQwen3.7 Flash (Variant 1)MiniMax M3MiniMax M3 (Priority)
Step 3.7 FlashQwen3.6 FlashQwen3.6 Flash (Variant 1)Qwen3.6 35B A3B
Step 3.5 Flash 2603
Gemma 4 26B-A4BMiniMax M2.7 HighspeedMiniMax M2.7
Mistral Small 4Qwen3.5 4BQwen3.5 122B-A10BQwen3.5 35B-A3BQwen3.5 27BQwen3.5 Flash (Variant 1)Qwen3.5 FlashQwen3.5 9BQwen3.5 397B-A17B
Seed 2.0 Mini
Step 3.5 FlashGLM 4.7 FlashGrátisThis model is free to run, so using it never draws from your weekly allowance.GLM 4.7 FlashXGLM 4.6V FlashGrátisThis model is free to run, so using it never draws from your weekly allowance.GLM 4.5 FlashGrátisThis model is free to run, so using it never draws from your weekly allowance.
Mistral Small 3.1Gemma 3 27B
Nova Lite 1.0
Nova Micro 1.0GLM 4.6V FlashXQwen Audio 3.1 TTSQwen Audio 3.1 TTS Next
MiMo V2.6 Pro
MiMo V2.6 Pro UltraSpeedQwen3.8 Omni Flash RealtimeQwen Audio 3.1 Realtime PlusQwen3.8 LiveTranslate Flash Realtime
Step 5 Preview
Gemini 3.8 LiveGemini 3.8 Live Extended Thinking
Fugu Max
Fugu Ultra v2.0
StepAudio 3 ChatQwen3.8 Max 0902Muse Spark 1.3GLM 5.3DeepSeek V4 Pro 0813
StepAudio 3 RealtimeMuse Spark 1.2Qwen3.8 MaxQwen3.8 Max (Variant 1)
Fugu Ultra v1.1
StepAudio 2.5 Realtime
Kimi K3
Seed 2.1 TurboMuse Spark 1.1
Fugu Ultra v1.0Kimi K2.7 CodeGLM 5.2Kimi K2.7 Code HighspeedGLM 5.2 (Variant 1)Kimi K2.7 Code (Variant 1)Qwen3.7 PlusQwen3.7 Plus (Variant 1)Qwen3.7 MaxQwen3.7 Max (Variant 1)DeepSeek V4 Pro (Variant 2)DeepSeek V4 ProDeepSeek V4 Pro (Variant 1)Qwen3.6 27BKimi K2.6GLM 5.1Qwen3.6 Plus (Variant 1)Qwen3.6 Plus
Qwen3.5 Omni FlashQwen3.5 Omni PlusQwen3.5 Plus (Variant 1)Qwen3.5 Plus
Seed 2.0 Code
Seed 2.0 Lite
Seed 2.0 Pro
Nova Lite 2
DeepReasoning
Nova Pro 1.0
Perplexity Sonar
StepAudio 2.5 Chat
Qwen3.5 Omni Flash Realtime
Qwen3.5 Omni Plus RealtimeAllowances cover models, media, search and tasks, including generation templates and Compose. Past them, usage bills at normal pay-as-you-go rates. Personal use only, no reselling. Allowances refresh weekly and do not roll over.
Codificação 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.
Texto 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.
Modelo 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.
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.
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 AIInternationalLançado 15 de jul. de 2026Ctx 1MGeração de TextoKimi 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.
O 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 AIInternationalLançado 16 de jun. de 2026Ctx 256KGeração de TextoKimi K2.7 Code é o modelo de codificação agente de trilhões de parâmetros da Moonshot, com contexto de 256K, raciocínio sempre ativo e entradas de texto, imagem e vídeo.
Moonshot AIGermanyLançado 16 de jun. de 2026Ctx 256KGeração de TextoKimi K2.7 Code é o modelo de codificação agente de trilhões de parâmetros da Moonshot, com contexto de 256K, raciocínio sempre ativo e entradas de texto, imagem e vídeo.
Modelo de raciocínio metafrontier com um contexto de 1.048.576 tokens, além de entendimento de imagens, vídeos, áudio e PDF, busca na web e uso de ferramentas.
Condutor multiagente atualizado para raciocínio rigoroso, codificação e pesquisa, com esforço máximo distinto, contexto 1M, entrada de imagem e busca na web.
Alibaba CloudSingaporeLançado 1 de jun. de 2026Ctx 1MGeração de TextoModelo de visão Qwen3.7 de linguagem de visão econômico para texto, imagem, vídeo, programação, uso de ferramentas, compreensão de interface gráfica e fluxos de trabalho de contexto 1M.
Alibaba CloudChinaLançado 1 de jun. de 2026Ctx 1MGeração de TextoModelo de visão Qwen3.7 de linguagem de visão econômico para texto, imagem, vídeo, programação, uso de ferramentas, compreensão de interface gráfica e fluxos de trabalho de contexto 1M.
Moonshot AIInternationalLançado 16 de jun. de 2026Ctx 256KGeração de TextoKimi K2.7 Code Highspeed é a camada de serviço mais rápido do modelo de codificação agente da Moonshot, com contexto de 256K, raciocínio sempre ativo e entrada de imagem e vídeo.
Condutor multiagente original para raciocínio rigoroso, codificação e pesquisa, com contexto 1M, entrada de imagem, chamada de funções e busca na web.
Alibaba CloudSingaporeLançado 15 de jul. de 2026Ctx 1MGeração de TextoModelo de linguagem visual rápido Qwen3.7 para tarefas de texto, imagem, vídeo, uso de ferramentas e agentes, com cache implícito e contexto de token de 1M.
Alibaba CloudChinaLançado 15 de jul. de 2026Ctx 1MGeração de TextoModelo de linguagem visual rápido Qwen3.7 para tarefas de texto, imagem, vídeo, uso de ferramentas e agentes, com cache implícito e contexto de token de 1M.
MiniMax M3 é um modelo de raciocínio multimodal para codificação, agentes e análise de longo contexto com entrada de texto, imagem e vídeo.
MiniMax M3 é um modelo de raciocínio multimodal para codificação, agentes e análise de longo contexto com entrada de texto, imagem e vídeo.
MiniMaxSingaporeLançado 19 de out. de 2026Ctx 1MGeração de TextoCodificação multimodal rápida e modelo de agente com contexto 1M, profundidade de raciocínio ajustável, entrada de imagem e vídeo, chamada de funções e busca web embutida.
Alibaba CloudSingaporeLançado 21 de mai. de 2026Ctx 1MGeração de TextoQwen3.7 Max é um modelo de texto principal para programação, produtividade, agentes de longa duração, pensamento profundo, ferramentas e contexto de 1M-token.
Alibaba CloudChinaLançado 21 de mai. de 2026Ctx 1MGeração de TextoQwen3.7 Max é um modelo de texto principal para programação, produtividade, agentes de longa duração, pensamento profundo, ferramentas e contexto de 1M-token.
Alibaba CloudSingaporeLançado 3 de ago. de 2026Ctx 1MGeração de TextoO MoE principal em escala trilionária para programação, agentes de longo prazo e trabalhos profissionais, com compreensão de imagem e vídeo em um contexto de 1 milhão de tokens.
O MoE principal em escala trilionária para programação, agentes de longo prazo e trabalhos profissionais, com compreensão de imagem e vídeo em um contexto de 1 milhão de tokens.
Alibaba CloudSingaporeLançado 26 de ago. de 2026Ctx 1MGeração de TextoModelo de linguagem visual Fast Qwen3.8 para codificação, agentes e compreensão visual, com entrada de imagem e vídeo, cinco ferramentas integradas e um contexto de token de 1M.
Alibaba CloudSingaporeLançado 2 de set. de 2026Ctx 1MGeração de TextoSnapshot Qwen3.8 Max atualizado com codificação mais forte, execuções de agentes multi-ferramenta mais estáveis e visão mais nítida de gráficos e documentos em um contexto de 1M-token.
Alibaba CloudSingaporeLançado 17 de set. de 2026Ctx 1MGeração de TextoRaciocínio omni-modal que lê texto, imagens, áudio e vídeo e responde em texto, com um contexto de token de 1M, pensamento e busca nativa na web.
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 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.
MiniMaxSingaporeLançado 18 de mar. de 2026Ctx 200KGeração de TextoVariante M2.7 de alta velocidade ajustada para inferência rápida com forte desempenho de uso geral e fortes capacidades agentes.
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.
Modelo de raciocínio de IA Zhipu de longo contexto com contexto 202K, saída de 128K, chamada de ferramenta, saída estruturada e suporte a cache.
Kimi K2.6 é um modelo de raciocínio multimodal Moonshot com contexto 256K, codificação forte e entradas de texto, imagem e vídeo.
DeepSeekGermanyLançado 31 de jul. de 2026Ctx 1MGeração de TextoLançamento pós-treinado do 0731 com grandes ganhos em programação, trabalho com repositórios, uso de ferramentas e tarefas full-stack, além de uma janela de contexto de 1M.
DeepSeekUnited StatesLançado 31 de jul. de 2026Ctx 1MGeração de TextoLançamento pós-treinado do 0731 com grandes ganhos em programação, trabalho com repositórios, uso de ferramentas e tarefas full-stack, além de uma janela de contexto de 1M.
Gera músicas estéreo completas a partir de letras e um pedido de estilo, com controles de duração, seed e formato de até 5 minutos.
DeepSeekSingaporeLançado 13 de ago. de 2026Ctx 1MGeração de TextoVersão oficial 0813 Pro com grandes avanços em programação, trabalho com repositórios, uso de ferramentas e tarefas de agentes, além de pensamento híbrido e uma janela de contexto de 1 milhão.
Modelo de raciocínio agente de longo prazo da Meta com um contexto de 1.048.576 tokens, entendimento de imagem, vídeo e PDF, busca na web e chamada de ferramentas.
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.
DeepSeekSingaporeLançado 17 de out. de 2026Ctx 1MGeração de TextoLançamento pós-treinado 1017 com codificação e resultados de agentes mais fortes, conclusão de tarefas mais rápida, saídas mais curtas, entrada de imagem e uma janela de contexto de 1M.
MiniMaxSingaporeLançado 18 de mar. de 2026Ctx 200KGeração de TextoMiniMax M2.7 é um modelo de chat de raciocínio de propósito geral com pensamento intercalado, chamadas de funções e cache de prompts.
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.
Alibaba CloudChinaLançado 24 de fev. de 2026Ctx 256KGeração de TextoQwen3.5 122B-A10B é um modelo de raciocínio multimodal com contexto de 256K, inferência eficiente e esparsa de MoE, e entrada de texto, imagem e vídeo.
Alibaba CloudChinaLançado 16 de fev. de 2026Ctx 256KGeração de TextoQwen3.5 397B-A17B é um modelo multimodal de raciocínio de referência para linguagem, código, agentes, tarefas de interface gráfica e compreensão de imagem e vídeo.
Alibaba CloudChinaLançado 24 de fev. de 2026Ctx 256KGeração de TextoQwen3.5 35B-A3B é um modelo eficiente nativo de visão-linguagem com roteamento MoE esparso, pensamento profundo e entrada de texto, imagem e vídeo.
Alibaba CloudChinaLançado 24 de fev. de 2026Ctx 256KGeração de TextoQwen3.5 27B é um modelo de raciocínio multimodal denso, com respostas rápidas, contexto 256K e compreensão de texto, imagem e vídeo.
Raciocínio multimodal com 256K de contexto, entrada de imagem e vídeo, ferramentas funcionais, JSON estruturado e pensamento ativo por padrão.
Alibaba CloudChinaLançado 22 de abr. de 2026Ctx 256KGeração de TextoQwen3.6 27B melhora codificação agente, raciocínio STEM, visão espacial, OCR e compreensão de texto, imagem e vídeo no contexto 256K.
Alibaba CloudSingaporeLançado 16 de abr. de 2026Ctx 1MGeração de TextoModelo de visão rápido Qwen3.6 para codificação agente, raciocínio matemático, compreensão espacial, OCR, e entrada de texto, imagem e vídeo.
Alibaba CloudChinaLançado 16 de abr. de 2026Ctx 1MGeração de TextoModelo de visão rápido Qwen3.6 para codificação agente, raciocínio matemático, compreensão espacial, OCR, e entrada de texto, imagem e vídeo.
Gemma 4 26B A4B é um modelo multimodal aberto do Google com 256K de contexto, texto, imagem e vídeo de entrada, ferramentas e saída estruturada.
Meta Open modelo agentical 30B com compreensão de imagem, contexto 128K, chamada de ferramenta, saída estruturada e força de raciocínio controlável.
Qwen3.5 9B é um modelo multimodal compacto de raciocínio com 256K de contexto, entrada de imagem e vídeo, ferramentas funcionais e saída estruturada.
Qwen3.5 4B é um modelo multimodal de raciocínio de baixo custo com 256K de contexto, entrada de imagem e vídeo, ferramentas funcionais e saída estruturada.
Qwen3.6 35B A3B é um modelo de raciocínio mixture-of-experts com 256 especialistas em raciocínio, com contexto de 128K, ferramentas funcionais e saída JSON estruturada e estritamente estruturada.
Modelo de texto GLM-4.7 leve e gratuito para programação, raciocínio, escrita em contexto longo e chat geral.
Modelo de texto GLM-4.5 leve e gratuito para raciocínio, programação, chat longo e tarefas gerais de linguagem.
Z.aiSingaporeLançado 19 de jan. de 2026Ctx 200KGeração de TextoModelo de texto GLM-4.7 de alta velocidade para codificação, raciocínio, escrita em contexto longo e chat, com 200K de contexto, chamadas de funções e busca na web.
Modelo multimodal gratuito GLM-4.6V para compreensão de imagens, vídeos, arquivos e texto com chamada nativa de funções.
Modelo de visão GLM-4.6V de alta velocidade para compreensão de imagens, vídeos, arquivos e textos, com 128K de contexto e chamadas nativas de funções.
Responde yes/no, escolha, pontuação e perguntas sobre texto, JSON, imagens, vídeo e áudio em até 1M de tokens, e pode identificar quando a entrada não tem resposta.
Transcrição de fala para texto usando o modelo Nova-3 com suporte multilíngue e configurações avançadas personalizáveis para cargas de trabalho de produção.
Combina o DeepSeek R1 chain-of-thought raciocínio com a criação e geração de código do Anthropic Claude por trás de uma interface unificada controlada por dados.
DeepSeekGermanyLançado 24 de abr. de 2026Ctx 1MGeração de TextoLLM principal do MoE com 1,6T no total / 49B de parâmetros ativos e contexto nativo de 1M para matemática avançada, inferência lógica e codificação especializada.
DeepSeekSingaporeLançado 24 de abr. de 2026Ctx 1MGeração de TextoLLM principal do MoE com 1,6T no total / 49B de parâmetros ativos e contexto nativo de 1M para matemática avançada, inferência lógica e codificação especializada.
LLM principal do MoE com 1,6T no total / 49B de parâmetros ativos e contexto nativo de 1M para matemática avançada, inferência lógica e codificação especializada.
DeepSeekUnited StatesLançado 24 de abr. de 2026Ctx 1MGeração de TextoLLM principal do MoE com 1,6T no total / 49B de parâmetros ativos e contexto nativo de 1M para matemática avançada, inferência lógica e codificação especializada.
Resposta rápida no estilo LLM para uma pergunta em linguagem natural, baseada em resultados de busca exa frescos com citações e links de fonte.
Motor de busca web para encontrar páginas, recuperar páginas semelhantes, rastreamento e busca dedicada por código pela web aberta para agentes de IA.
Baixa latência text-to-speech com vozes de um ou múltiplos alto-falantes e estilo, sotaque e tom expressivo controláveis para aplicativos de produção.
Prévia TTS de alta qualidade para podcasts, audiolivros e suporte ao cliente, com vozes expressivas em múltiplos alto-falantes em 23+ idiomas.
TTS altamente controlável com novas Tags de Áudio para estilo, tom, ritmo e entrega precisos em narração, assistentes e aplicativos de voz.
Modelo de linguagem vision-open open com contexto de 128K, 140+ linguagens, math/reasoning aprimorada, saídas estruturadas e chamadas de funções.
text-to-speech baseadas em LLM, com clonagem de voz zero-shot de 3 a 10 segundos de áudio e saída controlável e expressiva emocionalmente via RL multi-recompensa.
Detector de deep learning que sinaliza partes do texto provavelmente geradas por IA versus humanas, classificando o conteúdo como totalmente humano, IA ou misto.
Alibaba CloudSingaporeLançado 6 de mai. de 2026Geração de VídeoModelo 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 text-to-image de código aberto em uma arquitetura multimodal Mixture-of-Experts, com detalhes fotorrealistas e forte renderização multilíngue de texto.
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.
Framework autorregressivo no modelo Janus Pro 7B que unifica compreensão multimodal e geração de imagens em uma única arquitetura.
Modelo de vídeo nos modos Standard ou Pro com Texto para Vídeo, Imagem para Vídeo, Referência para Vídeo, edição, som nativo e transições multi-cena.
Modelo 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.
Busca iterativa por IA que continua consultando quando os resultados iniciais são insuficientes, retornando respostas mais abrangentes do que o modo Padrão.
Busca na web impulsionada por IA, com visões detalhadas e respostas, mais rápida que a Deep Search.
Mistral AILançado 17 de mar. de 2025Ctx 128KGeração de TextoModelo multimodal de 24B parâmetros com contexto de 128K para análise de imagens, programação, matemática e tarefas multilíngues, ajustado para inferência local eficiente.
Modelo híbrido unificando as famílias Instrução, Raciocínio (Magistral) e Devstral: 40% menor tempo de conclusão e 3x de taxa de transferência comparado com Pequenos 3.
Modelo 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 multimodal de baixo custo para texto, imagens e vídeo em um contexto de 300K (até ~30 minutos de vídeo), ajustado para velocidade e acessibilidade.
Modelo de raciocínio multimodal rápido e econômico para texto, imagens, documentos e vídeo em um contexto de 1M (documentos longos e clipes de ~90 minutos).
Modelo de fundação apenas texto ajustado para latência e custo ultra baixos em contexto de 128K. Forte para resumo, tradução e chat, com desconto de 44% no cache.
Modelo de fundação multimodal equilibrando precisão, velocidade e custo para texto, imagens e vídeo em contexto de 300K (até ~30 min de vídeo).
Whisper-1 speech-to-text transcrição treinada com áudio supervisionado multilíngue, com limite de upload de 25 MB por arquivo.
Agente 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.
Modelo de pesquisa para recuperação, síntese e raciocínio em múltiplas etapas, pesquisando, lendo e avaliando fontes de forma autônoma em tópicos complexos.
Sonar Pro como pesquisador agente: encadeia buscas na web, busca páginas inteiras e transmite raciocínio ao vivo, adaptando estratégias para consultas complexas.
Busca web em tempo real com filtragem por domínio, idioma, data e mais. Retorna resultados de busca, não respostas de LLM; Sem upload de arquivos.
Busca em tempo real conectada à web, com citações precisas e fontes personalizáveis para integração up-to-date busca por IA em aplicativos de produção.
Modelo baseado em busca, com o dobro das citações e uma janela de contexto maior, ajustado para consultas complexas que precisam de respostas profundas e sutis.
Modelo de raciocínio que pesquisa em várias rodadas de busca na web, encadeando evidências em várias fontes antes de responder, com citações em linha.
Geração de vídeo cinematográfico nos modos Text-to-Video, Image-to-Video e Transição, com alto detalhe, movimento fluido e animações realistas.
Gera vídeos a partir de texto ou prompts de imagem de 1-2 quadros até 1080p, múltiplas proporções de aspecto, durações de 5 a 10 segundos, com áudio sincronizado opcional.
Alibaba CloudSingaporeLançado 3 de mar. de 2026Geração de ImagemModelo unificado de geração e edição de imagens com renderização de texto complexa Chinese/English líder de classe, texturas realistas e fusão multi-imagem.
Alibaba CloudSingaporeLançado 21 de jul. de 2026Geração de ImagemGeração e edição de imagens Qwen com variantes Base e Pro, tipografia multilíngue, referências multi-imagem e saída controlável em 1K ou 2K.
Alibaba CloudSingaporeLançado 24 de fev. de 2026Ctx 1MGeração de TextoModelo de visão-linguagem com atenção linear híbrida mais MoE esparso, contexto 1M e inferência rápida multimodal de text/image/vídeo.
Alibaba CloudChinaLançado 24 de fev. de 2026Ctx 1MGeração de TextoModelo de visão-linguagem com atenção linear híbrida mais MoE esparso, contexto 1M e inferência rápida multimodal de text/image/vídeo.
Alibaba CloudSingaporeLançado 30 de mar. de 2026Ctx 256KGeração de TextoModelo omnimodal econômico para lidar com texto, imagem, áudio e vídeo, com até 3 horas de áudio e 1 hora de vídeo em 90+ idiomas.
Alibaba CloudSingaporeLançado 30 de mar. de 2026Ctx 256KGeração de TextoModelo omni-modal principal para texto, imagem, áudio e vídeo. 3h áudio, 1h vídeo, 90+ idiomas de entrada e 30+ de saída, 55 timbres de voz.
Alibaba CloudSingaporeLançado 16 de fev. de 2026Ctx 1MGeração de TextoModelo multimodal com arquitetura híbrida para pensamento profundo eficiente e compreensão visual em texto, imagem e vídeo em um contexto de 1M.
Alibaba CloudChinaLançado 16 de fev. de 2026Ctx 1MGeração de TextoModelo multimodal com arquitetura híbrida para pensamento profundo eficiente e compreensão visual em texto, imagem e vídeo em um contexto de 1M.
Alibaba CloudSingaporeLançado 2 de abr. de 2026Ctx 1MGeração de TextoModelo de visão e linguagem com grandes melhorias em relação à versão 3.5: codificação agente e front-end, reconhecimento multimodal, OCR e localização de objetos.
Alibaba CloudChinaLançado 2 de abr. de 2026Ctx 1MGeração de TextoModelo de visão e linguagem com grandes melhorias em relação à versão 3.5: codificação agente e front-end, reconhecimento multimodal, OCR e localização de objetos.
Alibaba CloudSingaporeLançado 5 de jun. de 2025Ctx 4KReclassificadoresReclassificador semântico de documentos. Ordena até 500 candidatos por consulta por relevância, suporta 100+ idiomas e aceita uma instrução de ordenação personalizada.
ByteDanceMalaysiaLançado 14 de fev. de 2026Ctx 256KGeração de TextoModelo 256K ajustado para codificação, com resultados front-end fortes e suporte multilíngue para ferramentas e agentes de codificação por IA.
ByteDanceMalaysiaLançado 14 de fev. de 2026Ctx 256KGeração de TextoModelo de uso geral balanceado para cargas de trabalho corporativas de alta frequência: processamento de informações, conteúdo, busca e análise de dados.
ByteDanceMalaysiaLançado 14 de fev. de 2026Ctx 256KGeração de TextoModelo multimodal focado em latência com contexto de 256K, quatro modos de esforço de raciocínio e image/video compreensão para uso em alta concorrência.
ByteDanceMalaysiaLançado 14 de fev. de 2026Ctx 256KGeração de TextoModelo geral principal com 256K contexto para raciocínio complexo, compreensão multimodal, geração estruturada e execução aumentada por ferramentas.
Variante de vídeo 2.0 otimizada para velocidade e clipes cinematográficos com sincronização nativa de áudio, controle de câmera e movimento estável a menor custo por renderizado.
Modelo de vídeo multimodal para saída cinematográfica de texto, imagem, áudio ou vídeo, com movimento estável e caracteres consistentes.
ByteDanceMalaysiaLançado 13 de fev. de 2026Geração de ImagemModelo de imagem multimodal unificado que raciocina por meio de prompts antes de renderizar, produzindo edições e visuais de marca de alta resolução e consistentes.
Modelo premium de imagem Seedream que divide uma imagem em camadas editáveis, edita por coordenadas ou marcadores de esboço, e funde até 10 referências.
ByteDanceMalaysiaLançado 28 de set. de 2026Geração de ImagemModelo de imagem Fast Seedream que divide uma imagem em camadas editáveis, edita por coordenadas ou marcadores de esboço, e funde até 10 referências.
Modelo de voz open-source para diálogos de podcast de longa duração e múltiplos alto-falantes com controle paralinguístico (risos, suspiros) e clonagem de voz zero-shot.
Gera áudio de até 3 minutos a partir de prompts de texto, suportando text-to-audio e audio-to-audio com duração, passos e escala CFG ajustáveis.
Up-to-3-minute áudio do texto com text-to-audio, audio-to-audio e inpainting de áudio para produção musical, design de som e remixagem.
Stable Video Infinity 2.0 Pro na WAN 2.2: estende imagens estáticas para vídeos teoricamente de comprimento infinito, mantendo IDs de personagens consistentes.
Assistente de pesquisa multi-busca que explora um tema, analisa fontes e produz um relatório detalhado com citações.
Busca na web com rastreamento, extração e mapeamento de URL para recuperação rápida e estruturada entre páginas e domínios para pipelines posteriores.
Alibaba CloudSingaporeLançado 4 de jun. de 2025Ctx 8KIncorporaçõesIncorporação de texto multilíngue com dimensões de saída selecionáveis (64–2048). Até 8.192 tokens por entrada.
Alibaba CloudSingaporeLançado 23 de set. de 2025Ctx 1KIncorporaçõesEmbedding multimodal otimizado para velocidade, mesmo formato do Vision-Plus, tokens image/video 3× mais baratos.
Alibaba CloudSingaporeLançado 23 de set. de 2025Ctx 1KIncorporaçõesIncorporação multimodal produzindo vetores independentes para entradas, texto, imagem e vídeo.
Modelo de geração de vídeo multimodal para histórias cinematográficas com múltiplos planos e sincronização áudio-visual nativa (dublagem labial, diálogo, música, efeitos sonoros).
Modelo de vídeo multimodal suportando T2V, I2V, edição de vídeo e reference-to-video, com saída de alta fidelidade a partir de entradas, texto, imagem ou vídeo.
Modelo companheiro de geração e edição de imagens: text-to-image, edições em caixa delimitadora e conjuntos de imagens coesos, com saída de até 4K no Pro.
Transcrição controlada Whisper Large v3 Turbo com ASR multilíngue, tradução, VAD, carimbos de tempo, legendas, hotwords e controles de decodificador.
Agente 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.
Geração de texto para vídeo, image-to-video e reference-to-video com até sete imagens de referência para caracteres consistentes, até 15 segundos em 1080p.
Alibaba CloudSingaporeLançado 22 de jun. de 2026Geração de VídeoTexto, imagem e reference-to-video em um único modelo. Movimento cinematográfico, consistência dos personagens em até 9 referências e áudio nativo sincronizado.
O nível Seedance 2.0 mais rápido e acessível para clipes curtos de cinema, com áudio nativo, controle de câmera e entradas de imagem ou vídeo em 480p e 720p.
StepFunInternationalLançado 28 de mai. de 2026Ctx 256KGeração de TextoModelo de raciocínio multimodal StepFun com entrada de imagem e vídeo, chamada de ferramenta, esforço de raciocínio ajustável e contexto 256K.
StepFunInternationalLançado 12 de fev. de 2026Ctx 256KGeração de TextoModelo de raciocínio textual StepFun para agentes, codificação, chamada de ferramentas e análise de contexto longo.
StepFunInternationalLançado 2 de abr. de 2026Ctx 256KGeração de TextoVariante Flash Step 3.5 otimizada para agente com modos de esforço de raciocínio baixo e alto.
Modelo de conversa de áudio e texto StepFun com saída de texto e compreensão paralinguística.
StepFunInternationalLançado 21 de abr. de 2026Geração de ÁudioModelo contextual StepFun text-to-speech com direção de voz em linguagem natural e entrega expressiva.
Modelo de reconhecimento de fala em streaming StepFun para transcrição de áudio em chinês e inglês.
ByteDanceMalaysiaLançado 13 de jul. de 2026Ctx 256KGeração de TextoModelo de codificação e agente de próxima geração com entrega de código de nível de engenharia, autonomia de longo prazo e compreensão multimodal de 256K.
Alibaba CloudSingaporeLançado 20 de jul. de 2026Geração de ÁudioSíntese de fala em níveis com mais de 1.000 vozes, 16 idiomas, 20 dialetos chineses, direção de entrega em linguagem natural e tags emocionais inline.
Gera clipes de 4 a 15 segundos em até 2K com áudio estéreo nativo, seguindo referências de texto, imagem, vídeo e áudio em uma única solicitação.
Modelo de imagem principal da OpenAI com forte fidelidade de prompts, renderização de texto nítida e edição baseada em instruções em até 16 imagens de referência.
Gerador de vídeo Kling 3.0 da Kuaishou com text-to-video, primeiro e último quadro image-to-video, áudio nativo e saída 720p, 1080p ou 4K.
Modelo de vídeo Wan 2.5 da Alibaba com text-to-video e image-to-video, áudio nativo, faixas de áudio personalizadas opcionais e saída de 480p a 1080p.
Família de vídeo Wan 2.2 da Alibaba com níveis padrão e flash, interpolação de primeiro e último quadro, e saída de 480p para 1080p a baixo custo.
Modelo de vídeo Wan 2.1 da Alibaba com níveis turbo e plus para text-to-video, image-to-video e primeiro e último quadro clipam em 480p ou 720p.
Alibaba CloudSingaporeLançado 24 de set. de 2025Geração de ImagemModelo de imagem Wan 2.5 da Alibaba com edição text-to-image e multirreferência de até 3 imagens em cerca de 1,7 megapixels.
Alibaba CloudSingaporeLançado 28 de jul. de 2025Geração de ImagemO modelo Wan 2.2 da Alibaba text-to-image com níveis plus e flash e até 1440x1440 de saída a baixo preço por imagem.
Alibaba CloudSingaporeLançado 25 de fev. de 2025Geração de ImagemModelo Wan 2.1 text-to-image da Alibaba com níveis turbo e plus e até 1440x1440 com preço baixo por imagem.
Modelo de vídeo de formato longo para clipes coerentes de até 30 segundos, com até 50 imagens de referência, vídeos e clipes de áudio, áudio nativo, edição e extensão.
Texto para imagem mais edição multirreferencial com até cinco imagens fonte, níveis automáticos ou fixados de qualidade e resolução de saída 1K ou 2K.
Gera vídeo a partir de texto, imagens, primeiro e último quadro, ou até sete referências, com áudio nativo, cortes de múltiplos planos e extensão de clipe.
Modelo de vídeo de nível cinematográfico para ação e efeitos, a partir de texto, imagens, primeiro e último quadro, ou referências, com áudio sincronizado nativo.
Alinha o movimento da boca em um vídeo existente a uma faixa de áudio enviada ou ao texto falado por uma das quatorze vozes embutidas.
Transforma um único retrato em um vídeo de avatar falante, impulsionado por uma faixa de áudio enviada ou por texto falado com uma voz embutida.
Seis transformações de vídeo em um modelo: edição de prompts, restyling, troca de sujeito, transferência de movimento, upscaling e efeitos sonoros gerados.
Geração conjunta de áudio e vídeo com sincronização labial de milissegundos, diálogos em seis idiomas, movimentos de câmera cinematográficos e saída de até 1080p.
Geração e edição de imagens de alta fidelidade com até 14 imagens de referência, renderização de texto forte e saída 2K ou 4K por um preço fixo.
Geração e edição unificada de imagens com até 14 imagens de referência, conjuntos em lote de até 15 e saída de 1K a 4K com um preço fixo por imagem.
Rodin 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.
Imagem 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.
ByteDanceMalaysiaLançado 28 de jun. de 2025Ctx 8KIncorporaçõesIncorporação multimodal que funde texto, imagens e vídeo em um único vetor de dimensão 1024 ou 2048 para busca e recuperação cross-modal.
Geração de vídeo tudo-em-um de até 30 segundos com áudio nativo, referências omni-modais (imagens, vídeo, áudio, arquivos, links web) e um nível Prime rápido.
Condutor multiagente econômico que reúne uma equipe de especialistas do tamanho certo por tarefa, com 1M de contexto, entrada de imagem e busca na web.
Condutor multiagente principal para o raciocínio, codificação e pesquisa mais difíceis, com contexto de 1M, entrada de imagem e busca na web.
Síntese de fala em nível humano em seis idiomas, com 12 vozes de sistema, direção de entrega em linguagem natural e reprodução em streaming.
Transcrição consciente do contexto para nomes próprios, termos técnicos, dialetos e áudios difíceis incluindo sussurros, fala rápida e canto.
StepFunInternationalLançado 9 de set. de 2026Ctx 256KGeração de TextoModelo de conversa de áudio e texto que raciocina antes de responder, com chamada de função e saída JSON.
Gera diálogos, efeitos sonoros, ambientação e música de fundo juntos em um único clipe de uma cena escrita.
StepFunInternationalLançado 8 de set. de 2026Geração de ÁudioEscreve músicas completas a partir de uma descrição de estilo, com vocais, arranjos e mixagens, ou instrumentais e covers.
StepFunInternationalLançado 6 de ago. de 2026Ctx 256KGeração de ÁudioFala entra, fala sai, por um soquete. Interrompível no meio da resposta, com detecção de atividade vocal decidindo quando responder.
StepFunInternationalLançado 16 de jul. de 2026Ctx 256KGeração de ÁudioFala para dentro, fala para fora, em um único encaixe, com compreensão paralinguística de tom e ritmo.
StepFunInternationalLançado 16 de jul. de 2026TranscriçãoTranscrição ao vivo por um soquete, retornando resultados parciais enquanto o falante fala, com a detecção de atividade vocal marcando cada frase.
Fala de entrada, fala de saída, em um único socket, com taxas separadas de token de texto e áudio e faturamento por turno.
Fala de entrada, fala de saída, em um único soquete, no nível maior do Omni, com taxas separadas de token de texto e áudio e faturamento por turno.
Transcrição ao vivo por um soquete, retornando resultados intermediários enquanto o falante ainda está falando e uma transcrição consolidada quando cada frase termina.
Alibaba CloudSingaporeLançado 17 de set. de 2026Ctx 53KGeração de ÁudioTradução falada simultânea via WebSocket. Defina o idioma de destino, depois fale; o modelo responde nesse idioma com texto e áudio.
StepFunInternationalLançado 15 de set. de 2026Ctx 1.02MGeração de TextoRaciocínio multimodal Frontier com contexto de token de 1M, entrada de imagem e vídeo, chamada paralela de ferramentas e saída estrita de esquema JSON.
Trilhas sonoras sincronizadas por quadro geradas diretamente de vídeo, ou músicas a partir de um prompt de texto, com direção por segmento e separação de hastes.
Efeitos sonoros precisos em quadros colocados na ação em um vídeo, ou gerados a partir de uma descrição de texto, com direção por segmento.
Retorna seu próprio vídeo com uma trilha sonora gerada, efeitos sincronizados por quadros, ou ambos misturados, mantendo a imagem original intacta.
Dubla um vídeo em 24 idiomas com vozes combinadas de lip-sync, retornando um vídeo finalizado por idioma mais faixas opcionais de legendas.
Mistura a narração sobre um fundo de música, mergulhando automaticamente a música sob a voz para que o diálogo permaneça claro sem automação manual.
Transcreve um vídeo e traduz o roteiro para 24 idiomas, retornando faixas de legendas editáveis que você pode corrigir antes da dublagem.
Lê um vídeo e escreve um briefing criativo cronometrado, com um prompt por cena para música e design de som, pronto para impulsionar uma geração futura.
Flagship de trilhões de parâmetros para trabalho agente, com compreensão nativa de imagem, vídeo e áudio e raciocínio em um contexto de 1M.
XiaomiSingaporeLançado 22 de set. de 2026Ctx 1MGeração de TextoRaciocínio de baixa custo, modalidade completa, com compreensão nativa de imagem, vídeo e áudio em um contexto de 1M, projetado para cargas de trabalho de produção em alta frequência.
XiaomiSingaporeLançado 22 de set. de 2026Ctx 1MGeração de TextoConstrução de alto rendimento do flagship de trilhões de parâmetros, igualando seu raciocínio de modalidade completa enquanto gera saída substancialmente mais rápida.
Alibaba CloudSingaporeLançado 21 de set. de 2026Ctx 192KGeração de ÁudioFala e vídeo ao vivo enquadram entrada, fala sai por um soquete, com 56 vozes, chamadas de ferramentas durante a conversa e taxas separadas de token de texto e áudio.
Alibaba CloudSingaporeLançado 20 de set. de 2026Ctx 256KGeração de ÁudioConversa de fala duplex em um único socket, com 27 vozes, busca nativa na web, chamadas de ferramentas e taxas separadas de token de texto e áudio.
Fala expressiva com tags vocais em linha, direção de estilo e diálogo para dois falantes, em 130 idiomas e uma biblioteca com mais de 2.000 vozes.
Fala econômica para agentes de voz e dublagem, com streaming, tags vocais e diálogo com dois falantes em 101 idiomas e 2.000+ vozes.
Conversa de voz de baixa latência por um soquete, com 30 vozes, entrada de vídeo ao vivo, chamadas de ferramentas e respostas que você pode interromper enquanto fala.
GoogleLançado 15 de set. de 2026Ctx 128KGeração de ÁudioConversa de voz que continua falando enquanto raciocina em segundo plano, com 30 vozes, entrada de vídeo ao vivo, chamadas de ferramentas e esforço de raciocínio ajustável.
Alibaba CloudSingaporeLançado 10 de set. de 2026TranscriçãoFala para texto para clipes curtos e gravações longas, com segmentos de frases, carimbos de data e datação de palavras e reconhecimento multilíngue e dialetal chinês.
Transcrição ao vivo por um socket, transmitindo palavras parciais enquanto o falante fala e uma frase fixa a cada pausa, com preço por token.
Alibaba CloudSingaporeLançado 21 de set. de 2026TranscriçãoTranscrição ajustada para mensagens de voz e entrada de voz por um soquete, retornando cada enunciado como uma transcrição completa quando o falante pausa.
Alibaba CloudSingaporeLançado 23 de set. de 2026Geração de ÁudioSíntese de voz em tempo real com 19 vozes, direção de entrega em linguagem simples, etiquetas de emoção e som em linha, e áudio transmitido via SSE ou WebSocket.
Alibaba CloudSingaporeLançado 2 de out. de 2026Geração de ImagemGeração e edição de imagens com variantes Pro e Turbo, até dez imagens de referência, saída PNG transparente e tamanhos personalizados de até 2560x2560.
Alibaba CloudChinaLançado 23 de set. de 2026Geração de ÁudioGeração de áudio a partir de uma descrição escrita, com narração, diálogos em até três vozes clonadas, efeitos sonoros, ambiente e música em um único arquivo.
Texto e image-to-video até 15 segundos em 1080p, com prompts de 5.000 caracteres, direção shot-by-shot e áudio sincronizado nativo.
Documento OCR que leia PDFs e imagens em Markdown estruturado, página por página, com tabelas, matemática, gráficos, regiões de imagem e layout.
OpenMOSS text-to-image modelo que renderiza texto preciso em inglês e chinês em placas, cartazes e layouts, com proporção de aspecto e controles seed.
Stability AI text-to-audio modelo para música e efeitos sonoros, clipes estéreo de 44,1 kHz de até 380 segundos, com controles de duração, passo e seed.
196 / 212 Modelos
