Anzeigewährung
ByteDance
Ab $0.121 /Sekunde
Google
Ab $0.021 /Bild
ByteDance cinematic video generation with native audio, multi-shot consistency, and 1080p output up to 10 seconds.
Ab $0.017 /Sekunde
Alibaba
Ab $0.040 /Sekunde
Ab $0.057 /Bild
93 Modelle
Moonshot AI
Flaggschiff-Textmodell von Moonshot AI, spezialisiert auf Dokumentenverständnis und Textgenerierung mit langem Kontext, geeignet für Forschungs- und Agentenaufgaben
Ab $0.216 /1 Mio. Tokens
Open-Source-Diffusionsvideomodell, das pro Durchlauf etwa 5 Sekunden Video mit 44 kHz synchronem Audio und Lippensynchronisation erzeugt, Text-zu-Video und Bild-zu-Video unterstützt und bis Full-HD hochskalieren kann
Ab $1.93 /Video
Black Forest Labs
Die Flaggschiff-Version zur Bildbearbeitung aus der Kontext-Reihe, spezialisiert auf lokale Änderungen per natürlicher Sprachbefehl, mit stärkerer Befolgung von Prompts und besserer Textsetzung im Bild – ideal für Markenvisuals und die serielle Produktion von Storyboards
Ab $0.071 /Bild
Alibabas Tongyi-Serie für gehostete mehrsprachige Sprachsynthese mit zwei Stufen – Flash mit niedriger Latenz und Plus mit hoher Audioqualität –, die Emotionen und Ausdrucksstil über Anweisungen in natürlicher Sprache steuern lässt
Ab $0.030 /1.000 Zeichen
Vidu
Ein Modell zur Videogenerierung aus Referenzbildern für Werbung und kurze Social-Media-Videos, das das Erscheinungsbild des Motivs und die Bildkomposition festlegt – ideal für schnelle Produktionen und die Iteration mehrerer Versionen
Ab $0.149 /Sekunde
Kuaishou
Videogenerierungsmodell von Kuaishou, das pro Durchlauf ein 30-sekündiges Video mit Stereo-Audio erzeugt; unterstützt mehrere Keyframes sowie Start- und Endbild-Steuerung – ideal für Marketing-Clips und Storyboard-Previews
Ab $0.330 /Sekunde
OpenAI
OpenAIs zweistufiges Bildgenerierungs- und -bearbeitungsmodell: Flare setzt auf Geschwindigkeit, Sunburst auf Präzision – für Text-zu-Bild und mehrstufige Bildbearbeitung gleichermaßen
Ab $0.017 /Bild
Die neue Generation von Videogenerierungsmodellen der Alibaba-Wan-Serie: Sie erzeugt in einem Durchgang Clips von etwa 30 Sekunden in 1080p, unterstützt Referenzmaterial zur Wahrung der Konsistenz des Motivs und ermöglicht erstmals strukturierte Eingaben in Form von Dokumenten.
xAI
xAI-Videogenerierungsmodell: Bild-zu-Video kann statische Bilder animieren und synchron dazu Audio erzeugen; unterstützt 480p bis 1080p und Clips mit bis zu 15 Sekunden Länge
Ab $0.011 /Sekunde
Byte Seeds gemeinsames Audio-Video-Generierungsmodell, das durchgehende Clips von bis zu 30 Sekunden und bis zu 4K unterstützt und dank multimodaler Referenzen und Bearbeitung auf Zeitstempel-Ebene eine präzise Steuerung des Bildes ermöglicht
ByteDances multimodales Videogenerierungsmodell, das Text-zu-Video, Bild-zu-Video und Referenz-zu-Video unterstützt und filmisch anmutende Kurzfilme mit mehreren Einstellungen und synchroner Originaltonspur ausgeben kann
Ein qualitätsorientiertes Modell für Bildgenerierung und Bildbearbeitung auf Basis des Gemini 3 Pro Reasoning-Backbones, stark bei der Charakterkonsistenz über mehrere Bilder hinweg und bei der Textwiedergabe, unterstützt native 2K-Ausgabe und intelligente Hochskalierung auf 4K
Googles schnelles Bildmodell für die Bilderzeugung in großem Maßstab, unterstützt 512px bis natives 4K und verschiedene Seitenverhältnisse, generiert mit Echtzeitinformationen aus der Suche und eignet sich für häufige kreative Arbeit
Ab $0.036 /Bild
Für die natürlichsprachliche Bildgenerierung und mehrrundige konversationsbasierte Bildbearbeitung, wobei bei der Bearbeitung die Konsistenz von Charakteren und Motiven gut erhalten bleibt und Generierung, Bearbeitung und Verbesserung abgedeckt werden
OpenAIs Modell zur Bilderzeugung und -bearbeitung mit Schwerpunkt auf fotorealistischer Wiedergabe, hochpräziser Textdarstellung und nativer 4K-Ausgabe, geeignet für kommerzielle Materialien mit Text und Produktbilder
Ab $0.007 /Bild
Zhipu AI
Das Flaggschiff-Textinferenzmodell von Zhipu, ausgerichtet auf komplexe Softwareentwicklung und langlaufende Agent-Aufgaben, mit etwa 1 Mio. Kontext, stets aktivierter Inferenz und mehreren Abstufungen der Inferenzintensität – bei gleicher Punktzahl werden weniger Ausgabe-Token verbraucht
Ab $0.855 /1 Mio. Tokens
OpenAIs GPT-6-Textmodellfamilie, nach Aufgabenschwierigkeit gestaffelt: Astra für die schwierigsten End-to-End-Aufgaben, Sol für anspruchsvolles Reasoning bei alltagstauglichen Kosten, mit Stärkung von Coding, Mathematik und agentischen Workflows
Ab $0.0025 /1 Mio. Tokens
OpenAI-Modellreihe in gestaffelten Größenklassen (Sol/Terra/Luna), spezialisiert auf Coding, komplexes Reasoning und Cybersicherheit, auswählbar entlang der Leistungs- und Kostenkurve
Ab $0.005 /1 Mio. Tokens
Anthropic
Die Claude 5.5-Reihe umfasst drei Stufen – Opus, Sonnet und Haiku –, die je nach Aufgabenkomplexität und Kosten ausgewählt werden können und agentisches Programmieren, Computernutzung sowie hochparallele Stapelverarbeitung abdecken
Ab $0.100 /1 Mio. Tokens
Ein universelles Textmodell für unternehmensweite Langzeit-Agenten, Programmierung und tiefgehendes Reasoning; seine Stärke liegt darin, die Aufgabenkonsistenz in mehrstufigen komplexen Workflows zu wahren
Ab $0.229 /1 Mio. Tokens
Googles Videogenerierungsmodell: Bildeingaben erzeugen nativ 8-Sekunden-Videos mit Umgebungsgeräuschen und Dialogen, unterstützen bis zu 4K und bewahren das einheitliche Erscheinungsbild des Motivs
Ab $0.290 /Sekunde
Kostengünstige Hochdurchsatz-Videogenerierungsstufe von Google, Geschwindigkeit auf Augenhöhe mit Veo 3.1 Fast, unterstützt Bild-zu-Video, verschiedene Seitenverhältnisse und Dauern
Ab $0.060 /Sekunde
MiniMax
Ein von MiniMax vorgestelltes Videogenerierungsmodell, das sowohl Text-zu-Video als auch Bild-zu-Video unterstützt und bei Anime-Stilkonsistenz, Ganzkörperbewegungsdarstellung und der Realitätstreue von Gesichtsmikroausdrücken gegenüber der Vorgängergeneration verbessert wurde – ideal für Anime-Kurzfilme und kommerzielle Produktionen mit realistischem Look
Ab $0.270 /Video
Ein von Alibaba entwickeltes Bildgenerierungs- und -bearbeitungsmodell, das Text-zu-Bild-Generierung, die Kombination mehrerer Referenzbilder und instruktionsbasierte Bearbeitung in einem einzigen Workflow vereint und Langtext-Rendering sowie Markenfarben-Steuerung unterstützt
Ab $0.035 /Bild
Ein produktionsreifes Bildgenerierungsmodell von ByteDance, das Web-Recherche und mehrstufiges logisches Schlussfolgern, 4K-Ausgabe sowie beispielbasiertes Bearbeiten unterstützt und sich für Produktbilder und Infografiken eignet
Ab $0.025 /Bild
Recraft
Ein Modell zur Generierung von Design-Assets für die Produktion, mit nativer, editierbarer SVG-Vektorausgabe, stabilen Ergebnissen schon bei kurzen Prompts – ideal für Icons, Typografie und Markenillustrationen
Ab $0.010 /Bild
Das Bildgenerierungs- und -bearbeitungsmodell der dritten Alibaba-Generation zeichnet sich durch dichte Typografie und mehrsprachiges Text-Rendering bei langen Prompts aus und unterstützt die Bearbeitung anhand von Referenzbildern
Einheitliche Architektur für Bildgenerierung und -bearbeitung von Alibaba, spezialisiert auf die Darstellung langer chinesischer Texte, unterstützt Anweisungen mit bis zu 1000 Token und 2K-Ausgabe
Ab $0.042 /Bild
Offenes Frontier-Modell mit offenen Gewichten von Moonshot AI, native Unterstützung für Text-, Bild- und Videoverständnis, Kontextfenster von 1 Million Token, stark bei langfristigem Coding und iterativen Tool-Aufrufen
Ab $0.232 /1 Mio. Tokens
xAI-Flaggschiff-Inferenzmodell mit verstärktem fortgeschrittenem Reasoning, nativen Tool-Aufrufen und Echtzeitsuche, unterstützt langen Kontext und Bildeingabe, geeignet für anspruchsvolles Reasoning und Agent-Anwendungen
Ab $0.210 /1 Mio. Tokens
DeepSeek
Neue Generation von Textmodellen mit Versionen wie Pro und Flash, Unterstützung für lange Kontexte im Millionen-Token-Bereich, ausgerichtet auf Coding-, Reasoning- und Agenten-Aufgaben
Ab $0.014 /1 Mio. Tokens
Flaggschiff-Textmodell mit einem langen Kontext von 1M Token, ausgerichtet auf tiefgehendes Reasoning, komplexes Coding und langfristige autonome Agent-Aufgaben
Ab $0.300 /1 Mio. Tokens
Luma
Luma-Modell zur Erzeugung filmischer Videos mit nativer Unterstützung für HDR und EXR-Export, geeignet für atmosphärische Establishing-Shots sowie für Werbe- und Konzeptfilme in der Vorproduktion von Film und Fernsehen; bei strukturierten Kameraanweisungen bleibt die Prompt-Treue stabil
Ab $0.214 /Video
PixVerse
PixVerse-Flaggschiff-Videogenerierungsmodell: Ein einziges Modell deckt Text-zu-Video und Bild-zu-Video ab, unterstützt präzise Kamerasteuerung, Charakterdarstellung und die Fusion von Referenzbildern – ausgerichtet auf Produktionen in Spielfilmqualität
Ab $0.036 /Sekunde
Black Forest Labs' Flaggschiff-Modell für Text-zu-Bild, ca. 6-mal schnellere Generierung als Flux.1 Pro, bessere Prompta-Treue, ideal für die Bilderzeugung im großen Maßstab
Ab $0.050 /Bild
Alibabas quelloffenes Text-zu-Bild-Modell von Tongyi, eine Single-Stream-DiT-Architektur mit etwa 6 Milliarden Parametern, die sich durch die Darstellung chinesischer und englischer Schrift sowie durch die Befolgung zweisprachiger Anweisungen auszeichnet
Ab $0.008 /Bild
Eine einzelne Generierung erzeugt Video und native synchrone Audiospur gemeinsam, unterstützt mehrsprachige Lippensynchronisation und Ausgabe in mehreren Bildformaten bis zu 1080p – ideal für kurze Sprech- und Dialogvideos
Ab $0.168 /Sekunde
Ein destilliertes Text-zu-Bild-Modell von Black Forest Labs, ein Rectified-Flow-Transformer mit 12 Milliarden Parametern, mit Fokus auf latenzarme, schnelle Bilderzeugung, geeignet für die massenhafte Generierung von Konzeptbildern und Skizzen
Ab $0.005 /Bild
Das leichte Effizienzmodell der Google-Bildfamilie mit Fokus auf niedrige Latenz und geringe Kosten – ideal für schnelles Ideenfinden und Bildgenerierung mit hohem Durchsatz und ein nahtloser Ersatz für das erste Nano Banana
Ab $0.033 /Bild
Gib einfach Liedtexte und eine Musikbeschreibung ein, um einen Stereo-Song von bis zu etwa 5 Minuten Länge mit Gesang und vollständiger Songstruktur zu erzeugen – ideal für die schnelle Produktion von Song-Demos und individueller Hintergrundmusik
Ab $0.0026 /Sekunde
Ein Modell, das aus Text vollständige Songs mit Gesang und Instrumental erzeugt, ergänzt um AI-Cover-Stilbearbeitungen und automatisches Songtextschreiben; die Latenz bis zur ersten Ausgabe wird mit unter 20 Sekunden angegeben
Ab $0.210 /Song
Text-zu-Musik-Modell, das aus einer Stilbeschreibung und Liedtexten in einem Durchgang einen vollständigen Song mit Gesang und Begleitung erzeugt; ein Song kann bis zu etwa 4 Minuten lang sein und lässt sich mit Struktur-Tags in Abschnitte gliedern
Ab $0.070 /Song
Fortschrittliches Musikgenerierungsmodell von Google, das komplette Songs von etwa 3 Minuten Länge in 48-kHz-Stereo erzeugt, die Abschnittsstruktur wie Intro, Strophe und Refrain versteht und eine bessere Prompt-Treue als Lyria 3 aufweist
Ab $0.140 /Song
Ideogram
Open-Weight-Text-zu-Bild-Modell mit Fokus auf mehrsprachiges Text-Rendering und native 2K-Ausgabe, unterstützt JSON-Prompts und Layout-Steuerung über Begrenzungsrahmen
Videogenerierungsmodelle der Alibaba-WAN-Serie, unterstützen Text-zu-Video, Bild-zu-Video und referenzgesteuerte Videos; mehrere Referenzeingaben erhalten die Konsistenz von Personen und Produkten über mehrere Einstellungen hinweg
Ab $0.100 /Sekunde
Ein Bild-zu-Video-Modell aus der Veo-3.1-Serie, das auf schnelle Fertigstellung von Videos setzt und Bild und Audio synchron generiert – ideal für die Produktion fertiger Inhalte wie Marketing, Präsentationen und Social Media
Ab $0.170 /Sekunde
Kommerzielles Bildmodell von ByteDance mit Fokus auf filmische Lichtstimmung, charakterübergreifende Konsistenz über mehrere Shots hinweg und Bearbeitung mit mehreren Referenzbildern – ideal für hochauflösende Ergebnisse für E-Commerce und Marketingmaterialien
Ab $0.045 /Bild
Googles Flaggschiff-Modell zur Musikgenerierung, das zunächst die Struktur wie Intro, Strophe und Refrain plant und dann einen vollständigen Song mit Gesang und Liedtext erzeugt; unterstützt mehrsprachigen Gesang und ist über die einheitliche Schnittstelle von HiAPI.ai aufrufbar
Ab $0.090 /Song
HeyGen
Erstelle mit einem ca. 15-sekündigen Referenzvideo einen wiederverwendbaren Avatar einer echten Person, übertrage Gestik und Bewegungen auf neue Skripte und Szenen und bewahre dabei die Konsistenz über Szenen hinweg
Ab $0.150 /Sekunde
851 Labs
Ein Bildverarbeitungsmodell, das sich auf automatische Freistellung spezialisiert hat und transparente PNGs oder Masken ausgeben kann – ideal für Produktbilder im E-Commerce und die Stapelfreistellung von Porträts
Ab $0.002 /Bild
Ein Videogenerierungsmodell für schnelle Vorschauen und häufige Iterationen, das sowohl Text-zu-Video als auch Bild-zu-Video unterstützt und Clips von 1–15 Sekunden in 480p–1080p erzeugen kann, wobei bei Bild-zu-Video bis zu 7 Bilder als Referenz dienen
Ab $0.130 /Sekunde
Hochpräzises Bildgenerierungs- und -bearbeitungsmodell von xAI mit stabilerer Textdarstellung und Komposition, Unterstützung für 1K/2K-Ausgabe und konsistente Bearbeitung anhand von Referenzbildern
Ab $0.070 /Bild
xAI-Bildgenerierungs- und -Bearbeitungsmodell mit starker Befehlsbefolgung und komplexem Layout-Rendering, unterstützt iterative Bildbearbeitung anhand von Referenzbildern und gibt Bilder in 1K/2K mit verschiedenen Seitenverhältnissen aus
Ab $0.052 /Bild
Bildmodell mit 9 Milliarden Parametern auf Basis von Rectified Flow, durch Schritt-Destillation auf 4 Schritte reduziert, vereint Text-zu-Bild und Bearbeitung mit ein oder mehreren Referenzbildern in einer kompakten Architektur und ist für latenzarme Echtzeit-Generierungsszenarien ausgelegt
Ab $0.0086 /Bild
Destilliertes Kleinmodell mit 4 Milliarden Parametern, vereint Text-zu-Bild und Bildbearbeitung, End-to-End-Inferenz in unter 1 Sekunde möglich, läuft mit etwa 13 GB VRAM
Ab $0.0004 /Bild
Die Bildgenerierungs- und -bearbeitungsfamilie von Black Forest Labs, unterstützt Stiltransfers auf Basis von Referenzbildern sowie die Fusion mehrerer Referenzbilder; bei der Bearbeitung bleiben die ursprüngliche Komposition und die Position des Motivs möglichst erhalten
Ein bildorientiertes Modell aus der multimodalen Familie von Black Forest Labs, das eine gemeinsame Trainingsarchitektur und das Self-Flow-Framework mit Video und Audio teilt und sich für Upgrades von Bildgenerierungs-Pipelines auf Basis des FLUX-Systems eignet
Ab $0.041 /Bild
Meta
Metas räsonierendes Modell zur Bildgenerierung und -bearbeitung: Es zerlegt komplexe Prompts vor dem Rendern, kann mehrere Referenzbilder zusammenführen und mithilfe von Websuche die sachliche Richtigkeit sicherstellen
Ab $0.015 per task
Einheitliches multimodales Videomodell, das Text, Bilder, Videos und Audio in einem einzigen Kontext gleichzeitig verarbeitet, Text-zu-Video, Bild-zu-Video, referenzbasiertes Video und instruktionsgestützte Bearbeitung unterstützt und synchrones Audio erzeugen kann
Ab $0.072 /Sekunde
Laden Sie einfach ein einzelnes Foto und ein Skript hoch, um ein Sprecher-Avatar-Video mit Lippensynchronisation, Gesichtsausdrücken und Gesten zu erzeugen; unterstützt Ausgaben mit 1280p+ und eignet sich für digitale Sprecher und Voice-over-Inhalte
Alibabas Videogenerierungsmodell: Ein einzelnes Modell deckt Text-zu-Video, Bild-zu-Video und Referenzbild-zu-Video ab, unterstützt 1080p und 3–15-Sekunden-Clips, fusioniert mehrere Referenzbilder zur Stärkung der Charakterkonsistenz und eignet sich für mehrteiliges Storytelling sowie E-Commerce-Werbeassets
Ab $0.160 /Sekunde
Kreatives Generierungsmodell von xAI, unterstützt Bild-zu-Bild-Bearbeitung und Stilführung, mit bis zu 9 Referenzbildern zur Steuerung von Komposition und Personen; aufrufbar über die einheitliche Schnittstelle von HiAPI.ai
ElevenLabs
Eine Familie von Sprach- und Audiogenerierungslösungen für Entwickler, die Text-zu-Sprache, dialogorientierte Sprache, Soundeffekte und Musikgenerierung abdeckt
Ab $0.0029 /Sekunde
Eine geschwindigkeitsoptimierte Bild-zu-Video-Version der Wan-2.6-Serie mit geringeren Kosten und schnellerer Ausgabe, geeignet für Entwurfsexploration und häufige Stapelgenerierung; die Bildfeinheit bleibt hinter der Standardversion zurück
Ab $0.043 /Sekunde
Krea
Unterstützt Textgenerierung und Bearbeitung mit Referenzbildern, native 2K-Ausgabe, etwa 8 Sekunden pro Bearbeitung – ideal für häufige visuelle Iterationen und die Wiederverwendung von Material
Destillierte, auf Geschwindigkeit optimierte Version der Krea-2-Serie mit niedrigen Kosten pro Bild – ideal für schnelle Iterationen und die Erkundung von Designkonzepten
Ein multimodales Modell für Videogenerierung und -bearbeitung: eine einzige Schnittstelle für Text-zu-Video, Bild-zu-Video, Referenzbild-zu-Video und Videobearbeitung, mit gestaffelter Ausgabe vom Entwurf bis 4K und integrierter Tonspur
Ab $0.450 /Video
Creatify
Ein kostengünstiges Videogenerierungsmodell für die Massenproduktion von Werbematerial-Varianten; unterstützt Text-zu-Video, Bild-zu-Video sowie die Erstellung mehrsprachiger Sprechervideos aus Foto und Audio – mit schneller Ausgabe.
Ab $0.015 /Sekunde
Laden Sie ein Ganzkörperfoto hoch, um eine Vorschau des Anprobierens der gewünschten Kleidung zu erzeugen. Basierend auf Diffusionstechnologie werden Stofffalten und Lichteffekte simuliert, um die Entscheidung beim Online-Kleiderkauf zu unterstützen.
Ab $0.107 /Bild
Niedriglatentes Text-to-Speech-Modell, das Tonlage, Sprechgeschwindigkeit und Akzent über im Text eingebettete Audio-Tags steuert, über 70 Sprachen unterstützt und über die einheitliche Schnittstelle von HiAPI.ai aufgerufen wird
--
Professionelles Inpainting- und Outpainting-Modell, das anhand einer binären Maske gezielt Bildbereiche ersetzt, entfernt oder erweitert und dabei Beleuchtung und Perspektive konsistent hält; erfordert eine Maskeneingabe und eignet sich für die Retusche statt für die Ganzbildgenerierung
FASHN
Virtuelles Anprobe-Modell: Eingabe eines Personenbildes und eines Kleidungsbildes erzeugt das Ergebnis am Model, native Ausgabe 864x1296, Unterstützung von Flat-Lay-Bildern und drei Qualitätsmodi
Leichtgewichtiger KI-Bildvergrößerer, der beim Vergrößern Rauschentfernung und Detailerhalt gleichermaßen berücksichtigt, niedrige Kosten pro Vorgang und ideal als nachgelagerte Klärungsstufe im Designprozess
Ab $0.004 /Bild
Erste öffentliche Vorschauversion der Vidu-Q4-Serie, mit Fokus auf Charakterdarstellung und native Audio, unterstützt bis zu 15 Bild- und 3 Audioreferenzen zur Steuerung und liefert Videos mit bis zu 4K
Ab $0.051 /Sekunde
Lightricks
Beschleunigtes Videogenerierungsmodell von Lightricks, unterstützt Text-zu-Video und Bild-zu-Video, erzeugt Bild und Audio synchron – ideal für schnelle Produktionen und die Validierung von Prototypen
Ab $0.086 /Sekunde
Runway
Bei Veröffentlichung führt es die Artificial Analysis Text-to-Video-Rangliste mit 1247 Elo an; besonders stark bei der Befolgung von Prompts, Physik und menschlicher Bewegung – ideal für Film-Storyboards und Marken-Kurzfilme.
Ab $0.172 /Sekunde
Generative Bildvergrößerung: Beim Erhöhen der Auflösung werden Texturen, Details und Gesichtsmerkmale neu gezeichnet und ergänzt – ideal, um Materialien mit niedriger Auflösung zu hochauflösenden Ergebnissen zu machen
Ab $0.357 /Bild
Ein einheitliches Bildmodell für Text-zu-Bild und Bildbearbeitung, das nativ 2K-Auflösung und RGBA-Ausgabe mit echtem Alpha-Kanal unterstützt; mehrere Bearbeitungsbereiche lassen sich mit Kreisen, handschriftlichen Markierungen oder Masken festlegen
Ab $0.020 /Bild
Mureka
Ein Musikgenerierungsmodell mit zurückhaltenderem Arrangement und mehr Freiraum, das Genre, Besetzung und Stimmung des Prompts trifft und Gesang natürlicher klingen lässt; unterstützt sowohl rein instrumentale als auch Lied-Modi mit Songtexten
Ab $0.322 per request
Mirelo AI
Ein Audio-Ausgabemodell für die Klangerzeugung, geeignet für die Produktion und iterative Massenfertigung von Soundeffekt-Materialien für Videos, Spiele und ähnliche Inhalte
Ab $0.021 /Sekunde
Audiodriven erzeugte sprechende Digital-Human-Videos: Ein einziges Bild plus Sprache genügt, um ein lippensynchrones Video auszugeben; unterstützt bis zu etwa 5 Minuten kontinuierliche Generierung, Standard-Version bis maximal 720p
Einheitliche multimodale Videogenerierungs-Serie mit Unterstützung für Text-zu-Video, Bild-zu-Video, Referenz-zu-Video und Bearbeitung innerhalb von Videos, native Lippensynchronisation und mehrsprachiges Audio
Ein von Kuaishou vorgestelltes Bild-zu-Video-Modell mit herausragender Bewegungsflüssigkeit und Charakterkonsistenz, das negative Prompts und CFG-Anpassung unterstützt und sich für die Erzeugung von Kurzfilmen mit hochdynamischen Kameraeinstellungen eignet
Google-Reihe für Text-zu-Bild, spezialisiert auf Textdarstellung im Bild und komplexe Beleuchtung, mit drei Stufen Fast, Standard und Ultra je nach Abwägung zwischen Qualität und Kosten
Ab $0.030 /Bild
Ein Bildgenerierungs- und -bearbeitungsmodell, das für klar gesetzte Typografie und präzise lokale Bearbeitung über mehrere Runden bekannt ist, nativ 2K, ideal für Poster-, Logo- und Verpackungsdesign
Ab $0.011 /Bild
Mit dem Referenzbild dieselbe Figur festlegen, Gesicht und Kleidung über Szenen-, Posen- und Beleuchtungswechsel hinweg konsistent halten und die Stärke von Ideogram bei der Textgestaltung im Bild fortsetzen
Ab $0.090 /Bild
Leichtes, kostengünstiges Video-Generierungsangebot mit Unterstützung für Text-zu-Video und Bild-zu-Video, erzeugt bei jedem Durchlauf Soundeffekte und Dialoge, ideal für die hochfrequente Massenproduktion von Kurzfilmen
Ab $0.029 /Sekunde
Googles multimodales Modell zur Videoerzeugung und -bearbeitung, das kombinierte Eingaben aus Text, Bild, Audio und Video unterstützt und es ermöglicht, Kameraführung und Details iterativ per natürlichsprachlicher Konversation anzupassen
Black Forest Labs' erstes Videomodell, eine einheitliche multimodale Architektur, die Text-zu-Video, Bild-zu-Video und Keyframe-Fortsetzung unterstützt, wobei Bild und nativer Ton synchron erzeugt werden, einmalig bis zu etwa 20 Sekunden in HD
Ab $0.090 /Sekunde
Ein Videogenerierungsmodell für Text-zu-Video und Bild-zu-Video, das auf schnelle Ausgabe mit geringer Latenz setzt; laut öffentlichen Benchmarks wird ein 10-Sekunden-Clip in etwa 11–12 Sekunden erzeugt, ideal für kreative Iterationen und Kurzvideo-Material
Ab $0.061 /Sekunde
Bria
BRIAs destilliertes 8B-Flow-Matching-DiT-Bildmodell, das mit nur 4 bis 6 Sampling-Schritten Bilder erzeugt, strukturierte JSON-Prompts unterstützt und attributbasierte, entkoppelte Bearbeitung ermöglicht
Ab $0.058 /Bild
Ein Bildbearbeitungsmodell für E-Commerce-Produktbilder, das Produkte natürlich in Szenenhintergründe einfügt, die aus Text oder Referenzbildern generiert werden, und dabei Texturen sowie Markendetails bewahrt
Ein Bildbearbeitungsmodell, spezialisiert auf Maskenradierung und Bereichsrekonstruktion: Es entfernt Zielobjekte anhand einer Schwarz-Weiß-Maske und ergänzt das Bild, wurde mit lizenzierten Daten trainiert und eignet sich für die Stapelbereinigung von E-Commerce- und Marketingmaterialien
