Moneda de visualización
ByteDance
Desde $0.121 /segundo
Kuaishou
Desde $0.330 /segundo
Google
Desde $0.021 /imagen
ByteDance cinematic video generation with native audio, multi-shot consistency, and 1080p output up to 10 seconds.
Desde $0.017 /segundo
Desde $0.057 /imagen
93 modelos
Moonshot AI
Modelo de texto insignia de Moonshot AI, centrado en la comprensión de documentos y la generación de texto con contexto largo, ideal para tareas de investigación y de agentes inteligentes
Desde $0.216 /1 M de tokens
Modelo de video de difusión de código abierto que genera en una sola pasada unos 5 segundos de video con audio sincronizado de 44 kHz y sincronización labial, admite generación de video a partir de texto o de imagen y puede escalar hasta Full-HD
Desde $1.93 /vídeo
Black Forest Labs
La versión insignia de edición de imágenes de la serie Kontext, especializada en realizar modificaciones locales siguiendo instrucciones en lenguaje natural, con un mejor seguimiento de las indicaciones y una composición tipográfica del texto en la imagen más sólida, ideal para la producción por lotes de visuales de marca y storyboards
Desde $0.071 /imagen
Alibaba
Serie de síntesis de voz multilingüe alojada de Alibaba Tongyi, que incluye dos niveles: Flash de baja latencia y Plus de alta calidad de audio, y permite controlar la emoción y el estilo expresivo mediante instrucciones en lenguaje natural
Desde $0.030 /1.000 caracteres
Vidu
Modelo de video a partir de una imagen de referencia para anuncios y videos cortos de redes sociales, que permite restringir la apariencia del sujeto y la composición, ideal para producir contenido rápidamente y para iterar múltiples versiones
Desde $0.149 /segundo
Modelo de generación de vídeo de Kuaishou, capaz de generar en una sola pasada vídeos de 30 segundos con audio estéreo, compatible con el control de múltiples fotogramas clave y de fotogramas inicial y final, ideal para cortometrajes de marketing y previsualización de guiones gráficos
OpenAI
Modelo de generación y edición de imágenes de OpenAI con dos niveles: Flare se centra en la velocidad y Sunburst en la precisión, cubriendo tanto la generación de imágenes a partir de texto como la edición iterativa de imágenes
Desde $0.017 /imagen
Nueva generación de modelos de generación de video de la serie Wan de Alibaba, capaz de producir clips de 1080p de unos 30 segundos en una sola pasada, con soporte para mantener la consistencia del sujeto a partir de materiales de referencia y, por primera vez, con soporte para entradas estructuradas de tipo documental
Desde $0.040 /segundo
xAI
Modelo de generación de vídeo de xAI; la conversión de imagen a vídeo puede animar imágenes estáticas y generar audio sincronizado, con soporte para clips de 480p a 1080p y una duración máxima de 15 segundos
Desde $0.011 /segundo
Modelo de generación conjunta de audio y vídeo de ByteDance Seed, compatible con clips continuos de hasta 30 segundos y 4K, y con control preciso de la imagen mediante referencias multimodales y edición a nivel de marca de tiempo
Modelo de generación de video multimodal de ByteDance que admite generación de video a partir de texto, imagen y referencia, y puede producir cortometrajes cinematográficos de múltiples tomas con audio nativo sincronizado
Modelo de generación y edición de imágenes con prioridad en la calidad, basado en el backbone de razonamiento Gemini 3 Pro; destaca en la consistencia de personajes entre varias imágenes y en el renderizado de texto, y admite salida nativa en 2K con ampliación inteligente hasta 4K
El modelo de imagen rápido de Google para la generación de imágenes a escala, compatible con resoluciones desde 512 px hasta 4K nativo y múltiples relaciones de aspecto; genera combinando información en tiempo real de la búsqueda, ideal para la creación de alta frecuencia
Desde $0.036 /imagen
Orientado a la generación de imágenes impulsada por lenguaje natural y la edición conversacional de múltiples turnos, mantiene una buena consistencia de personajes y sujetos durante la edición, y abarca generación, edición y mejora
Modelo de generación y edición de imágenes de OpenAI, especializado en realismo fotográfico, renderizado de texto de alta precisión y salida 4K nativa, ideal para materiales comerciales y fotos de producto que incluyen texto
Desde $0.007 /imagen
Zhipu AI
Modelo de razonamiento de texto insignia de Zhipu, centrado en ingeniería de software compleja y tareas de agentes de larga duración, con aproximadamente 1M de contexto, razonamiento siempre activo y compatibilidad con varios niveles de intensidad de razonamiento, con un ahorro de tokens de salida para una misma puntuación
Desde $0.855 /1 M de tokens
La familia de modelos de texto GPT-6 de OpenAI, estratificada según la dificultad de la tarea: Astra está orientada a las tareas de extremo a extremo más difíciles, Sol equilibra un razonamiento potente con el coste diario y refuerza la codificación, las matemáticas y los flujos de trabajo agénticos
Desde $0.0025 /1 M de tokens
Serie escalonada de grandes modelos de OpenAI (Sol/Terra/Luna), centrada en programación, razonamiento complejo y ciberseguridad, con selección de modelo según la curva de rendimiento y coste
Desde $0.005 /1 M de tokens
Anthropic
La serie Claude 5.5 incluye tres niveles: Opus, Sonnet y Haiku, que permiten elegir según la complejidad de la tarea y el coste, y cubren la programación de agentes, el uso de computadoras y el procesamiento por lotes de alta concurrencia
Desde $0.100 /1 M de tokens
Modelo de texto general orientado a agentes empresariales de largo recorrido, programación y razonamiento profundo, con gran capacidad para mantener la consistencia de las tareas en flujos de trabajo complejos de múltiples turnos
Desde $0.229 /1 M de tokens
Modelo de generación de vídeo de Google: la entrada de imagen permite generar de forma nativa vídeos de 8 segundos con sonido ambiental y diálogos, con soporte de hasta 4K y manteniendo la apariencia coherente del sujeto
Desde $0.290 /segundo
Nivel de generación de vídeo de Google de bajo coste y alto rendimiento, con una velocidad equiparable a Veo 3.1 Fast, compatible con imagen a vídeo, múltiples relaciones de aspecto y duraciones
Desde $0.060 /segundo
MiniMax
Modelo de generación de video lanzado por MiniMax, que admite tanto la generación de video a partir de texto como a partir de imágenes; mejora respecto a la generación anterior en la estabilidad del estilo anime, la renderización de movimientos de cuerpo completo y el realismo de las microexpresiones faciales, ideal para la creación de cortometrajes de anime y piezas comerciales con textura realista
Desde $0.270 /vídeo
Modelo de generación y edición de imágenes lanzado por Alibaba, que integra la generación de imágenes a partir de texto, la combinación de múltiples imágenes de referencia y la edición mediante instrucciones en un mismo flujo de trabajo, con soporte para la renderización de textos largos y el control de colores de marca
Desde $0.035 /imagen
Modelo de generación de imágenes de nivel de producción de ByteDance, compatible con búsqueda en internet y razonamiento lógico de varios pasos, salida en 4K y edición por ejemplos, ideal para crear imágenes de productos e infografías
Desde $0.025 /imagen
Recraft
Modelo de generación de activos de diseño orientado a producción, compatible con salida vectorial SVG editable de forma nativa, genera imágenes estables con prompts breves, ideal para iconos, tipografía e ilustraciones de marca
Desde $0.010 /imagen
Modelo de generación y edición de imágenes de tercera generación de Alibaba, especializado en maquetación densa y renderizado de texto multilingüe con prompts largos, y compatible con la edición mediante imágenes de referencia
Modelo de arquitectura unificada de generación y edición de imágenes de Alibaba, especializado en la renderización de textos largos en chino, compatible con instrucciones de hasta 1000 tokens y salida en 2K
Desde $0.042 /imagen
Modelo fronterizo de pesos abiertos de Moonshot AI, con soporte nativo para comprensión de texto, imágenes y vídeo, contexto de 1 millón de tokens y especializado en codificación de largo alcance e iteración de llamadas a herramientas
Desde $0.232 /1 M de tokens
Modelo de razonamiento insignia de xAI, que potencia el razonamiento avanzado, la invocación nativa de herramientas y la búsqueda en tiempo real; admite contexto largo y entrada de imágenes, ideal para razonamiento de alta dificultad y aplicaciones de Agent
Desde $0.210 /1 M de tokens
DeepSeek
Nueva generación de la serie de modelos de texto, con versiones como Pro y Flash, compatible con contextos largos de millones de tokens, orientada a tareas de codificación, razonamiento y agentes inteligentes
Desde $0.014 /1 M de tokens
Modelo de texto insignia con contexto largo de 1M tokens, orientado a razonamiento profundo, programación compleja y tareas de agentes autónomos de largo ciclo
Desde $0.300 /1 M de tokens
Luma
Modelo de generación de video cinematográfico Luma, compatible de forma nativa con HDR y exportación EXR, ideal para planos de ambiente vacíos y conceptos previos de publicidad, cine y televisión; con instrucciones de cámara estructuradas, el seguimiento de las indicaciones es estable.
Desde $0.214 /vídeo
PixVerse
Modelo insignia de generación de video de PixVerse, un único modelo que abarca la generación de video a partir de texto y a partir de imágenes, con control preciso de cámara, actuación de personajes y fusión de imágenes de referencia, orientado a la producción de nivel final
Desde $0.036 /segundo
Modelo insignia de texto a imagen de Black Forest Labs; genera aproximadamente 6 veces más rápido que Flux.1 Pro, con mejor adherencia a las instrucciones, ideal para generar imágenes a escala
Desde $0.050 /imagen
Modelo de texto a imagen de código abierto Tongyi de Alibaba, con arquitectura DiT de flujo único de aproximadamente 6 mil millones de parámetros, destacado en la renderización de texto en chino e inglés y en el seguimiento de instrucciones bilingües
Desde $0.008 /imagen
Una sola generación produce de forma conjunta el vídeo y el audio nativo sincronizado, con sincronización labial multilingüe y salida de hasta 1080p en múltiples formatos, ideal para vídeos cortos de locución a cámara y diálogos
Desde $0.168 /segundo
Modelo de texto a imagen destilado de Black Forest Labs, transformer de flujo rectificado con 12 mil millones de parámetros, enfocado en la generación rápida de imágenes con baja latencia, ideal para la generación por lotes de imágenes conceptuales y bocetos
Desde $0.005 /imagen
El modelo ligero y eficiente de la familia de imágenes de Google, centrado en baja latencia y bajo coste, ideal para la ideación rápida y la generación de imágenes de alto rendimiento, y que sustituye sin problemas al Nano Banana de primera generación
Desde $0.033 /imagen
Introduce la letra y la descripción musical para generar una canción estéreo de hasta unos 5 minutos, con voz y una estructura musical completa, ideal para producir rápidamente demos de canciones y música de fondo personalizada.
Desde $0.0026 /segundo
Modelo de generación de canciones completas a partir de texto, con voz e instrumental, que añade adaptación al estilo AI Cover y escritura automática de letras, con una latencia de primera salida declarada de menos de 20 segundos
Desde $0.210 /canción
Modelo de texto a música: genera una canción completa con voz y acompañamiento en una sola pasada a partir de una descripción de estilo y una letra; cada canción puede durar hasta unos 4 minutos y admite la organización por secciones mediante etiquetas de estructura
Desde $0.070 /canción
Modelo avanzado de generación musical de Google, capaz de generar piezas completas de unos 3 minutos en estéreo a 48 kHz, comprende la estructura de secciones como introducción, verso y estribillo, y sigue las instrucciones mejor que Lyria 3
Desde $0.140 /canción
Ideogram
Modelo de texto a imagen de pesos abiertos, especializado en la representación de texto multilingüe y la salida nativa en 2K, con control de diseño mediante indicaciones JSON y cuadros delimitadores
Modelos de generación de video de la serie WAN de Alibaba, compatibles con video a partir de texto, a partir de imagen y con guía por referencia; las entradas de múltiples referencias mantienen la coherencia de personajes y productos entre tomas
Desde $0.100 /segundo
Modelo de imagen a vídeo de la serie Veo 3.1 enfocado en la generación rápida de clips, con generación sincronizada de imagen y audio, ideal para la producción de contenidos finales como marketing, presentaciones y redes sociales
Desde $0.170 /segundo
Modelo de imágenes de nivel comercial de ByteDance, especializado en iluminación y sombras cinematográficas, coherencia de personajes entre tomas y edición con referencias de múltiples imágenes; ideal para generar imágenes de alta resolución para materiales de comercio electrónico y marketing
Desde $0.045 /imagen
Modelo insignia de generación musical de Google: primero planifica la estructura (introducción, estrofa, estribillo, etc.) y luego genera una canción completa con voz y letra; admite canto en varios idiomas y se puede invocar mediante la interfaz unificada de HiAPI.ai
Desde $0.090 /canción
HeyGen
Crear un clon digital de una persona real reutilizable a partir de un vídeo de referencia de unos 15 segundos, transferir los gestos y movimientos a un nuevo guion y escenario, y mantener la coherencia entre escenarios
Desde $0.150 /segundo
851 Labs
Modelo de procesamiento de imágenes especializado en el recorte automático, capaz de generar PNG transparentes o máscaras, ideal para eliminar el fondo de imágenes de productos de comercio electrónico y retratos en lote
Desde $0.002 /imagen
Modelo de generación de video orientado a vistas previas rápidas e iteraciones frecuentes, compatible tanto con texto a video como con imagen a video; puede generar clips de 1 a 15 segundos en 480p–1080p, y en imagen a video admite hasta 7 imágenes de referencia
Desde $0.130 /segundo
Modelo de generación y edición de imágenes de alta fidelidad de xAI, con renderizado de texto y composición más estables, compatible con salida 1K/2K y edición de consistencia con imágenes de referencia
Desde $0.070 /imagen
Modelo de generación y edición de imágenes de xAI, con un sólido seguimiento de instrucciones y renderizado de maquetaciones complejas; admite la edición iterativa de imágenes a partir de imágenes de referencia y puede generar imágenes en 1K/2K con múltiples relaciones de aspecto
Desde $0.052 /imagen
Modelo de imagen de flujo rectificado de 9 mil millones de parámetros, destilado a 4 pasos, que unifica la generación de texto a imagen y la edición con una o varias imágenes de referencia en una arquitectura compacta, orientado a escenarios de generación en tiempo real con baja latencia
Desde $0.0086 /imagen
Modelo pequeño destilado de 4 mil millones de parámetros que unifica la generación de imágenes a partir de texto y la edición de imágenes, con inferencia de extremo a extremo que puede llegar a menos de 1 segundo y capaz de ejecutarse con aproximadamente 13 GB de memoria de video
Desde $0.0004 /imagen
La familia de generación y edición de imágenes de Black Forest Labs, que admite transferencia de estilo basada en imágenes de referencia y fusión de múltiples imágenes de referencia, conservando en la medida de lo posible la composición original y la posición del sujeto durante la edición
Modelo de imagen dentro de la familia multimodal de Black Forest Labs, que comparte la arquitectura de entrenamiento conjunto y el marco Self-Flow con vídeo y audio, adecuado para actualizar canalizaciones de generación de imágenes basadas en el sistema FLUX
Desde $0.041 /imagen
Meta
Modelo de generación y edición de imágenes de razonamiento de Meta que primero descompone las indicaciones complejas y luego las renderiza; puede combinar varias imágenes de referencia y apoyarse en la búsqueda web para garantizar la precisión factual
Desde $0.015 per task
Modelo de video multimodal unificado que procesa texto, imágenes, video y audio en un mismo contexto, admite generación de video a partir de texto, de imágenes y de referencias, edición mediante instrucciones y puede generar audio sincronizado
Desde $0.072 /segundo
Sube una sola foto y añade un guion para generar un vídeo de avatar parlante con sincronización labial, expresiones faciales y gestos; admite salida de 1280p o superior, ideal para presentadores digitales y contenido de locución.
Modelo de generación de video de Alibaba; un solo modelo cubre texto a video, imagen a video y video a partir de imágenes de referencia, admite 1080p y clips de 3 a 15 segundos, y la fusión de múltiples imágenes de referencia refuerza la consistencia de los personajes; es adecuado para narrativas de múltiples tomas y material publicitario de comercio electrónico
Desde $0.160 /segundo
Modelo de generación creativa de xAI, compatible con edición de imagen a imagen y guía de estilo, con hasta 9 imágenes de referencia para controlar la composición y los personajes; se invoca mediante la interfaz unificada de HiAPI.ai
ElevenLabs
Una familia de generación de voz y audio para desarrolladores que abarca la síntesis de voz a partir de texto, la voz conversacional y la generación de efectos de sonido y música
Desde $0.0029 /segundo
Versión de imagen a vídeo de la serie Wan 2.6 optimizada para velocidad, con menor coste y generación más rápida, ideal para exploración de borradores y generación masiva de alta frecuencia; su nivel de detalle visual es inferior al de la versión estándar
Desde $0.043 /segundo
Krea
Admite generación a partir de texto y edición con imágenes de referencia, salida nativa en 2K, aproximadamente 8 segundos por edición; ideal para iteraciones visuales de alta frecuencia y reutilización de material.
Versión de destilación acelerada de la serie Krea 2, prioriza la velocidad, con bajo coste por imagen, ideal para iteraciones rápidas y exploración de conceptos de diseño
Modelo multimodal para generación y edición de video: una única interfaz cubre texto a video, imagen a video, referencia de imagen a video y edición de video, con salida por capas desde borrador hasta 4K e incluye pista de audio propia
Desde $0.450 /vídeo
Creatify
Modelo de generación de video de bajo costo orientado a variantes masivas de creatividades publicitarias, compatible con texto a video, imagen a video y generación de videos parlantes multilingües a partir de fotos y audio, con producción rápida
Desde $0.015 /segundo
Sube una foto de cuerpo completo para generar una imagen del resultado de probarte una prenda determinada; basado en tecnología de difusión, simula los pliegues de la ropa y la iluminación para ayudarte a decidir tus compras en línea
Desde $0.107 /imagen
Modelo de conversión de texto a voz de baja latencia que controla el timbre, la velocidad y el acento mediante etiquetas de audio incrustadas en el texto, compatible con más de 70 idiomas y accesible a través de la interfaz unificada de HiAPI.ai
--
Modelo profesional de repintado local y extrapolación que sustituye, elimina o extiende áreas concretas de la imagen según una máscara binaria, manteniendo la coherencia de iluminación y perspectiva; requiere una máscara de entrada y está pensado para retoques precisos en lugar de la generación de imágenes completas
FASHN
Modelo de probador virtual: introduce una imagen de una persona y una imagen de una prenda para generar el efecto de la prenda puesta en el modelo, con salida nativa de 864x1296, admite entrada de imágenes de prendas extendidas y tres modos de calidad
Ampliador de imágenes con IA ligero que, al ampliar, equilibra la reducción de ruido y la preservación de detalles; su coste por uso es bajo y resulta adecuado como etapa final de nitidez en el flujo de trabajo de diseño
Desde $0.004 /imagen
Primera versión preliminar pública de la serie Vidu Q4, centrada en la actuación de personajes y el audio nativo, compatible con hasta 15 imágenes y 3 referencias de audio como guía, con salida de vídeo de hasta 4K
Desde $0.051 /segundo
Lightricks
Modelo de generación de vídeo acelerado de Lightricks, compatible con texto a vídeo e imagen a vídeo, con generación sincronizada de imagen y audio, ideal para producir vídeos rápidamente y validar prototipos
Desde $0.086 /segundo
Runway
En el momento de su lanzamiento, encabeza la clasificación de texto a vídeo de Artificial Analysis con 1247 Elo; destaca en el seguimiento de instrucciones, la física y el movimiento humano, y es ideal para la creación de guiones gráficos audiovisuales y vídeos cortos de marca
Desde $0.172 /segundo
Ampliación de imágenes generativa que, al aumentar la resolución, redibuja y completa texturas, detalles y rasgos faciales, ideal para convertir material de baja calidad en un producto final de alta resolución
Desde $0.357 /imagen
Modelo de imagen unificado para texto a imagen y edición de imágenes, con soporte nativo de resolución 2K y salida RGBA con canal alpha real, y capacidad de especificar varias regiones de edición mediante círculos, anotaciones dibujadas a mano o mask
Desde $0.020 /imagen
Mureka
Modelo de generación musical con arreglos más contenidos y más espacio en blanco, que se ajusta al género, la instrumentación y la emoción del prompt, con voces más naturales; admite tanto el modo puramente instrumental como el de composición a partir de letras
Desde $0.322 per request
Mirelo AI
Modelo de salida de audio orientado a escenarios de generación de efectos de sonido, adecuado para la producción e iteración por lotes de material de efectos de sonido para contenidos como vídeos y videojuegos
Desde $0.021 /segundo
Generación de videos de personas digitales hablando impulsada por audio; con una sola imagen y voz se puede producir un video con sincronización labial, admite generación continua de aproximadamente 5 minutos y la versión Standard alcanza un máximo de 720p
Serie unificada de generación de vídeo multimodal que admite texto a vídeo, imagen a vídeo, referencia a vídeo y edición dentro del vídeo, con sincronización labial nativa y audio multilingüe
Modelo de imagen a video lanzado por Kuaishou, destaca en fluidez de movimiento y consistencia de personajes, admite prompts negativos y ajuste de CFG, ideal para generar cortometrajes con tomas de alta dinámica
Serie de generación de imágenes a partir de texto de Google, centrada en la representación de texto dentro de la imagen y la iluminación compleja; ofrece tres niveles (Fast, Estándar y Ultra) que permiten elegir entre calidad y coste
Desde $0.030 /imagen
Modelo de generación y edición de imágenes especializado en tipografía nítida y edición local precisa en múltiples pasadas, con resolución nativa 2K, ideal para carteles, logotipos y diseño de packaging
Desde $0.011 /imagen
Utiliza una imagen de referencia para fijar el mismo personaje, manteniendo la coherencia del rostro y la vestimenta a través de cambios de escena, pose e iluminación, y conservando las ventajas de composición tipográfica dentro de la imagen de Ideogram
Desde $0.090 /imagen
Nivel de generación de vídeo ligero y de bajo coste, compatible con texto a vídeo e imagen a vídeo, con generación conjunta de efectos de sonido y diálogos, ideal para la producción masiva y frecuente de clips cortos
Desde $0.029 /segundo
Modelo multimodal de generación y edición de vídeo de Google que admite entradas combinadas de imagen, texto, audio y vídeo, y permite ajustar de forma iterativa planos y detalles mediante diálogo en lenguaje natural
El primer modelo de vídeo de Black Forest Labs, con arquitectura multimodal unificada, compatible con texto a vídeo, imagen a vídeo y continuación de fotogramas clave; genera imagen y audio nativo de forma sincronizada, con una duración máxima de aproximadamente 20 segundos en HD por generación
Desde $0.090 /segundo
Modelo de generación de video que admite texto a video e imagen a video, enfocado en una baja latencia y una producción rápida; según sus benchmarks públicos, un clip de 10 segundos se genera en aproximadamente 11–12 segundos, ideal para la iteración creativa y el material de video corto
Desde $0.061 /segundo
Bria
Modelo de imagen destilado de DiT de flujo continuo de 8B de BRIA, capaz de generar imágenes con muestreo de pocos pasos de 4 a 6 pasos, compatible con indicaciones estructuradas en JSON y permite edición desacoplada por atributos
Desde $0.058 /imagen
Modelo de edición de imágenes orientado a fotos de productos de comercio electrónico, capaz de integrar el producto de forma natural en fondos de escena generados a partir de texto o imágenes de referencia, conservando la textura y los detalles de la marca
Modelo de edición de imágenes centrado en el borrado con máscara y la reconstrucción de regiones, que elimina objetos objetivo según una máscara en blanco y negro y completa la escena; entrenado con datos autorizados, ideal para la limpieza masiva de materiales de comercio electrónico y marketing
