Moeda de exibição
ByteDance
A partir de $0.121 /segundo
Google
A partir de $0.021 /imagem
A partir de $0.057 /imagem
Kuaishou
A partir de $0.330 /segundo
OpenAI
A partir de $0.017 /imagem
93 modelos
Moonshot AI
Modelo de texto de nível flagship da Moonshot AI, focado na compreensão de documentos e na geração de texto com contexto longo, adequado para tarefas de pesquisa e de agentes inteligentes
A partir de $0.216 /1 M de tokens
Modelo de vídeo por difusão de código aberto que gera aproximadamente 5 segundos por vez com áudio sincronizado de 44 kHz e sincronia labial, oferece suporte a texto/imagem para vídeo e pode ser ampliado até Full-HD
A partir de $1.93 /vídeo
Black Forest Labs
A versão de edição de imagem carro-chefe da série Kontext, especializada em modificações locais por instruções em linguagem natural, com melhor aderência a prompts e tipografia de texto na imagem, ideal para produção em lote de visuais de marca e storyboards
A partir de $0.071 /imagem
Alibaba
Série de síntese de voz multilíngue gerenciada do Alibaba Tongyi, com duas versões: Flash, de baixa latência, e Plus, de alta qualidade de áudio, com suporte a comandos em linguagem natural para controlar emoção e estilo de expressão
A partir de $0.030 /1.000 caracteres
Vidu
Modelo de geração de vídeo a partir de imagem de referência voltado para anúncios e vídeos curtos para redes sociais, capaz de restringir a aparência do sujeito e a composição, ideal para produzir rapidamente e iterar em várias versões
A partir de $0.149 /segundo
Modelo de geração de vídeo do Kuaishou, capaz de gerar um vídeo de 30 segundos com áudio estéreo em uma única execução, com suporte a múltiplos quadros-chave e controle de primeiro e último quadro, ideal para curtas de marketing e pré-visualização de storyboards
Modelo de geração e edição de imagens da OpenAI com dois níveis: Flare focado em velocidade e Sunburst em precisão, atendendo tanto à geração de imagens a partir de texto quanto à edição iterativa de imagens
Nova geração de modelos de geração de vídeo da série Wan da Alibaba, capaz de produzir clipes de aproximadamente 30 segundos em 1080p por vez, com suporte à consistência do sujeito a partir de materiais de referência e suporte inédito a entradas estruturadas no formato de documento
A partir de $0.040 /segundo
xAI
Modelo de geração de vídeo da xAI; a conversão de imagem para vídeo anima imagens estáticas e gera áudio sincronizado, com suporte a 480p até 1080p e vídeos de até 15 segundos
A partir de $0.011 /segundo
Modelo de geração conjunta de áudio e vídeo do Byte Seed, com suporte a clipes contínuos de até 30 segundos e resolução máxima de 4K, além de controle preciso da imagem com base em referências multimodais e edição em nível de carimbo de tempo
Modelo de geração de vídeo multimodal da ByteDance, com suporte a vídeo a partir de texto, de imagem e de referência, capaz de produzir curtas-metragens cinematográficos com múltiplas tomadas e áudio nativo sincronizado
A partir de $0.017 /segundo
Modelo de geração e edição de imagens com prioridade na qualidade, baseado no backbone de raciocínio Gemini 3 Pro, superior em consistência de personagens entre várias imagens e em renderização de texto, com suporte a saída nativa em 2K e ampliação inteligente até 4K
Modelo de imagem rápido do Google para geração de imagens em escala, com suporte de 512px até 4K nativo e diversos formatos, gera com base em informações em tempo real da busca, ideal para criação de alta frequência
A partir de $0.036 /imagem
Voltado para a geração de imagens orientada por linguagem natural e a edição de imagens por conversa em múltiplas rodadas, mantendo bem a consistência de personagens e sujeitos durante a edição, e cobrindo geração, edição e aprimoramento
Modelo de geração e edição de imagens da OpenAI, focado em realismo fotográfico, renderização de texto de alta precisão e saída 4K nativa, ideal para materiais comerciais e imagens de produto que contenham texto
A partir de $0.007 /imagem
Zhipu AI
Modelo de raciocínio textual de ponta da Zhipu, focado em engenharia de software complexa e tarefas de Agent de longa duração, com contexto de aproximadamente 1M, raciocínio sempre ativo e suporte a vários níveis de intensidade de raciocínio, consumindo menos tokens de saída para a mesma pontuação
A partir de $0.855 /1 M de tokens
Família de modelos de texto GPT-6 da OpenAI, estratificada por dificuldade da tarefa: Astra é voltado para as tarefas ponta a ponta mais difíceis, Sol equilibra raciocínio robusto e custo cotidiano, e ambos reforçam codificação, matemática e fluxos de trabalho agênticos
A partir de $0.0025 /1 M de tokens
Série de grandes modelos em camadas da OpenAI (Sol/Terra/Luna), focada em programação, raciocínio complexo e cibersegurança, com seleção de modelo conforme a curva de desempenho e custo
A partir de $0.005 /1 M de tokens
Anthropic
A série Claude 5.5 inclui três níveis — Opus, Sonnet e Haiku — que permitem escolher conforme a complexidade da tarefa e o custo, cobrindo programação de agentes, uso de computador e processamento em lote de alta concorrência
A partir de $0.100 /1 M de tokens
Modelo de texto generalista voltado para agentes corporativos de longa duração, programação e raciocínio profundo, com destaque para a manutenção da consistência de tarefas em fluxos de trabalho complexos e com múltiplas interações
A partir de $0.229 /1 M de tokens
Modelo de geração de vídeo do Google: a entrada de imagem gera nativamente vídeos de 8 segundos com som ambiente e diálogos, com suporte de até 4K e consistência na aparência do sujeito
A partir de $0.290 /segundo
Nível de geração de vídeo do Google com baixo custo e alta taxa de transferência, com velocidade equivalente ao Veo 3.1 Fast, compatível com geração de vídeo a partir de imagem, várias proporções de tela e durações
A partir de $0.060 /segundo
MiniMax
Modelo de geração de vídeo lançado pela MiniMax, que suporta tanto texto para vídeo quanto imagem para vídeo, com melhorias em relação à geração anterior na estabilidade do estilo anime, na renderização de movimentos de corpo inteiro e no realismo das microexpressões faciais, adequado para a criação de curtas de anime e de produções comerciais com textura realista
A partir de $0.270 /vídeo
Modelo de geração e edição de imagens lançado pela Alibaba, que integra texto-para-imagem, combinação de múltiplas imagens de referência e edição por instruções num único fluxo de trabalho, com suporte a renderização de textos longos e controle de cores de marca
A partir de $0.035 /imagem
Modelo de geração de imagens de nível de produção da ByteDance, com suporte a busca na internet e raciocínio lógico em várias etapas, saída em 4K e edição por exemplos, ideal para criar imagens de produtos e infográficos
A partir de $0.025 /imagem
Recraft
Modelo de geração de ativos de design voltado para produção, com suporte a saída vetorial SVG nativamente editável, gera imagens estáveis com prompts curtos, ideal para ícones, tipografia e ilustrações de marca
A partir de $0.010 /imagem
Modelo de geração e edição de imagens de terceira geração da Alibaba, especializado em layout denso com prompts longos e renderização de texto em vários idiomas, com suporte à edição por imagem de referência
Modelo de arquitetura unificada de geração e edição de imagens da Alibaba, especializado na renderização de textos longos em chinês, com suporte a instruções de até 1000 tokens e saída em 2K
A partir de $0.042 /imagem
Modelo de fronteira de pesos abertos da Moonshot AI, com suporte nativo à compreensão de texto, imagem e vídeo, contexto de 1 milhão de tokens, especializado em codificação de longo prazo e iteração de chamadas de ferramentas
A partir de $0.232 /1 M de tokens
Modelo de raciocínio carro-chefe da xAI, com raciocínio avançado aprimorado, chamada nativa de ferramentas e busca em tempo real, suporte a contexto longo e entrada de imagens, ideal para raciocínio de alta complexidade e aplicações de Agent
A partir de $0.210 /1 M de tokens
DeepSeek
Nova geração da série de modelos de texto, incluindo versões Pro e Flash, com suporte a contexto longo de nível de milhão de tokens, voltada para tarefas de codificação, raciocínio e agentes inteligentes
A partir de $0.014 /1 M de tokens
Modelo de texto de nível flagship, com contexto longo de 1M tokens, posicionado para raciocínio profundo, codificação complexa e tarefas de agente autônomo de longo ciclo
A partir de $0.300 /1 M de tokens
Luma
Modelo de geração de vídeo cinematográfico da Luma, com suporte nativo a HDR e exportação em EXR, ideal para planos de ambiente atmosféricos, publicidade e filmes conceituais de pré-produção audiovisual; com instruções de enquadramento estruturadas, a aderência ao prompt é estável
A partir de $0.214 /vídeo
PixVerse
Modelo principal de geração de vídeo do PixVerse, um único modelo que cobre texto para vídeo e imagem para vídeo, com suporte a controle preciso de câmera, atuação de personagens e fusão de imagens de referência, voltado para produções de nível final
A partir de $0.036 /segundo
Modelo de texto para imagem carro-chefe da Black Forest Labs, cerca de 6 vezes mais rápido que o Flux.1 Pro na geração, com melhor aderência aos prompts, ideal para produção de imagens em escala
A partir de $0.050 /imagem
Modelo de texto para imagem de código aberto do Tongyi da Alibaba, com arquitetura DiT de fluxo único e cerca de 6 bilhões de parâmetros, destacando-se na renderização de texto em chinês e inglês e na aderência a instruções bilíngues
A partir de $0.008 /imagem
Uma única geração produz simultaneamente vídeo e áudio nativo sincronizado, com suporte a sincronização labial em vários idiomas e saída em múltiplos formatos de até 1080p, ideal para vídeos curtos de fala e diálogo
A partir de $0.168 /segundo
Modelo de texto para imagem destilado da Black Forest Labs, transformer de fluxo retificado com 12 bilhões de parâmetros, focado em geração rápida de imagens com baixa latência, adequado para produção em lote de concept art e esboços
A partir de $0.005 /imagem
Modelo leve e eficiente da família Google de imagens, focado em baixa latência e baixo custo, ideal para ideação rápida e geração de imagens em alta escala, com substituição transparente do Nano Banana de primeira geração
A partir de $0.033 /imagem
Basta inserir a letra e a descrição musical para gerar uma música estéreo de até cerca de 5 minutos, com vocais e estrutura musical completa, ideal para produzir rapidamente demos de músicas e trilhas sonoras personalizadas
A partir de $0.0026 /segundo
Modelo de voz com instrumental que gera uma música completa a partir de texto, com novo estilo de arranjo AI Cover e escrita automática de letras, com latência anunciada de menos de 20 segundos na primeira saída
A partir de $0.210 /música
Modelo de texto para música que gera uma canção completa com vocais e acompanhamento a partir de uma descrição de estilo e letra em uma única passagem, com duração máxima de aproximadamente 4 minutos por faixa e suporte a arranjo por seções usando tags estruturais
A partir de $0.070 /música
Modelo avançado de geração musical do Google, capaz de gerar músicas completas de cerca de 3 minutos em estéreo a 48kHz, compreende a estrutura de seções como intro, verso e refrão, e segue prompts melhor do que o Lyria 3
A partir de $0.140 /música
Ideogram
Modelo de geração de imagens a partir de texto com pesos abertos, focado na renderização de texto em vários idiomas e na saída nativa em 2K, com suporte a prompts em JSON e controle de layout por caixas delimitadoras
Modelo de geração de vídeo da série WAN da Alibaba, com suporte a texto para vídeo, imagem para vídeo e vídeo guiado por referência; múltiplas entradas de referência mantêm a consistência de personagens e produtos entre tomadas
A partir de $0.100 /segundo
O modelo de imagem para vídeo da série Veo 3.1 focado na geração rápida de vídeos finalizados, com geração sincronizada de imagem e áudio, ideal para produção de conteúdo finalizado como marketing, apresentações e redes sociais
A partir de $0.170 /segundo
Modelo de imagem de nível comercial do ByteDance, com foco em iluminação cinematográfica, consistência de personagens entre tomadas e edição com referência de múltiplas imagens, ideal para imagens em alta resolução de materiais de e-commerce e marketing
A partir de $0.045 /imagem
Modelo emblemático de geração musical do Google: primeiro planeja a estrutura (introdução, verso, refrão etc.) e depois gera uma música completa com vocais e letras, com suporte a canto em vários idiomas e acesso por meio da interface unificada do HiAPI.ai
A partir de $0.090 /música
HeyGen
Construir um clone digital de uma pessoa real reutilizável a partir de um vídeo de referência de cerca de 15 segundos, transferindo os movimentos e gestos para novos roteiros e cenários e mantendo a consistência entre cenários
A partir de $0.150 /segundo
851 Labs
Modelo de processamento de imagens focado na remoção automática de fundo, capaz de gerar PNG transparente ou máscara, ideal para imagens de produtos de e-commerce e remoção de fundo em lote de retratos
A partir de $0.002 /imagem
Modelo de geração de vídeo voltado para pré-visualização rápida e iteração de alta frequência, com suporte a texto para vídeo e imagem para vídeo, capaz de gerar clipes de 1–15 segundos em 480p–1080p; na geração de imagem para vídeo, é possível referenciar até 7 imagens
A partir de $0.130 /segundo
Modelo de geração e edição de imagens de alta fidelidade da xAI, com renderização de texto e composição mais estáveis, suporte a saída em 1K/2K e edição com consistência a partir de imagens de referência
A partir de $0.070 /imagem
Modelo de geração e edição de imagens da xAI, com forte aderência a instruções e renderização de layouts complexos, suporta iteração de edição de imagens com imagens de referência e pode gerar imagens 1K/2K em várias proporções
A partir de $0.052 /imagem
Modelo de imagem de fluxo retificado com 9 bilhões de parâmetros, com destilação de passos reduzida a 4, unificando texto-para-imagem e edição com uma ou várias imagens de referência em uma arquitetura compacta, voltado para cenários de geração em tempo real com baixa latência
A partir de $0.0086 /imagem
Modelo pequeno destilado com 4 bilhões de parâmetros, unifica texto-para-imagem e edição de imagens, com inferência ponta a ponta que pode chegar a menos de 1 segundo e execução com cerca de 13GB de memória de vídeo
A partir de $0.0004 /imagem
A família de geração e edição de imagens do Black Forest Labs, com suporte a transferência de estilo baseada em imagens de referência e fusão de múltiplas imagens de referência, preservando ao máximo a composição original e a posição do sujeito durante a edição
Modelo de imagem da família multimodal da Black Forest Labs, que compartilha a arquitetura de treinamento conjunto e o framework Self-Flow com vídeo e áudio, ideal para atualizar pipelines de geração de imagens baseados no sistema FLUX
A partir de $0.041 /imagem
Meta
Modelo de geração e edição de imagens baseado em raciocínio da Meta, que primeiro decompõe prompts complexos e depois renderiza, podendo combinar várias imagens de referência e usar a busca na web para garantir precisão factual
A partir de $0.015 per task
Modelo unificado de vídeo multimodal que processa texto, imagem, vídeo e áudio em um único contexto, com suporte a geração de vídeo a partir de texto, imagem e referências, edição por instruções e geração de áudio sincronizado
A partir de $0.072 /segundo
Basta enviar uma única foto e um roteiro para gerar um vídeo de avatar falante com sincronização labial, expressões faciais e gestos, com suporte a saída em 1280p ou superior, ideal para apresentadores digitais e conteúdo de narração em vídeo
Modelo de geração de vídeo da Alibaba, um único modelo que cobre texto para vídeo, imagem para vídeo e vídeo a partir de imagem de referência, com suporte a 1080p e clipes de 3 a 15 segundos, fusão de várias imagens de referência que reforça a consistência dos personagens, ideal para narrativas com vários planos e materiais de publicidade para e-commerce
A partir de $0.160 /segundo
Modelo de geração criativa da xAI, com suporte a edição imagem-para-imagem e direcionamento de estilo, podendo usar até 9 imagens de referência para controlar composição e personagens; chamado por meio da interface unificada do HiAPI.ai
ElevenLabs
Família de geração de voz e áudio voltada para desenvolvedores, abrangendo conversão de texto em fala, voz conversacional, efeitos sonoros e geração de música
A partir de $0.0029 /segundo
Versão de geração de vídeo a partir de imagem com otimização de velocidade da série Wan 2.6, com custo menor e geração mais rápida, adequada para exploração de rascunhos e geração em lote de alta frequência, com nível de detalhe visual inferior ao da versão padrão
A partir de $0.043 /segundo
Krea
Suporta geração a partir de texto e edição com imagem de referência, saída nativa em 2K, aproximadamente 8 segundos por edição, ideal para iterações visuais de alta frequência e reutilização de materiais
Versão acelerada por destilação, com prioridade em velocidade, da série Krea 2; custo por imagem baixo, ideal para iteração rápida e exploração de conceitos de design
Modelo multimodal para geração e edição de vídeo, com uma única interface que cobre texto para vídeo, imagem para vídeo, vídeo a partir de imagens de referência e edição de vídeo, com saída em camadas de rascunho a 4K e trilha de áudio integrada
A partir de $0.450 /vídeo
Creatify
Modelo de geração de vídeo de baixo custo voltado para variantes em lote de criativos publicitários, com suporte a texto para vídeo, imagem para vídeo e geração de vídeos de fala multilíngues a partir de foto mais áudio, com entrega rápida
A partir de $0.015 /segundo
Basta enviar uma foto de corpo inteiro para gerar uma imagem do resultado do experimento da roupa especificada; com base em tecnologia de difusão, simula dobras e iluminação das peças, auxiliando na decisão de compra de roupas online
A partir de $0.107 /imagem
Modelo de conversão de texto em fala de baixa latência, que usa etiquetas de áudio incorporadas no texto para controlar timbre, velocidade da fala e sotaque, com suporte a mais de 70 idiomas e chamada por meio da interface unificada da HiAPI.ai
--
Modelo profissional de inpainting e outpainting, que substitui, remove ou estende pontos específicos da imagem conforme uma máscara binária, mantendo a consistência de iluminação e perspectiva; requer entrada de máscara, ideal para retoques refinados em vez de geração de imagem completa
FASHN
Modelo de provador virtual: basta inserir uma imagem de pessoa e uma imagem de roupa para gerar o efeito da peça vestida na modelo, com saída nativa de 864x1296, suporte a entrada de imagens de peças dispostas na horizontal e três modos de qualidade
Ampliador de imagens com IA leve, que remove ruído e preserva detalhes durante a ampliação, com baixo custo por uso, ideal como etapa de nitidez no final do fluxo de design
A partir de $0.004 /imagem
Primeira versão de pré-visualização pública da série Vidu Q4, focada em atuação de personagens e áudio nativo, com suporte a até 15 imagens e 3 trechos de áudio como referência de orientação, gerando vídeos de até 4K
A partir de $0.051 /segundo
Lightricks
Modelo de geração de vídeo acelerado da Lightricks, com suporte para geração de vídeo a partir de texto e a partir de imagem, geração sincronizada de imagem e áudio, ideal para produção rápida de vídeos e validação de protótipos
A partir de $0.086 /segundo
Runway
Ao ser lançado, ficou em primeiro lugar no ranking de texto para vídeo do Artificial Analysis com 1247 Elo, destacando-se em aderência ao prompt, física e movimento humano, ideal para storyboards de cinema e TV e criação de curtas de marca
A partir de $0.172 /segundo
Ampliação generativa de imagens que, ao elevar a resolução, redesenha e complementa texturas, detalhes e traços faciais, ideal para transformar materiais de baixa definição em produtos de alta resolução
A partir de $0.357 /imagem
Modelo de imagem que unifica texto para imagem e edição de imagem, com suporte nativo a resolução 2K e saída RGBA com canal alpha real, permitindo especificar várias regiões de edição com círculos, anotações à mão livre ou máscaras
A partir de $0.020 /imagem
Mureka
Um modelo de geração musical com arranjos mais contidos e mais espaço em branco, que se ajusta ao gênero, à instrumentação e à emoção do prompt, com vocais mais naturais; oferece dois modos: instrumental puro e canção com letra
A partir de $0.322 per request
Mirelo AI
Modelo de saída de áudio voltado para cenários de geração de efeitos sonoros, adequado para a produção e iteração em lote de materiais de efeitos sonoros para vídeos, jogos e outros conteúdos
A partir de $0.021 /segundo
Geração de vídeo de avatar digital falando com base em áudio: basta uma única imagem e uma faixa de voz para produzir um vídeo com sincronização labial, com suporte a cerca de 5 minutos de geração contínua; a versão Standard atinge até 720p
Série unificada de geração de vídeo multimodal, com suporte a texto para vídeo, imagem para vídeo, referência para vídeo e edição dentro do vídeo, sincronização labial nativa e áudio multilíngue
Modelo de geração de vídeo a partir de imagem lançado pelo Kuaishou, com destaque para fluidez de movimento e consistência de personagem, suporta prompts negativos e ajuste de CFG, ideal para gerar curtas com câmeras de alta dinâmica
Série de geração de imagens a partir de texto do Google, focada na renderização de texto dentro da imagem e em iluminação complexa, oferecendo três níveis — Fast, padrão e Ultra — que equilibram qualidade e custo
A partir de $0.030 /imagem
Modelo de geração e edição de imagens que se destaca pela tipografia nítida e pela edição local precisa em múltiplas rodadas, com 2K nativo, ideal para pôsteres, logotipos e design de embalagens
A partir de $0.011 /imagem
Use a imagem de referência para fixar o mesmo personagem, mantendo a consistência do rosto e do vestuário entre mudanças de cena, pose e iluminação, e aproveitando a vantagem de composição tipográfica dentro da imagem do Ideogram
A partir de $0.090 /imagem
Opção de geração de vídeo leve e de baixo custo, com suporte a texto-para-vídeo e imagem-para-vídeo, gerando efeitos sonoros e diálogos na mesma execução, ideal para produção em massa de curtas em alta frequência
A partir de $0.029 /segundo
Modelo multimodal de geração e edição de vídeo do Google, que aceita combinações de entrada de imagem, texto, áudio e vídeo, e permite ajustar planos e detalhes iterativamente por meio de diálogo em linguagem natural
Primeiro modelo de vídeo da Black Forest Labs, arquitetura multimodal unificada, com suporte a geração de vídeo a partir de texto, de imagem e continuação por keyframes, geração sincronizada de imagem e áudio nativo, com até cerca de 20 segundos em HD por vez
A partir de $0.090 /segundo
Modelo de geração de vídeo com suporte a texto para vídeo e imagem para vídeo, focado em baixa latência e produção rápida, com benchmarks públicos indicando geração de um clipe de 10 segundos em cerca de 11–12 segundos, adequado para iteração criativa e materiais de vídeos curtos
A partir de $0.061 /segundo
Bria
Modelo de imagem DiT de fluxo correspondente destilado de 8B da BRIA, gera imagens com amostragem de poucos passos de 4 a 6 etapas, suporta prompts estruturados em JSON e permite edição desacoplada por atributos
A partir de $0.058 /imagem
Modelo de edição de imagens voltado para fotos de produtos de e-commerce, capaz de inserir o produto naturalmente em cenários de fundo gerados a partir de texto ou de imagens de referência, preservando texturas e detalhes da marca
Modelo de edição de imagem focado em apagamento por máscara e reconstrução de regiões, que remove objetos-alvo conforme uma máscara em preto e branco e completa a cena, treinado com dados licenciados, ideal para limpeza em lote de materiais de e-commerce e marketing
