价格显示单位
Alibaba
低至 $0.030 /千字符
ByteDance
ByteDance cinematic video generation with native audio, multi-shot consistency, and 1080p output up to 10 seconds.
低至 $0.017 /秒
Google
低至 $0.036 /张
Kuaishou
低至 $0.330 /秒
低至 $0.021 /张
93 个模型
Moonshot AI
Moonshot AI 的旗舰级文本模型，主打文档理解与长上下文文本生成，适合研究与智能体任务
低至 $0.216 /百万 tokens
开源扩散视频模型，单次生成约5秒带44kHz同步音频与口型，支持文/图生视频并可超分至 Full-HD
低至 $1.93 /条
Black Forest Labs
Kontext 系列的旗舰图像编辑版本，擅长按自然语言指令做局部修改，提示词遵循和画面文字排版更强，适合品牌视觉与分镜批量产出
低至 $0.071 /张
阿里通义托管式多语言语音合成系列，含低延迟 Flash 与高音质 Plus 两档，支持用自然语言指令控制情绪与表达风格
Vidu
面向广告与社交短视频的参考图生视频模型，可约束主体外观与构图，适合快速出片与多版本迭代
低至 $0.149 /秒
快手视频生成模型，单次可生成 30 秒带立体声音频的视频，支持多关键帧与首尾帧控制，适合营销短片与分镜预演
OpenAI
OpenAI 双档位图像生成与编辑模型，Flare 主打速度、Sunburst 追求精度，兼顾文生图与多轮改图
低至 $0.017 /张
阿里 Wan 系列新一代视频生成模型，单次可出约 30 秒 1080p 片段，支持参考素材保持主体一致性，首次支持文档类结构化输入
低至 $0.040 /秒
xAI
xAI 的视频生成模型，图生视频可动画化静态画面并同步生成音频，支持 480p 至 1080p、最长 15 秒短片
低至 $0.011 /秒
字节 Seed 的音视频联合生成模型，支持最长 30 秒、最高 4K 的连续片段，并可基于多模态参考与时间戳级编辑精准控制画面
低至 $0.121 /秒
字节跳动多模态视频生成模型，支持文生、图生与参考生视频，可输出带原生音频同步的多镜头电影感短片
基于 Gemini 3 Pro 推理骨干的质量优先图像生成与编辑模型，强于多图角色一致性与文字渲染，支持 2K 原生输出并智能放大至 4K
低至 $0.057 /张
Google 面向规模化出图的快速图像模型，支持 512px 至原生 4K 与多种画幅，结合搜索实时信息生成，适合高频创作
面向自然语言驱动的图像生成与多轮对话式修图，编辑时能较好保持角色与主体一致性，并覆盖生成、编辑与增强
OpenAI 的图像生成与编辑模型，主打照片级真实感、高精度文字渲染和原生 4K 输出，适合含文字的商业物料与产品图
低至 $0.007 /张
Zhipu AI
智谱旗舰文本推理模型，聚焦复杂软件工程与长时程 Agent 任务，约 1M 上下文，推理常开并支持多档推理强度，同等得分下输出 token 更省
低至 $0.855 /百万 tokens
OpenAI 的 GPT-6 文本模型家族，按任务难度分层：Astra 面向最难的端到端任务，Sol 兼顾强推理与日常成本，并强化编码、数学与代理式工作流
低至 $0.0025 /百万 tokens
OpenAI 分档大模型系列（Sol/Terra/Luna），主打编码、复杂推理与网络安全，可按性能与成本曲线选型
低至 $0.005 /百万 tokens
Anthropic
Claude 5.5 系列含 Opus、Sonnet、Haiku 三档，可按任务复杂度与成本取舍，覆盖智能体编程、计算机使用与高并发批处理
低至 $0.100 /百万 tokens
面向企业长时程 Agent、编程与深度推理的通用文本模型，强项是在多轮复杂工作流中保持任务一致性
低至 $0.229 /百万 tokens
Google 视频生成模型，图像输入可原生生成带环境声与对白的 8 秒视频，最高支持 4K 并保持主体外观一致
低至 $0.290 /秒
Google 低成本高吞吐视频生成档位，速度与 Veo 3.1 Fast 持平，支持图生视频、多种画幅与时长
低至 $0.060 /秒
MiniMax
MiniMax 推出的视频生成模型，同时支持文生视频与图生视频，在动漫风格稳定性、全身动作渲染和面部微表情真实感上较前代提升，适合动漫短片与真人质感商业片创作
低至 $0.270 /条
阿里推出的图像生成与编辑模型，将文生图、多参考图组合与指令式编辑整合进同一工作流，支持长文本渲染与品牌色控
低至 $0.035 /张
字节跳动生产级图像生成模型，支持联网检索与多步逻辑推理、4K 输出及示例式编辑，适合商品图与信息图制作
低至 $0.025 /张
Recraft
面向生产的设计资产生成模型，支持原生可编辑 SVG 矢量输出，短提示即可稳定出图，适合图标、排版与品牌插画
低至 $0.010 /张
阿里第三代图像生成与编辑模型，擅长长提示词下的密集排版与多语言文字渲染，支持参考图编辑
阿里巴巴图像生成与编辑统一架构模型，擅长长篇中文文字渲染，支持最长 1000 token 指令与 2K 输出
低至 $0.042 /张
Moonshot AI 的开放权重前沿模型，原生支持文本、图像与视频理解，100 万 token 上下文，擅长长程编码与工具调用迭代
低至 $0.232 /百万 tokens
xAI 旗舰推理模型，强化高级推理、原生工具调用与实时搜索，支持长上下文与图像输入，适合高难度推理与 Agent 应用
低至 $0.210 /百万 tokens
DeepSeek
新一代文本模型系列，含 Pro 与 Flash 等版本，支持百万级 token 长上下文，面向编码、推理与智能体任务
低至 $0.014 /百万 tokens
旗舰级文本模型，具备 1M token 长上下文，定位深度推理、复杂编码与长周期自主 agent 任务
低至 $0.300 /百万 tokens
Luma
Luma 电影感视频生成模型，原生支持 HDR 与 EXR 导出，适合氛围空镜与广告、影视前期概念片，结构化镜头指令下提示遵循稳定
低至 $0.214 /条
PixVerse
PixVerse 旗舰视频生成模型，单模型覆盖文生视频与图生视频，支持精确相机控制、角色表演与参考图融合，面向成片级制作
低至 $0.036 /秒
Black Forest Labs 旗舰文生图模型，相比 Flux.1 Pro 生成速度约提升 6 倍，提示词遵循度更好，适合规模化出图
低至 $0.050 /张
阿里通义开源文生图模型，单流 DiT 架构约 60 亿参数，中英文文字渲染与双语指令遵循突出
低至 $0.008 /张
单次生成即联合产出视频与原生同步音频，支持多语言口型同步与最高 1080p 多画幅输出，适合口播与对白类短视频
低至 $0.168 /秒
Black Forest Labs 的蒸馏版文生图模型，120 亿参数 rectified flow transformer，侧重低延迟快速出图，适合概念图与草图批量生成
低至 $0.005 /张
Google 图像家族的轻量效率型号，主打低延迟低成本，适合快速构思与高吞吐出图，可无缝替换初代 Nano Banana
低至 $0.033 /张
输入歌词与音乐描述即可生成最长约5分钟、含人声与完整曲式结构的立体声歌曲，适合快速产出歌曲 Demo 与定制配乐
低至 $0.0026 /秒
文本生成完整歌曲的人声加器乐模型，新增 AI Cover 风格改编与自动写词，首次输出延迟宣称 20 秒内
低至 $0.210 /首
文生音乐模型，按风格描述与歌词一次生成含人声伴奏的完整歌曲，单曲最长约 4 分钟，支持用结构标签分段编排
低至 $0.070 /首
Google 进阶音乐生成模型，可生成约 3 分钟、48kHz 立体声完整成曲，理解前奏、主歌、副歌等段落结构，提示词遵循度优于 Lyria 3
低至 $0.140 /首
Ideogram
开源权重文生图模型，主打多语言文字渲染与原生 2K 输出，支持 JSON 提示与边界框布局控制
阿里 WAN 系列视频生成模型，支持文生、图生与参考引导视频，多参考输入可跨镜头保持人物与商品一致性
低至 $0.100 /秒
Veo 3.1 系列中主打快速出片的图生视频模型，画面与音频同步生成，适合营销、演示与社媒等成片型内容生产
低至 $0.170 /秒
字节跳动商业级图像模型，主打电影感光影、跨镜头角色一致性与多图参考编辑，适合电商与营销物料的高分辨率成图
低至 $0.045 /张
Google 旗舰音乐生成模型，先规划前奏、主歌、副歌等结构再生成带人声与歌词的完整歌曲，支持多语言演唱，可通过 HiAPI.ai 统一接口调用
低至 $0.090 /首
HeyGen
以约 15 秒参考视频构建可复用真人分身，把动作手势迁移到新脚本与场景并保持跨场景一致性
低至 $0.150 /秒
851 Labs
专注自动抠图的图像处理模型，可输出透明 PNG 或遮罩，适合电商商品图与人像批量去背景
低至 $0.002 /张
面向快速预览与高频迭代的视频生成模型，同时支持文生视频与图生视频，可出 1–15 秒、480p–1080p 片段，图生视频最多参考 7 张图
低至 $0.130 /秒
xAI 高保真图像生成与编辑模型，文字渲染与构图更稳，支持 1K/2K 输出与参考图一致性编辑
低至 $0.070 /张
xAI 图像生成与编辑模型，指令遵循与复杂版式渲染较强，支持参考图迭代改图，可输出 1K/2K 多宽高比图像
低至 $0.052 /张
90 亿参数整流流图像模型，步数蒸馏至 4 步，在紧凑架构中统一文生图与单/多参考图编辑，面向低延迟实时生成场景
低至 $0.0086 /张
40 亿参数蒸馏小模型，统一文生图与图像编辑，端到端推理可低至 1 秒内，约 13GB 显存即可运行
低至 $0.0004 /张
Black Forest Labs 的图像生成与编辑家族，支持基于参考图的风格迁移与多参考图融合，编辑时尽量保留原构图与主体位置
Black Forest Labs 多模态家族中的图像方向模型，与视频、音频共享联合训练架构和 Self-Flow 框架，适合基于 FLUX 体系的图像生成管线升级
低至 $0.041 /张
Meta
Meta 的推理式图像生成与编辑模型，先拆解复杂提示再渲染，可融合多张参考图并借助网页检索保证事实准确
低至 $0.015 每次任务
统一多模态视频模型，一个上下文同时处理文本、图像、视频与音频，支持文生、图生、参考生视频与指令式编辑，并可生成同步音频
低至 $0.072 /秒
上传单张照片加脚本即可生成带口型同步、面部表情与手势的说话头像视频，支持 1280p+ 输出，适合数字发言人与口播内容
阿里视频生成模型，单模型覆盖文生、图生与参考图生视频，支持 1080p 与 3–15 秒片段，多参考图融合强化角色一致性，适合多镜头叙事与电商广告素材
低至 $0.160 /秒
xAI 的创意生成模型，支持图生图编辑与风格引导，最高可用 9 张参考图控制构图与人物；通过 HiAPI.ai 统一接口调用
ElevenLabs
面向开发者的语音与音频生成家族，覆盖文本转语音、对话式语音、音效与音乐生成
低至 $0.0029 /秒
Wan 2.6 系列的速度优化图生视频版本，成本更低、出片更快，适合草稿探索与高频批量生成，画面精细度不及标准版
低至 $0.043 /秒
Krea
支持文本生成与参考图编辑，原生 2K 输出，单次编辑约 8 秒，适合高频视觉迭代与素材复用
Krea 2 系列中速度优先的蒸馏加速版本，按张计费成本低，适合快速迭代与设计概念探索
面向视频生成与编辑的多模态模型，单一接口覆盖文生、图生、参考图生视频与视频编辑，草稿到 4K 分层输出并自带音轨
低至 $0.450 /条
Creatify
面向广告素材批量变体的低成本视频生成模型，支持文生视频、图生视频及照片加音频生成多语言说话视频，出片快
低至 $0.015 /秒
上传全身照即可生成试穿指定服饰的效果图，基于扩散技术模拟衣物褶皱与光影，辅助线上购衣决策
低至 $0.107 /张
低延迟文本转语音模型，用嵌入文本的音频标签控制音色、语速与口音，支持 70 多种语言并通过 HiAPI.ai 统一接口调用
--
专业级局部重绘与外扩模型，按二值掩码定点替换、移除或延展画面，并保持光照与透视一致；需掩码输入，适合精修而非整图生成
FASHN
虚拟试衣模型，输入人物图与服装图即可生成模特上身效果，原生输出 864x1296，支持平铺图输入与三档质量模式
轻量级 AI 图像放大器，放大时兼顾去噪与细节保留，单次成本低，适合作为设计流程的后期清晰化环节
低至 $0.004 /张
Vidu Q4 系列首个公开预览版，主打角色表演与原生音频，支持最多 15 张图与 3 段音频参考引导，输出最高 4K 视频
低至 $0.051 /秒
Lightricks
Lightricks 的加速版视频生成模型，支持文生视频与图生视频，画面与音频同步生成，适合快速出片与原型的验证
低至 $0.086 /秒
Runway
发布时在 Artificial Analysis 文生视频榜以 1247 Elo 居首，提示词遵循、物理与人体运动表现突出，适合影视分镜与品牌短片创作
低至 $0.172 /秒
生成式图像放大，在提升分辨率的同时重绘补充纹理、细节与人脸特征，适合把低清素材做成高分辨率成品
低至 $0.357 /张
统一文生图与图像编辑的图像模型，原生支持2K分辨率与带真实alpha通道的RGBA输出，可用圆圈、手绘标注或mask指定多个编辑区域
低至 $0.020 /张
Mureka
编曲更克制、留白更足的音乐生成模型，贴合提示词的流派、编制与情绪，人声更自然；支持纯器乐与歌词成曲两种模式
低至 $0.322 每次
Mirelo AI
面向音效生成场景的音频输出模型，适用于视频、游戏等内容的音效素材生产与批量迭代
低至 $0.021 /秒
音频驱动的数字人说话视频生成，单张图加语音即可输出口型同步视频，支持约 5 分钟连续生成，Standard 版最高 720p
统一多模态视频生成系列，支持文生视频、图生视频、参考生视频与视频内编辑，原生口型同步与多语言音频
快手推出的图生视频模型，运动流畅度与角色一致性突出，支持负向提示词与 CFG 调节，适合高动态镜头短片生成
Google 文生图系列，主打图像内文本渲染与复杂光照，提供 Fast、标准、Ultra 三档按质量与成本取舍
低至 $0.030 /张
以排版文字清晰、多轮精准局部编辑见长的图像生成与编辑模型，原生 2K，适合海报、Logo 与包装设计
低至 $0.011 /张
以参考图锁定同一角色，跨场景、姿态、光照变更保持面部与服装一致，并延续 Ideogram 的图像内文字排版优势
低至 $0.090 /张
轻量低成本视频生成档，支持文生与图生视频，同次生成音效与对白，适合高频批量产出短片
低至 $0.029 /秒
Google 的多模态视频生成与编辑模型，支持图文音视频组合输入，并可通过自然语言对话迭代调整镜头与细节
Black Forest Labs 首个视频模型，统一多模态架构，支持文生视频、图生视频与关键帧续写，画面与原生音频同步生成，单次最长约 20 秒 HD
低至 $0.090 /秒
支持文生视频与图生视频的视频生成模型，主打低延迟快速出片，公开基准称 10 秒片段约 11–12 秒生成，适合创意迭代与短视频素材
低至 $0.061 /秒
Bria
BRIA 的 8B 流匹配 DiT 蒸馏版图像模型，4 到 6 步少步采样即可出图，支持 JSON 结构化提示，可按属性解耦编辑
低至 $0.058 /张
面向电商产品图的图像编辑模型，可将产品自然置入文本或参考图生成的场景背景，保留纹理与品牌细节
专注遮罩擦除与区域重建的图像编辑模型，按黑白遮罩移除目标物体并补全画面，基于授权数据训练，适合电商与营销素材的批量清理
