Updates, die für Ihre Integration zählen

• Claude Sonnet 5.5 ist da. Anthropics neuestes Sonnet, veröffentlicht am 28. September, auf einem einzigen OpenAI-kompatiblen Endpunkt: Texteingabe, 1.000.000 Token Fenster, bis zu 128.000 Token Ausgabe — doppelt so viel wie bei Sonnet 5. Antworten lassen sich per SSE streamen, fehlgeschlagene Anfragen werden nicht berechnet.
• 24 von 24 Inhaltstests vollständig geschrieben. Keine Ablehnung, nichts abgeschwächt, auch alle neun Anfragen nach einer intimen Szene zwischen Erwachsenen — Sonnet 5 hatte alle direkten und in die Geschichte eingebetteten Anfragen abgelehnt.
• Sechs Aufwandsstufen. reasoning_effort reicht von none bis max, Standard ist medium; none überspringt den Denkschritt, xhigh und max liefern das Reasoning mit. tool_choice akzeptiert nur auto oder none, temperature und top_p werden nicht angenommen.
• Anthropics Listenpreis. 2 $ je Million Eingabe-Tokens, 0,20 $ zwischengespeichert, 2,50 $ für das Schreiben in den Cache und 10 $ für die Ausgabe — derselbe Listenpreis wie bei Sonnet 5.

Zwei auf Erwachsenenszenen abgestimmte Fassungen von Alibabas Wan 3.0 sind jetzt auf SpicyAPI verfügbar. Beide machen aus einem Startbild 2 bis 30 Sekunden Video in 480p, 720p oder 1080p, mit erzeugtem Ton und optionalem letztem Bild.

Welche Fassung? Für die meisten Clips empfehlen wir, mit dem regulären Wan 3.0 oder Wan 3.0 Prime zu beginnen. Beide sind auf SpicyAPI ebenfalls unzensiert, kosten pro Sekunde weniger (in 480p $0.045 für Wan 3.0 statt $0.057 für Wan 3.0 Spicy, $0.0612 für Wan 3.0 Prime statt $0.09 für Prime Spicy), lassen die Kleidung an, wenn der Prompt das verlangt, und bieten zusätzlich Text-to-Video und Reference-to-Video. Zu einer Spicy-Fassung greifen Sie, wenn Sie ein Modell wollen, das von sich aus ins Erwachsene zieht; bei Prime hat Prime Spicy außerdem die intime Zwei-Personen-Stufe umgesetzt, die das reguläre Wan 3.0 Prime in unserem Test abgeschwächt hat.

Was wir getestet haben. Wir haben unsere Inhaltsleiter mit sechs Stufen bei beiden Modellen in 480p durchgespielt: ein abrutschender Träger, oben ohne, vollständige Nacktheit, zwei Erwachsene in einer intimen Szene, einvernehmliche Fesselspiele und Impact Play sowie Filmgore. Jede Stufe kam bei beiden wie geschrieben zurück – nichts abgelehnt, nichts verdeckt, niemand durch eine andere Person ersetzt. Bei Wan 3.0 Prime Spicy gilt das auch für die intime Zwei-Personen-Stufe, die das Standardmodell Wan 3.0 Prime in unserem früheren Test entschärft hatte.

Das sollten Sie vor dem Livegang wissen. Beide Modelle ziehen von sich aus ins Erwachsene. Bei bekleideten Startbildern und Prompts, in denen die Person bekleidet bleiben sollte, entkleidete Wan 3.0 Spicy die Person in vier von sechs Clips und Prime Spicy in zwei von vier. Prüfen Sie ganze Clips statt nur Vorschaubilder, und nehmen Sie das Standardmodell Wan 3.0, wenn die Kleidung anbleiben muss.

Details. Jede ganze Sekundenzahl von 2 bis 30. Seitenverhältnis 16:9, 9:16, 1:1, 4:3 oder 3:4, oder weglassen, um dem Startbild zu folgen. Mit last_image_url legen Sie fest, wie der Clip endet. In unserem ersten Durchlauf brauchte ein fünfsekündiger 480p-Clip bei Wan 3.0 Spicy etwa anderthalb Minuten und bei Prime Spicy etwa zwei bis zweieinhalb Minuten. Abgerechnet wird pro angeforderter Sekunde.

Seedream 5.0 Flash von ByteDance ist jetzt mit drei Endpunkten auf SpicyAPI verfügbar. Die Ebenentrennung – ein Bild hinein, eine saubere Basisebene plus bis zu 16 transparente PNG-Ebenen heraus – gibt es für Flash und für Seedream 5.0 Pro.

Seedream 5.0 Flash. Die leichtere Seedream-Stufe. 1K, 1,5K und 2K kosten alle 0,029 $, daher ist die schärfste Stufe (2K) der Standard. Prompts bis 5.000 Zeichen, fünfzehn Seitenverhältnisse von 1:3 bis 3:1, Ausgabe als JPEG oder PNG. Für Inhalte für Erwachsene brauchen Sie keinen zusätzlichen Schalter und keinen eigenen Endpunkt: Dessous, Boudoir und andere erwachsene Szenen werden wie jeder andere Prompt umgesetzt, sowohl bei Text-zu-Bild als auch beim Bearbeiten.

Ebenentrennung. Sie senden ein Bild und benennen auf Wunsch, was getrennt werden soll („der Titeltext und der Papagei“). Sie erhalten eine Basisebene, aus der diese Elemente entfernt und der Hintergrund aufgefüllt wurde, sowie für jedes Element ein transparentes PNG. Jede Ebene lässt sich verschieben, skalieren, umfärben oder austauschen. Typische Einsatzzwecke: die Schlagzeile eines Plakats ändern, den Hintergrund eines Produktfotos tauschen, eine Person aus einem Gruppenfoto herauslösen oder Ebenen für Animationen vorbereiten. Nach jeder Generierung können Sie das Ergebnis auch direkt an „In Ebenen aufteilen“ weitergeben.

Flash oder Pro für Ebenen? Pro liefert zusätzlich Name und Position jeder Ebene auf der Basisebene. Deshalb wird die Ergebnisansicht im Web zu einer Arbeitsfläche, auf der Sie Ebenen ein- und ausblenden, verschieben und den sichtbaren Stapel als ein PNG exportieren können. Flash liefert einzelne Freisteller ohne Positionen, als Leiste dargestellt, die Sie Ebene für Ebene oder als ZIP-Datei herunterladen. Zudem nimmt Pro auch freizügigere Eingabefotos an, die Flash ablehnt.

Abrechnung. Jedes Ausgabebild zählt, die Basisebene eingeschlossen, bis zu 17 pro Anfrage. Bei der Annahme reservieren wir 17 Bilder und erstatten die Differenz, sobald die tatsächliche Anzahl feststeht. Ein typischer Durchlauf ergibt 3 bis 9 Bilder, bei Flash also 0,06–0,18 $.

Mehr dazu. Seedream 5.0 Flash API im Test · Ein Bild per API in Ebenen zerlegen

Fünf weitere Sprachmodelle sind jetzt auf SpicyAPI verfügbar und ergänzen Gemini 2.5 Pro TTS. Keines von ihnen setzt einen Inhaltsfilter ein: In unseren Tests haben alle fünf NSFW-Skripte vollständig gelesen.

• Gemini 3.8 Flash TTS — Googles neuestes Sprachmodell. Bis zu 5.000 Zeichen, 30 Stimmen, Ausgabe als WAV, und es spielt Regieanweisungen in eckigen Klammern wie [whispering] oder [sighs] aus. 0,00032 $ pro Sekunde Audio.
• Gemini 3.8 Flash-Lite TTS — der schnellere, günstigere Ableger. Dieselben 30 Stimmen; manchmal liest es Tags in Klammern laut vor, buchstabieren Sie Geräusche daher aus. 0,00021 $ pro Sekunde Audio.
• Seed Speech 2.0 von ByteDance — 41 voreingestellte Stimmen in zehn Sprachen, ein Hinweis in Klartext zur Betonung, Ausgabe als MP3. 0,072 $ pro 1.000 Zeichen.
• Qwen3 TTS von Alibaba — Open Source, neun Stimmen, darunter Japanisch, Koreanisch und zwei chinesische Dialektsprecher. 0,068 $ pro 1.000 Zeichen, mindestens 100 Zeichen.
• Chatterbox von Resemble AI — eine Open-Source-Stimme für Englisch mit einem Regler für die Ausdrucksstärke. Bis zu 1.000 Zeichen für pauschal 0,036 $ pro Anfrage.

Der Preis steht schon vor dem Start fest. Seed Speech 2.0 und Qwen3 TTS sind die ersten Modelle, die pro Zeichen abgerechnet werden: Die Anzahl ist von vornherein bekannt, daher ist der angezeigte Preis bereits der endgültige. Die Gemini-Modelle rechnen pro Sekunde gelieferten Audios ab, mit einer Reservierung, die freigegeben wird, sobald das Audio gemessen ist.

Was sie nicht können. Keiner dieser Endpunkte klont Stimmen, und keiner unterstützt einen Zwei-Stimmen-Dialog in einer Anfrage — erzeugen Sie jede Zeile mit ihrer eigenen Stimme und fügen Sie die Dateien zusammen.

Googles Gemini 2.5 Pro Sprachsynthese ist jetzt auf SpicyAPI als google/gemini-2.5-pro-tts/text-to-speech verfügbar.

• Eingabe: ein Skript mit bis zu 5.000 Zeichen. Hinweise in eckigen Klammern wie [sighs] werden gespielt, nicht vorgelesen.
• Stimme: eine von 30 vorgefertigten Stimmen mit jeweils festem Charakter – von hell und fest bis hauchig und warm.
• Regie: ein optionaler Stil (whisper, empathetic, vocalsmile, newscaster, promohype oder deadpan), einer von 8 englischen Akzenten sowie freier Text in instructions zu Tempo, Stimmung und Zielperson – nichts davon wird mitgesprochen.
• Ausgabe: eine WAV-Datei, 24 kHz, 16 Bit, Mono.
• Preis: 0,00045 $ pro Sekunde gelieferten Audios (rund 0,027 $ pro Minute), 10 % unter Googles Listenpreis. Während die Aufgabe läuft, wird ein Betrag für den längstmöglichen Clip reserviert und freigegeben, sobald das Audio gemessen ist; fehlgeschlagene Anfragen werden nicht berechnet.

Wie weit es geht. Wir setzen keinen eigenen Inhaltsfilter ein. In unseren Tests hat das Modell NSFW-Skripte vollständig gelesen – direkte Dialogzeilen, erzählte Fiktion, hauchige Stimm-Hinweise –, ohne Wörter auszulassen oder den Clip abzuschneiden. Dieser Endpunkt unterstützt keinen Zwei-Stimmen-Dialog und kein Voice-Cloning: pro Anfrage steht eine der 30 vorgefertigten Stimmen zur Verfügung.

Gemini 2.5 Pro TTS ausprobieren →

Anthropics neuestes Opus, veröffentlicht am 22. September, ist jetzt auf SpicyAPI als anthropic/claude-opus-5.5/chat verfügbar, über einen OpenAI-kompatiblen Endpunkt unter /v1/chat/completions.

• Preis: 3,60 $ pro Million Eingabe-Tokens, 0,18 $ für zwischengespeicherte Tokens, 4,50 $ für das Schreiben in den Cache und 18 $ für Ausgabe-Tokens – 10 % unter Anthropics Listenpreis.
• Kontextfenster: 1.000.000 Tokens Eingabe, bis zu 128.000 Ausgabe.
• Denken ist immer aktiv: reasoning_effort akzeptiert low, medium oder high, mit medium als Standard.
• Tools: bis zu 128 Definitionen; tool_choice akzeptiert nur auto oder none, da das Modell einen erzwungenen Tool-Aufruf ablehnt.

Wie weit es geht. Wir fügen keinen eigenen Inhaltsfilter hinzu. Am Launch-Tag haben wir ihm 24 Adult-Content-Tests in drei Prompt-Stilen geschickt, und keiner wurde abgelehnt. Unter einem System-Prompt für Adult-Fiction hat es jede intime Szene vollständig ausgeschrieben; bei direkter Anfrage hat es meist eine entschärfte Version geschrieben, wo Claude Opus 5 komplett abgelehnt hätte.

Claude Opus 5.5 ausprobieren →

Klings aktuelle Video-Modellreihe ist jetzt bei SpicyAPI verfügbar – abgerechnet pro Sekunde in US-Dollar, ganz ohne Paket, das Sie im Voraus kaufen müssten.

• Kling O3 (kling/o3/text-to-video, /image-to-video, /reference-to-video, /video-edit): Kling 3.0 Omni. Bringen Sie bis zu sieben Referenzfotos in eine einzige Einstellung ein, bearbeiten Sie einen bereits vorhandenen Clip (eine 3 bis 10 Sekunden lange Quelle) und nutzen Sie intelligente Multi-Shot-Schnitte sowie nativen Ton, bis zu 4K.
• Kling 3.0 (kling/3.0/text-to-video, /image-to-video, /character-animation): das Flaggschiff, mit erstem und letztem Frame, bis zu 4K und zuschaltbarem Ton. Motion Control überträgt Bewegungen, Mimik und Gesten aus einem 3 bis 30 Sekunden langen Clip auf Ihre eigene Figur.
• Kling 3.0 Turbo (kling/3.0-turbo/text-to-video, /image-to-video): jeder Clip kommt mit nativem Ton, in 720p oder 1080p.
• Kling 2.6 (kling/2.6/text-to-video, /image-to-video, /character-animation): Klings erstes Modell mit nativem Ton, 1080p in 5 oder 10 Sekunden, mit eigenem Motion Control.
• Kling 2.5 Turbo (kling/2.5-turbo/text-to-video, /image-to-video): preisgünstiges 1080p in 5 oder 10 Sekunden, mit Schlussframe, Negative Prompt und Guidance.
• Kling 2.1 (kling/2.1/image-to-video) und Kling 2.1 Master (kling/2.1-master/text-to-video, /image-to-video): die vorherige Generation, von 720p-Image-to-Video bis zum hochauflösenden 1080p von Master.
• Kling Avatar 2.0 (kling/avatar-2.0/talking-avatar): ein Porträt und eine Audiospur genügen, damit diese Person spricht oder singt, solange die Audiodatei läuft – bis zu etwa fünf Minuten.

Kling prüft Inhalte selbst: Angedeutetes kommt manchmal durch, alles Freizügigere wird abgelehnt, und eine abgelehnte Anfrage wird nie berechnet. Für Inhalte für Erwachsene nutzen Sie eine unserer Spicy-Familien.

Kling O3, Kling 3.0, Kling 2.5 Turbo und Kling Avatar 2.0 liegen unter Klings eigenem Listenpreis pro Sekunde.

Drei neue Bildfamilien betreiben offene Modelle mit bis zu drei eigenen LoRA-Dateien pro Anfrage, jede mit eigener Stärke. Jedes Bild kostet einen Fixpreis, unabhängig vom Seitenverhältnis.

• Z-Image Turbo LoRA (alibaba/z-image-turbo-lora/text-to-image, /edit): Alibabas Z-Image Turbo mit 8 Schritten, wenige Sekunden pro Bild, neun Seitenverhältnisse mit etwa einem Megapixel, dazu Bild-zu-Bild mit regelbarer Stärke.
• FLUX.1 Dev LoRA (black-forest-labs/flux-1-dev-lora/text-to-image): FLUX.1 [dev] von Black Forest Labs, das Basismodell mit mehr als tausend Community-LoRAs auf Hugging Face, mit regelbarer Guidance.
• Qwen Image 2512 LoRA (alibaba/qwen-image-2512-lora/text-to-image, /edit): Qwen-Image-2512 mit bis zu 1536 Pixeln an der langen Seite, dazu Bearbeitung mit Qwen-Image-Edit-2511 aus einer bis drei Quellen und mit Bearbeitungs-LoRAs, etwa für neue Kamerawinkel.

Eine LoRA ist ein direkter Link auf eine .safetensors-Datei: kein Upload, keine Positivliste, keine Prüfung. Alle fünf Endpunkte sind unzensiert, und das Laden von LoRAs kostet nichts extra.

Am 26. September sind acht Endpunkte mit je einer Aufgabe live gegangen. Jeder erledigt einen Arbeitsschritt an einem Bild oder Clip, den Sie schon haben, zu einem festen Preis. Rufen Sie sie wie jedes andere Modell auf, oder nutzen Sie sie in Spicy Studio unter „Werkzeuge“ und direkt an Ihren Ergebnissen.

Was die Rechnung bestimmt:

• Video-Upscaling wird nach der Länge des Ausgangsclips berechnet, auf volle Sekunden aufgerundet, mindestens 3 Sekunden.
• Sprechender Avatar und Lippensynchronisation werden nach dem gelieferten Video berechnet, das so lang ist wie Ihr Audio (mindestens 3 Sekunden). Ein Clip, der kürzer ist als das Audio, wird bei der Lippensynchronisation geloopt.
• Soundeffekte werden nach dem angeforderten duration_seconds berechnet (1–30, Standard 8), nicht nach Ihrem Clip – stellen Sie den Wert also auf die Cliplänge ein. Erzeugt werden Effekte und Atmo, keine Dialoge und keine Musik.
• Audio- und Video-Eingaben müssen direkte Links auf die Datei sein; am zuverlässigsten ist der Upload. Eingaben außerhalb der zulässigen Länge werden abgelehnt, bevor etwas berechnet wird.

xAI hat Grok 4.7 am 21. September veröffentlicht, und xai/grok-4.7/chat ist hier seit dem 22. September aufrufbar – im selben OpenAI-Chatformat und mit SSE-Streaming wie die anderen Grok-Endpunkte.

• 40% unter dem von xAI veröffentlichten Preis in der Standardstufe ($2 / $0.50 / $6) und 60% unter dessen Long-Context-Stufe ($4 / $1 / $12).
• Auf dieser Route unzensiert. Am 22. September kamen neun Schreibproben von Stufe 4 unserer fünfstufigen Inhaltstests, in drei Prompt-Stilen, als neun vollständige Szenen ohne Ablehnung zurück; am 24. September bestand das Modell auch alle übrigen Stufen, die oberste eingeschlossen. Einen eigenen Filter setzen wir nicht davor.
• Die System-Rolle wird beachtet – gezielt geprüft –, sodass ein Rahmen vom Anfang eines Threads bis zum Ende trägt.
• Reasoning wird als Ausgabe berechnet. Der Standard high kostet mehr, als es aussieht; für Dialoge liest sich low oder medium besser und ist günstiger.

Seit dem 24. September akzeptieren beide MiniMax-H3-Max-Endpunkte neben 768p auch resolution: "480p".

Die Preise gelten pro Sekunde Ausgabe und entsprechen den von MiniMax selbst veröffentlichten Tarifen. 480p ist eine native Stufe, keine Verkleinerung – der günstige Weg, Bewegung und Bildaufbau zu prüfen, bevor Sie für 768p bezahlen.

Fünf Inhaltslabels haben sich geändert. Eine weitere Runde Inhaltstests auf den Routen, die wir bedienen, wurde am 24. September abgeschlossen. Diese Labels sind neu:

• Abgeschwächt heißt: Eine Anfrage jenseits der eigenen Grenzen des Modells schlägt nicht fehl, sondern kommt entschärft zurück und wird wie jeder Erfolg abgerechnet. Prüfen Sie also die Ausgabe, nicht den Statuscode. Gefiltert heißt: Die Anfrage wird mit content_rejected abgelehnt und erstattet.
• Falls Sie nach unserer Meldung vom 21. September H3 Max Bild-zu-Video für unzensierte Arbeit gewählt haben: Das Label „Unzensiert“ tragen jetzt minimax/h3/image-to-video (ab $0.025 pro Sekunde) und beide Wan-2.5-Endpunkte.

Vier Familien kommen in den Videokatalog, abgerechnet je Ausgabesekunde. Jede trägt ein gemessenes Inhaltskennzeichen, kein angenommenes.

• minimax/h3-max/image-to-video und text-to-video — $0,08 pro Sekunde. Bild-zu-Video ist Uncensored, Text-zu-Video ist Softened: Ein freizügiger Prompt liefert dort ein abgeschwächtes Ergebnis statt eines Fehlers und wird trotzdem berechnet. Prüfen Sie die Ausgabe, nicht den Statuscode.
• alibaba/wan-2.6/text-to-video und image-to-video — $0,09 pro Sekunde, beide Uncensored. reference-to-video kostet $0,065 pro Sekunde und ist Filtered: Es weist freizügige Anfragen rundheraus ab.
• alibaba/wan-2.6-flash/image-to-video — $0,0225 pro Sekunde, Uncensored. Mit deutlichem Abstand das günstigste Video pro Sekunde im Katalog.
• lightricks/ltx-2.5/text-to-video und image-to-video — $0,09 pro Sekunde, beide Uncensored.
• vidu/q3-pro/image-to-video zu $0,054 und vidu/q3-turbo/image-to-video zu $0,042 pro Sekunde, beide Uncensored.

Die Kennzeichen stammen aus echten Messungen auf der Route, die wir tatsächlich bedienen — ändert sich die Route, ändert sich das Kennzeichen. Ein Modell ohne Kennzeichen haben wir noch nicht gemessen: Lieber sagen wir nichts, als für Sie zu raten.