Updates, die für Ihre Integration zählen

Drei Chat-Endpunkte kommen hinzu, und die Reasoning-Einstellungen der vorhandenen Textmodelle entsprechen jetzt dem, was der jeweilige Anbieter tatsächlich unterstützt.

• zai/glm-5.3/chat — $1,05 Eingabe / $0,195 Cache / $3,30 Ausgabe je 1 Mio. Token, 25% unter dem von Z.ai veröffentlichten Preis. Inhaltskennzeichen: Light — die Beschränkungen sind lockerer, einzelne reine Textprompts können aber weiterhin begrenzt werden.
• zai/glm-5.3-flash/chat — $0,1275 / $0,0255 / $0,425 je 1 Mio. Token, Uncensored.
• deepseek/v4.1-flash/chat — aktueller Preis $0,30 / $0,006 / $1,20 je 1 Mio. Token, Uncensored.

Reasoning Effort gilt jetzt je Modell, statt einer überall kopierten Liste. Claude 4.5 und 4.6 tragen die Stufen, die Anthropic für sie veröffentlicht; Gemini hat die Stufe minimal bekommen; DeepSeek akzeptiert none, und wir haben gemessen, dass es das Reasoning wirklich abschaltet statt es nur zu senken. Stufen, die ein Anbieter nicht anbietet, führen wir auch nicht auf — Grok 4.5 und 4.6 lehnen reasoning_effort: none stromaufwärts ab, 4.3 nimmt es an.

Ein Hinweis zur Kalkulation, über den viele stolpern: Reasoning-Token zählen gegen max_tokens. Ein Prompt, der um 150 Wörter bittet, kann bei hoher Stufe trotzdem mehrere tausend Token verbrauchen. Bemessen Sie das Limit also danach, was das Modell tatsächlich ausgibt, nicht nach der Antwortlänge, die Sie lesen möchten.

Drei neue Familien betreiben das Open-Weights-Modell MiniMax H3 mit bis zu drei eigenen LoRA-Dateien pro Anfrage, jede mit eigener Stärke von 0 bis 4.

• MiniMax H3 LoRA (minimax/h3-lora/text-to-video, /image-to-video, /reference-to-video): 3 bis 15 Sekunden in 480p, 540p, 768p oder 1080p, mit Stereoton aus demselben Durchgang. Referenz-zu-Video nimmt bis zu neun Bilder, drei Clips und drei Audioclips.
• MiniMax H3 Singularity LoRA (minimax/h3-singularity-lora/image-to-video, /reference-to-video): das HDR-trainierte Community-Fine-Tune von H3 für schnelle Action, Tanz und Totalen, in denen Gesichter erkennbar bleiben müssen. Ihre H3-LoRAs laden darauf unverändert.
• MiniMax H3 Image LoRA (minimax/h3-image-lora/text-to-image, /edit): H3 als Bildmodell in 1k oder 2k, mit Bearbeitung aus bis zu neun Referenzen. Gestalten Sie hier das Startbild und animieren Sie es anschließend mit derselben LoRA.

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

Alibaba hat Qwen-Image-2.1 heute als Open Source veröffentlicht; seit heute steht es im Katalog. Vier Endpunkte: Generierung und Referenzbearbeitung, jeweils in einer schlichten Ausgabe und in einer LoRA-Ausgabe, die die Gewichtsdateien lädt, auf die Sie zeigen.

• Eigene Gewichte mitbringen. Bis zu drei LoRA-Dateien pro Anfrage, jede mit eigener Stärke, angegeben als direkter HTTPS-Link auf eine .safetensors-Datei oder als Hugging-Face-Repository. Kein Upload-Schritt, keine Positivliste, keine Freigabewarteschlange.
• Zwischen Prompt und Modell steht nichts. Alle vier Endpunkte sind unbeschränkt: kein Filter vor dem Modell, kein Kennzeichen für Erwachseneninhalte, keine Erklärung, die der Anfrage beiliegen müsste.
• Fünfzehn Seitenverhältnisse, drei Auflösungsstufen. Von 3:1- und 21:9-Streifen bis zu 1:3- und 9:21-Säulen, in 1k, 1,5k oder 2k.
• Die Bearbeitung nimmt bis zu zehn Referenzbilder. Jedes fließt in die Schätzung ein, die Sie vor dem Absenden sehen: Schicken Sie die Referenzen, die etwas bewirken, und lassen Sie den Rest weg.

Sechs Endpunkte kommen zur Swap-Familie hinzu, drei davon für Video. Der Unterschied liegt darin, wie viel tatsächlich mitwandert.

Bilder

• spicyapi/face-swap-pro-v1/edit — es wandern nur die Gesichtszüge. Frisur, Haaransatz, Kopfsilhouette, Pose, Kleidung, Licht und Hintergrund der Zielperson bleiben, wie sie waren. $0,16 pro Bild.
• spicyapi/face-swap-v1-plus/edit — überträgt das Gesicht und gleicht dabei den Hautton zwischen beiden Bildern an; die Engine blendet entweder nur das Gesicht oder den ganzen Kopf ein, je nachdem, was besser wirkt. $0,16 pro Bild.
• Die ursprünglichen spicyapi/face-swap-v1/edit und spicyapi/head-swap-v1/edit bleiben bei $0,013 pro Bild.

Video

• spicyapi/face-swap-video-v1/video-edit — trägt die Züge aus einem einzigen Referenzbild durch jedes Einzelbild. Frisur, Kopfsilhouette, Bewegung, Kleidung und Licht der auftretenden Person bleiben unangetastet. $0,0325 pro Ausgabesekunde.
• spicyapi/head-swap-video-v1/video-edit — Haare, Kopfform und Identität ändern sich. $0,064 pro Ausgabesekunde.
• spicyapi/character-swap-v1/video-edit — die ganze Figur wechselt, Kleidung eingeschlossen. $0,064 pro Ausgabesekunde.

Die beiden Video-Endpunkte für mehrere Personen sind bewusst zweistufig. Rufen Sie zuerst den zugehörigen video-analyze-Endpunkt auf, $0,08 pro Anfrage: Er verfolgt jede erkennbare Person durch den Clip und liefert je ein Vorschaubild, in fester Reihenfolge — das erste Bild ist Position 0, das zweite Position 1. Anschließend übergeben Sie die gewählten Positionen mit je einem bis drei Referenzfotos. Es bleibt nichts zu raten, auf welche Person das Modell wirkt.

Drei xAI-Modelle, je ein chat-Endpunkt, alle im OpenAI-Format und mit Streaming.

• 40% unter dem von xAI veröffentlichten Preis, in jeder Stufe, abgeglichen mit deren Preisseite am 19. September 2026.
• Nur 4.3 akzeptiert reasoning_effort: none. Bei 4.5 und 4.6 wird dieser Wert stromaufwärts abgelehnt; die übrigen vier Stufen funktionieren bei allen dreien.
• 4.5 cacht günstiger als 4.6 ($0,18 gegenüber $0,30 je 1 Mio. gecachte Eingabetoken) und ist sonst gleichauf.
• Prompts ab 200.000 Token werden mit dem höheren Long-Context-Tarif abgerechnet, genau wie bei xAI. Reasoning-Token zählen gegen max_tokens — planen Sie sie ein.
• Diese Routen nehmen Text und Bilder entgegen. Datei- oder PDF-Bestandteile akzeptieren sie nicht.

Fünf Bild-Endpunkte über eine Preisspanne von Faktor vier — so wählen Sie die Stufe passend zur Aufgabe, statt für ein Vorschaubild den Höchstsatz zu zahlen.

• bytedance/seedream-4.0/text-to-image und bytedance/seedream-4.0/edit — $0,03 pro Bild, beide Uncensored. Der edit-Endpunkt nimmt ein vorhandenes Bild und eine schriftliche Anweisung entgegen.
• krea/2-large/text-to-image — $0,06 pro Bild, Filtered.
• krea/2-medium/text-to-image — $0,03 pro Bild, Softened.
• krea/2-medium-turbo/text-to-image — $0,015 pro Bild, Filtered. Nach der Swap-Familie der günstigste Bild-Endpunkt im Katalog.

Zwei Dinge lohnen sich vor der Wahl. Die Krea-Stufen unterscheiden sich nicht nur im Preis, sondern darin, was sie überhaupt annehmen: Filtered weist freizügige Anfragen rundheraus ab, Softened liefert ein abgeschwächtes Ergebnis und rechnet es trotzdem ab — prüfen Sie dort also die Ausgabe statt des Statuscodes. Und die Bildgröße ist kein nachträglicher Regler: Die Beispielläufe auf jeder Modellseite nennen genau die Größe, für die eine Komposition geschrieben wurde, denn ein Prompt für ein hochformatiges Bild lässt sich nicht einfach ins Querformat skalieren.

heartmula/transcribe/speech-to-text transkribiert den gesungenen Text einer Audiodatei und gibt ihn als Text an der Aufgabe zurück. Er ist auf Gesang über Musik abgestimmt, nicht auf reine Sprache.

• Eine einzige Eingabe: audio_url, die direkt auf eine Audiodatei zeigen muss. Mehr gibt es nicht zu senden — kein Sprachhinweis, keine Zeitstempel-Anforderung, kein Schalter für Sprechertrennung.
• Das Ergebnis ist Text an der Aufgabe. Es entsteht kein Medienobjekt, also gibt es nichts herunterzuladen und nichts fällt unter die Medien-Aufbewahrung.
• Keine Zeilenzeiten, keine Konfidenzwerte, keine Sprecherkennzeichen.
• $0,05 je Transkription, unabhängig von der Länge des Audios.

Es ist zugleich der erste Endpunkt im Katalog, dessen Ausgabe Text und keine Datei ist. Wenn Ihre Integration davon ausgeht, dass jede abgeschlossene Aufgabe ein herunterladbares Objekt trägt, wird genau diese Annahme hier sichtbar — ein Blick in Ihre Ergebnisverarbeitung lohnt sich, bevor Sie ihn einbinden.