Novedades para tu integración

• Claude Sonnet 5.5 ya está disponible. El Sonnet más reciente de Anthropic, lanzado el 28 de septiembre, en un único endpoint compatible con OpenAI: entrada de texto, ventana de 1.000.000 de tokens y hasta 128.000 de salida, el doble del techo de Sonnet 5. Las respuestas se transmiten por SSE y las peticiones fallidas no se cobran.
• 24 de 24 pruebas de contenido escritas por completo. Ningún rechazo y nada suavizado, incluidas las nueve peticiones de una escena íntima entre adultos, cuando Sonnet 5 había rechazado todas sus peticiones directas o dentro de la historia.
• Seis niveles de esfuerzo. reasoning_effort va de none a max, con medium por defecto; none se salta la fase de razonamiento y xhigh y max devuelven el razonamiento. tool_choice solo acepta auto o none, y temperature y top_p no se admiten.
• Precio de lista de Anthropic. $2 por millón de tokens de entrada, $0.20 en caché, $2.50 de escritura en caché y $10 de salida, el mismo precio de lista que Sonnet 5.

Dos versiones de Wan 3.0 de Alibaba afinadas para escenas de adultos ya están disponibles en SpicyAPI. Ambas convierten un cuadro de apertura en 2 a 30 segundos de video en 480p, 720p o 1080p, con sonido generado y un último cuadro opcional.

Cuál usar. Para la mayoría de los clips recomendamos empezar con el Wan 3.0 o el Wan 3.0 Prime estándar. En SpicyAPI también son sin censura, cuestan menos por segundo (a 480p, $0.045 en Wan 3.0 frente a $0.057 en Wan 3.0 Spicy, y $0.0612 en Wan 3.0 Prime frente a $0.09 en Prime Spicy), mantienen la ropa puesta cuando el prompt lo pide y además ofrecen texto a video y video a partir de referencias. Cambia a una versión Spicy cuando quieras un modelo que tienda por sí solo hacia lo adulto; en Prime, Prime Spicy además cumplió el nivel íntimo de dos personas que el Wan 3.0 Prime estándar suavizó en nuestra prueba.

Qué probamos. Pasamos nuestra escala de contenido de seis niveles en ambos modelos en 480p: una tira que se desliza, topless, desnudo integral, dos adultos en una escena íntima, bondage consensuado y juego de impacto, y gore cinematográfico. Todos los niveles salieron tal como se pidió en ambos: sin rechazos, sin nada tapado y sin cambiar a nadie por otra persona. En Wan 3.0 Prime Spicy eso incluye el nivel íntimo de dos personas, que el Wan 3.0 Prime estándar suavizó en nuestra prueba anterior.

Ten esto presente antes de publicar. Los dos modelos se inclinan hacia lo adulto por sí solos. Con cuadros de apertura vestidos y prompts que pedían que la persona siguiera vestida, Wan 3.0 Spicy desvistió al sujeto en cuatro de seis clips y Prime Spicy en dos de cuatro. Revisa los clips completos y no solo la imagen de portada, y usa el Wan 3.0 estándar cuando la ropa tenga que quedarse puesta.

Detalles. Cualquier número entero de segundos de 2 a 30. Proporción 16:9, 9:16, 1:1, 4:3 o 3:4, o déjala fuera para seguir el cuadro de apertura. last_image_url fija cómo termina el clip. En nuestra primera tanda, un clip de cinco segundos en 480p tardó cerca de un minuto y medio en Wan 3.0 Spicy y entre dos y dos minutos y medio en Prime Spicy. Se cobra por segundo solicitado.

Seedream 5.0 Flash, de ByteDance, ya está disponible en SpicyAPI con tres endpoints. La separación en capas —entra una imagen y salen una base limpia y hasta 16 capas PNG transparentes— funciona en Flash y en Seedream 5.0 Pro.

Seedream 5.0 Flash. El nivel más ligero de Seedream. 1K, 1.5K y 2K cuestan lo mismo, $0.029, así que la resolución predeterminada es la más nítida (2K). Prompts de hasta 5,000 caracteres, quince proporciones de 1:3 a 3:1 y salida en JPEG o PNG. El contenido para adultos no necesita un interruptor adicional ni un endpoint aparte: lencería, boudoir y otras escenas para adultos se generan como cualquier otro prompt, tanto en texto a imagen como en edición.

Separación en capas. Envías una imagen y, si quieres, indicas qué separar («el texto del título y el loro»). Recibes una imagen base sin esos elementos y con el fondo reconstruido, más un PNG transparente por cada elemento. Puedes mover, cambiar de tamaño, recolorear o reemplazar cualquiera de ellos. Usos típicos: cambiar el titular de un póster, sustituir el fondo de una foto de producto, sacar a una persona de una foto grupal o preparar capas para animación. Después de cualquier generación también puedes enviar el resultado directamente a «Dividir en capas».

Flash o Pro para las capas. Pro devuelve además el nombre de cada capa y su posición sobre la imagen base, así que la vista de resultados en la web se convierte en un lienzo donde puedes mostrar u ocultar capas, arrastrarlas y exportar la pila visible como un solo PNG. Flash devuelve recortes independientes sin posición, en una tira que puedes descargar capa por capa o en un solo zip. Pro también acepta fotos de entrada más reveladoras, que Flash rechaza.

Facturación. Cada imagen de salida cuenta, incluida la base, hasta 17 por solicitud. Al aceptar la solicitud reservamos 17 imágenes y devolvemos la diferencia cuando se conoce la cantidad real. Una ejecución típica produce de 3 a 9 imágenes, es decir, de $0.06 a $0.18 en Flash.

Más información. La API de Seedream 5.0 Flash, probada · Cómo dividir una imagen en capas con una API

Cinco nuevos modelos de voz ya están disponibles en SpicyAPI, sumándose a Gemini 2.5 Pro TTS. Ninguno agrega un filtro de contenido: en nuestras pruebas, los cinco leyeron guiones NSFW por completo.

• Gemini 3.8 Flash TTS — el modelo de voz más reciente de Google. Hasta 5,000 caracteres, 30 voces, salida en WAV, e interpreta indicaciones entre corchetes como [whispering] o [sighs]. $0.00032 por segundo de audio.
• Gemini 3.8 Flash-Lite TTS — la versión más rápida y económica. Las mismas 30 voces; a veces lee las etiquetas entre corchetes en voz alta, así que deletrea los sonidos. $0.00021 por segundo de audio.
• Seed Speech 2.0 de ByteDance — 41 voces preestablecidas en diez idiomas, una nota en lenguaje simple sobre cómo leer el texto, salida en MP3. $0.072 por cada 1,000 caracteres.
• Qwen3 TTS de Alibaba — de código abierto, nueve voces que incluyen japonés, coreano y dos hablantes de dialectos chinos. $0.068 por cada 1,000 caracteres, mínimo 100 caracteres.
• Chatterbox de Resemble AI — una voz de código abierto en inglés con un control de expresividad. Hasta 1,000 caracteres por una tarifa fija de $0.036 por solicitud.

El precio ya se conoce antes de ejecutar. Seed Speech 2.0 y Qwen3 TTS son los primeros modelos que se cobran por carácter: el conteo se conoce de antemano, así que la cotización ya es el precio final. Los modelos Gemini cobran por segundo de audio devuelto, con una retención que se libera una vez medido el audio.

Lo que no hacen. Ninguno de estos endpoints clona voces, y ninguno admite diálogo de dos voces en una sola solicitud: genera cada línea con su propia voz y une los archivos.

La síntesis de voz Gemini 2.5 Pro de Google ya está disponible en SpicyAPI como google/gemini-2.5-pro-tts/text-to-speech.

• Entrada: un guion de hasta 5,000 caracteres. Las indicaciones entre corchetes, como [sighs], se interpretan, no se leen en voz alta.
• Voz: una de 30 voces predefinidas, cada una con un carácter fijo, desde tonos brillantes y firmes hasta voces suaves y entrecortadas.
• Interpretación: un estilo opcional (whisper, empathetic, vocalsmile, newscaster, promohype o deadpan), uno de 8 acentos en inglés e instrucciones en texto libre sobre ritmo, tono y a quién se dirige, ninguna de las cuales se pronuncia.
• Salida: un archivo WAV, 24 kHz, 16 bits, mono.
• Precio: $0.00045 por segundo de audio devuelto (unos $0.027 por minuto), 10% por debajo del precio de lista de Google. Mientras la tarea se ejecuta se retiene un monto para el clip más largo posible y se libera la diferencia al medir el audio; las solicitudes fallidas no se cobran.

Hasta dónde llega. No agregamos ningún filtro de contenido propio. En nuestras pruebas leyó guiones NSFW por completo: diálogos directos, ficción narrada, indicaciones de voz entrecortada, sin saltarse palabras ni cortar el clip antes de tiempo. Este endpoint no admite diálogo de dos voces ni clonación de voz: una de las 30 voces predefinidas por solicitud.

Probar Gemini 2.5 Pro TTS →

El Opus más reciente de Anthropic, lanzado el 22 de septiembre, ya está en SpicyAPI como anthropic/claude-opus-5.5/chat, en un único endpoint compatible con OpenAI en /v1/chat/completions.

• Precio: $3.60 por millón de tokens de entrada, $0.18 en caché, $4.50 de escritura en caché y $18 de salida, un 10 % por debajo del precio de lista de Anthropic.
• Ventana de contexto: 1,000,000 tokens de entrada, hasta 128,000 de salida.
• El razonamiento siempre está activo: reasoning_effort acepta low, medium o high, con medium como valor predeterminado.
• Herramientas: hasta 128 definiciones; tool_choice acepta solo auto o none, porque el modelo rechaza una llamada de herramienta forzada.

Hasta dónde escribe. No agregamos ningún filtro de contenido propio. El día del lanzamiento le enviamos 24 pruebas de contenido para adultos en tres estilos de prompt distintos y no rechazó ninguna. Bajo un system prompt de ficción para adultos, escribió cada escena íntima por completo; cuando se le pidió directamente, por lo general escribió una versión más suave en lugar de rechazar, algo que Claude Opus 5 sí hacía.

Probar Claude Opus 5.5 →

La línea actual de video de Kling ya está en SpicyAPI, con cobro por segundo en dólares estadounidenses y sin ningún paquete que debas comprar por adelantado.

• Kling O3 (kling/o3/text-to-video, /image-to-video, /reference-to-video, /video-edit): Kling 3.0 Omni. Incorpora hasta siete fotos de referencia en una sola toma, edita un clip que ya tengas (una fuente de 3 a 10 segundos) y activa cortes inteligentes multiplano y sonido nativo, hasta 4K.
• Kling 3.0 (kling/3.0/text-to-video, /image-to-video, /character-animation): el modelo insignia, con primer y último fotograma, hasta 4K y sonido activable. Motion Control copia los movimientos, expresiones y gestos de un clip de 3 a 30 segundos sobre tu propio personaje.
• Kling 3.0 Turbo (kling/3.0-turbo/text-to-video, /image-to-video): todos los clips incluyen sonido nativo, en 720p o 1080p.
• Kling 2.6 (kling/2.6/text-to-video, /image-to-video, /character-animation): el primer modelo de Kling con audio nativo, 1080p en 5 o 10 segundos, con su propio Motion Control.
• Kling 2.5 Turbo (kling/2.5-turbo/text-to-video, /image-to-video): opción económica en 1080p en 5 o 10 segundos, con fotograma de cierre, prompt negativo y guidance.
• Kling 2.1 (kling/2.1/image-to-video) y Kling 2.1 Master (kling/2.1-master/text-to-video, /image-to-video): la generación anterior, desde imagen a video en 720p hasta el 1080p de alta fidelidad de Master.
• Kling Avatar 2.0 (kling/avatar-2.0/talking-avatar): un retrato y una pista de audio bastan para que esa persona hable o cante mientras dure el audio, hasta unos cinco minutos.

Kling revisa el contenido por sí mismo: las tomas sugerentes a veces pasan, cualquier cosa más explícita se rechaza y una solicitud rechazada nunca se cobra. Para contenido para adultos, usa una de nuestras familias Spicy.

Kling O3, Kling 3.0, Kling 2.5 Turbo y Kling Avatar 2.0 tienen un precio por debajo del precio de lista por segundo del propio Kling.

Tres familias de imagen nuevas ejecutan modelos abiertos con hasta tres archivos LoRA tuyos por solicitud, cada uno con su propia fuerza. Cada imagen tiene un precio fijo, sea cual sea la relación de aspecto.

• Z-Image Turbo LoRA (alibaba/z-image-turbo-lora/text-to-image, /edit): Z-Image Turbo de Alibaba, de 8 pasos, con pocos segundos por imagen y nueve relaciones de aspecto a alrededor de un megapíxel, además de imagen a imagen con control de fuerza.
• FLUX.1 Dev LoRA (black-forest-labs/flux-1-dev-lora/text-to-image): FLUX.1 [dev] de Black Forest Labs, la base con más de mil LoRA de la comunidad en Hugging Face, con control de guidance.
• Qwen Image 2512 LoRA (alibaba/qwen-image-2512-lora/text-to-image, /edit): Qwen-Image-2512 con hasta 1536 píxeles en el lado largo, y edición con Qwen-Image-Edit-2511 a partir de entre una y tres fuentes, con LoRA de edición como los de nuevos ángulos de cámara.

Un LoRA es un enlace directo a un archivo .safetensors: sin subida, sin lista de permitidos, sin revisión. Los cinco endpoints son sin censura, y cargar LoRA no tiene costo adicional.

El 26 de septiembre salieron ocho endpoints de una sola tarea. Cada uno hace un trabajo sobre una imagen o un clip que ya tienes, a precio fijo. Llámalos como cualquier otro modelo o úsalos en Spicy Studio, donde aparecen en Herramientas y sobre tus resultados.

Qué define el cobro:

• El escalado de video se cobra por la duración del clip original, redondeada hacia arriba al segundo entero, con un mínimo de 3 segundos.
• El avatar que habla y la sincronización labial se cobran por el video resultante, que dura lo mismo que tu audio (mínimo 3 segundos). La sincronización labial repite en bucle un clip más corto que el audio.
• Los efectos de sonido se cobran por el duration_seconds que pides (1 a 30, 8 por defecto), no por tu clip, así que ajústalo a la duración del clip. Genera efectos y ambiente, no diálogos ni música.
• Las entradas de audio y video deben ser enlaces directos al archivo, y subirlo es la vía más confiable. Las entradas fuera de la duración permitida se rechazan antes de cualquier cobro.

xAI lanzó Grok 4.7 el 21 de septiembre, y xai/grok-4.7/chat se puede llamar aquí desde el 22 de septiembre, con el mismo formato de chat de OpenAI y el mismo streaming SSE que los demás endpoints de Grok.

• Un 40 % por debajo del precio publicado por xAI en el tramo estándar ($2 / $0.50 / $6), y un 60 % por debajo de su tramo de contexto largo ($4 / $1 / $12).
• Sin censura en esta ruta. El 22 de septiembre, nueve pruebas de escritura creativa del nivel 4 de nuestra escala de contenido, que tiene cinco, en tres estilos de prompt, volvieron como nueve escenas completas, sin ningún rechazo; el 24 de septiembre también pasó todos los demás niveles que probamos, incluido el más alto. No añadimos ningún filtro propio.
• El rol system se respeta, lo comprobamos a propósito: un marco fijado al inicio de la conversación se mantiene hasta el final.
• El razonamiento se cobra como salida. El valor por defecto high cuesta más de lo que parece; para diálogo, low o medium se lee mejor y cuesta menos.

Desde el 24 de septiembre, los dos endpoints de MiniMax H3 Max aceptan resolution: "480p" además de 768p.

Los precios son por segundo generado y coinciden con las tarifas que publica MiniMax. 480p es un nivel nativo, no una reducción: la forma barata de revisar el movimiento y el encuadre antes de pagar 768p.

Cambiaron cinco etiquetas de contenido. El 24 de septiembre terminó otra ronda de pruebas de contenido en las rutas que servimos, y estas etiquetas cambiaron:

• Suavizado significa que una solicitud que supera los límites propios del modelo no falla: vuelve con un resultado atenuado y se cobra como cualquier éxito, así que revisa la salida, no el código de estado. Con filtro significa que la solicitud se rechaza con content_rejected y se reembolsa.
• Si elegiste H3 Max de imagen a video para trabajo sin censura después de nuestro aviso del 21 de septiembre, ahora llevan la etiqueta Sin censura minimax/h3/image-to-video (desde $0.025 por segundo) y los dos endpoints de Wan 2.5.

Cuatro familias entran en el catálogo de vídeo, facturadas por segundo producido. Todas llevan una etiqueta de contenido medida, no supuesta.

• minimax/h3-max/image-to-video y text-to-video: 0,08 $ por segundo. De imagen a vídeo es Uncensored; de texto a vídeo es Softened, es decir, un prompt subido de tono devuelve un resultado rebajado en lugar de un error, y se cobra igual. Revisad la salida, no el código de estado.
• alibaba/wan-2.6/text-to-video e image-to-video: 0,09 $ por segundo, ambos Uncensored. reference-to-video cuesta 0,065 $ por segundo y es Filtered: rechaza de plano las peticiones subidas de tono.
• alibaba/wan-2.6-flash/image-to-video: 0,0225 $ por segundo, Uncensored. Con diferencia, el vídeo por segundo más barato del catálogo.
• lightricks/ltx-2.5/text-to-video e image-to-video: 0,09 $ por segundo, ambos Uncensored.
• vidu/q3-pro/image-to-video a 0,054 $ y vidu/q3-turbo/image-to-video a 0,042 $ por segundo, ambos Uncensored.

Las etiquetas salen de mediciones reales sobre la ruta que servimos de verdad, así que cambian cuando cambia la ruta. Un modelo sin etiqueta es uno que todavía no hemos medido: preferimos callar antes que adivinar en vuestro nombre.