Novedades para tu integración

Tres endpoints de chat entran en el catálogo, y los controles de razonamiento de los modelos de texto existentes coinciden ya con lo que cada editor admite de verdad.

• zai/glm-5.3/chat: 1,05 $ de entrada / 0,195 $ en caché / 3,30 $ de salida por millón de tokens, un 25 % por debajo del precio publicado por Z.ai. Etiqueta de contenido: Light, es decir, restricciones más ligeras, aunque algunos prompts solo de texto pueden seguir limitados.
• zai/glm-5.3-flash/chat: 0,1275 $ / 0,0255 $ / 0,425 $ por millón de tokens, Uncensored.
• deepseek/v4.1-flash/chat: precio actual 0,30 $ / 0,006 $ / 1,20 $ por millón de tokens, Uncensored.

El nivel de razonamiento es ahora propio de cada modelo, no una lista copiada a todas partes. Claude 4.5 y 4.6 llevan los niveles que Anthropic publica para cada uno; Gemini ha ganado su tramo minimal; DeepSeek acepta none, y hemos medido que apaga el razonamiento de verdad en lugar de solo bajarlo. Donde un editor no ofrece un nivel, nosotros no lo anunciamos: Grok 4.5 y 4.6 rechazan reasoning_effort: none aguas arriba, mientras que 4.3 lo acepta.

Un detalle presupuestario que pilla a mucha gente: los tokens de razonamiento cuentan dentro de max_tokens. Un prompt que pide 150 palabras puede quemar varios miles de tokens con un esfuerzo alto. Dimensionad el límite por lo que el modelo va a emitir de verdad, no por la respuesta que queréis leer.

Tres familias nuevas ejecutan MiniMax H3 de pesos abiertos con hasta tres archivos LoRA propios por solicitud, cada uno con su propia intensidad de 0 a 4.

• MiniMax H3 LoRA (minimax/h3-lora/text-to-video, /image-to-video, /reference-to-video): de 3 a 15 segundos en 480p, 540p, 768p o 1080p, con sonido estéreo generado en la misma pasada. Referencias a video admite hasta nueve imágenes, tres clips y tres audios.
• MiniMax H3 Singularity LoRA (minimax/h3-singularity-lora/image-to-video, /reference-to-video): el ajuste fino comunitario de H3 entrenado con HDR, pensado para acción rápida, baile y planos abiertos donde las caras deben mantenerse. Tus LoRA de H3 se cargan sin cambios.
• MiniMax H3 Image LoRA (minimax/h3-image-lora/text-to-image, /edit): H3 como modelo de imagen fija en 1k o 2k, con edición a partir de hasta nueve referencias. Diseña aquí el fotograma clave y luego anímalo con el mismo LoRA.

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

Alibaba publicó hoy Qwen-Image-2.1 como código abierto, y ese mismo día entró en el catálogo. Cuatro endpoints: generación y edición con referencias, cada uno en edición sencilla y en edición LoRA, que carga los archivos de pesos que usted indique.

• Traiga sus propios pesos. Hasta tres archivos LoRA por solicitud, cada uno con su propia intensidad, indicados como enlace HTTPS directo a un archivo .safetensors o como repositorio de Hugging Face. Sin paso de subida, sin lista de permitidos, sin cola de aprobación.
• Entre el prompt y el modelo no hay nada. Los cuatro endpoints son irrestrictos: ningún filtro delante del modelo, ninguna marca de contenido adulto, ninguna declaración que adjuntar a la solicitud.
• Quince proporciones, tres niveles de resolución. Desde franjas 3:1 y 21:9 hasta columnas 1:3 y 9:21, en 1k, 1,5k o 2k.
• La edición admite hasta diez imágenes de referencia. Cada una entra en la estimación que ve antes de enviar: mande las referencias que están trabajando y deje fuera el resto.

Seis endpoints se suman a la familia de intercambios, tres de ellos para vídeo. Lo que los distingue es cuánto se traslada realmente.

Imágenes

• spicyapi/face-swap-pro-v1/edit: solo se trasladan los rasgos faciales. El peinado, la línea del cabello, la silueta de la cabeza, la pose, la ropa, la luz y el fondo del destino se quedan como estaban. 0,16 $ por imagen.
• spicyapi/face-swap-v1-plus/edit: traslada la cara y, como parte de la transferencia, concilia el tono de piel entre ambas imágenes; el motor funde solo la cara o la cabeza entera, según cuál quede mejor. 0,16 $ por imagen.
• Los originales spicyapi/face-swap-v1/edit y spicyapi/head-swap-v1/edit siguen a 0,013 $ por imagen.

Vídeo

• spicyapi/face-swap-video-v1/video-edit: lleva los rasgos de una sola imagen de referencia a todos los fotogramas. El peinado, la silueta de la cabeza, el movimiento, el vestuario y la luz de quien aparece no se tocan. 0,0325 $ por segundo producido.
• spicyapi/head-swap-video-v1/video-edit: cambian el pelo, la forma de la cabeza y la identidad. 0,064 $ por segundo producido.
• spicyapi/character-swap-v1/video-edit: cambia la figura entera, ropa incluida. 0,064 $ por segundo producido.

Los dos endpoints de vídeo con varias personas son de dos pasos a propósito. Llame primero al video-analyze correspondiente, a 0,08 $ por solicitud: sigue a cada persona que distingue en el clip y devuelve un fotograma de vista previa por persona, en orden fijo —la primera imagen es la posición 0, la segunda la posición 1—. Después pasa las posiciones elegidas, con una a tres fotos de referencia para cada una. No queda nada que adivinar sobre en quién va a actuar el modelo.

Tres modelos de xAI, un endpoint chat cada uno, todos en formato OpenAI y con streaming.

• Un 40 % por debajo del precio publicado por xAI, en todos los tramos, contrastado con su página de precios el 19 de septiembre de 2026.
• Solo 4.3 acepta reasoning_effort: none. En 4.5 y 4.6 ese valor se rechaza aguas arriba; los otros cuatro niveles funcionan en los tres.
• 4.5 cachea más barato que 4.6 (0,18 $ frente a 0,30 $ por millón de tokens de entrada en caché) e iguala al resto en todo lo demás.
• Los prompts de 200.000 tokens o más se facturan a la tarifa de contexto largo, igual que hace xAI. Los tokens de razonamiento cuentan dentro de max_tokens: tenedlo en cuenta al presupuestar.
• Estas rutas admiten texto e imágenes. No admiten partes de tipo archivo ni PDF.

Cinco endpoints de imagen con un rango de precios de cuatro a uno, para elegir el nivel según el encargo en lugar de pagar la tarifa alta por una miniatura.

• bytedance/seedream-4.0/text-to-image y bytedance/seedream-4.0/edit: 0,03 $ por imagen, ambos Uncensored. El endpoint edit recibe una imagen existente y una instrucción escrita.
• krea/2-large/text-to-image: 0,06 $ por imagen, Filtered.
• krea/2-medium/text-to-image: 0,03 $ por imagen, Softened.
• krea/2-medium-turbo/text-to-image: 0,015 $ por imagen, Filtered. El endpoint de imagen más barato del catálogo después de la familia de intercambios.

Dos cosas conviene saber antes de elegir. Los niveles de Krea se diferencian en lo que aceptan, no solo en el precio: Filtered rechaza de plano las peticiones subidas de tono, mientras que Softened devuelve un resultado rebajado y lo cobra igualmente; en una ruta Softened, revisad la salida y no el código de estado. Y el tamaño de la imagen no es un ajuste que se aplique después: los ejemplos de cada página de modelo indican el tamaño exacto para el que se escribió la composición, porque un prompt pensado para un encuadre vertical no se reescala sin más a uno apaisado.

heartmula/transcribe/speech-to-text transcribe la letra cantada de un archivo de audio y la devuelve como texto en la tarea. Está afinado para voz sobre música, no para habla corriente.

• Una sola entrada: audio_url, que debe apuntar directamente a un archivo de audio. No hay nada más que enviar: ni pista de idioma, ni petición de marcas de tiempo, ni interruptor de separación de hablantes.
• El resultado es texto en la tarea. No se produce ningún recurso multimedia, así que no hay archivo que descargar y nada entra en la retención de medios.
• Sin tiempos por línea, sin valores de confianza, sin etiquetas de hablante.
• 0,05 $ por transcripción, con independencia de lo que dure el audio.

Es además el primer endpoint del catálogo cuya salida es texto y no un archivo. Si vuestra integración da por hecho que toda tarea completada lleva un recurso descargable, aquí es donde esa suposición saldrá a la luz: conviene revisar el manejo de resultados antes de conectarlo.