Zmiany, które mają znaczenie przy budowaniu

Wan 2.6 Flash, szybszy i tańszy poziom modelu Wan 2.6 od Alibaba, ma w SpicyAPI drugi endpoint: referencje na wideo.

• Wan 2.6 Flash, referencje na wideo (alibaba/wan-2.6-flash/reference-to-video): do pięciu referencji, w tym do trzech krótkich klipów, a resztę stanowią obrazy, albo same obrazy. W prompcie nazywasz je character1, character2 i tak dalej, a model obsadza je w nowej scenie trwającej od 2 do 10 sekund, w 720p lub 1080p i w pięciu proporcjach.
• Dźwięk to przełącznik. generate_audio jest domyślnie wyłączone; włączone zwraca klip z wygenerowanymi głosami, efektami i tłem w dwukrotnej stawce za sekundę.
• Obrazy są bezpłatne. Klipy referencyjne dodają swoje sekundy do rachunku, liczone łącznie najwyżej do pięciu sekund.

Przed tym endpointem nie ma filtra treści, a rozszerzanie promptu jest domyślnie wyłączone, więc prompt dociera do modelu tak, jak został napisany. Żadne z naszych żądań testowych nie zostało odrzucone.

Rozliczane sekundy to długość wyniku plus klipy referencyjne, każde zaokrąglone w górę do pełnych sekund, przy czym klipy liczą się łącznie najwyżej do pięciu sekund.

Qwen Image 2.1 Pro, hostowany poziom Pro modelu Qwen Image 2.1 od Alibaba, można już wywoływać w SpicyAPI, a dwa modele, które już były w katalogu, zmieniają się dzisiaj.

• Qwen Image 2.1 Pro, tekst na obraz (alibaba/qwen-image-2.1-pro/text-to-image): od jednego do sześciu obrazów w jednym żądaniu, piętnaście proporcji, 1k, 1.5k lub 2k. Nasze żądania trwały od 14 do 43 sekund.
• Qwen Image 2.1 Pro, edycja obrazów (alibaba/qwen-image-2.1-pro/edit): od jednego do dziesięciu obrazów referencyjnych i polecenie zapisane zwykłym językiem. Jeśli pominiesz proporcje, wynik zachowa kształt obrazu źródłowego przy około 2K.
• Qwen Image 2.1 Turbo kosztuje teraz $0.0144 za obraz na obu endpointach, zamiast $0.0192.
• Wan 2.6 Flash, obraz na wideo ma nowy przełącznik generate_audio. Wyłączony, czyli domyślnie, zostawia klip niemy w tej samej cenie za sekundę co dotąd; włączony, zwraca klip z wygenerowaną ścieżką dźwiękową w dwukrotnej stawce.

Przed Qwen Image 2.1 Pro nie ma filtra treści, a rozszerzanie promptu jest domyślnie wyłączone, więc prompt dociera do modelu tak, jak został napisany. Żadne z naszych żądań testowych nie zostało odrzucone.

W obu modelach Qwen wszystkie poziomy rozdzielczości kosztują tyle samo, każdy zwrócony obraz jest rozliczany, a liczba obrazów referencyjnych nie zmienia ceny.

Qwen Image 2.1 Turbo, 8-krokowy checkpoint modelu Qwen Image 2.1, który zespół Qwen z Alibaba udostępnił z otwartymi wagami 9 października 2026 roku, można już wywoływać w SpicyAPI. Strona, która pokazywała go jako „wkrótce”, teraz go uruchamia.

• Tekst na obraz (alibaba/qwen-image-2.1-turbo/text-to-image): od jednego do sześciu obrazów w jednym żądaniu, piętnaście proporcji, 1k, 1.5k lub 2k. Nasze żądania trwały od 13 do 39 sekund.
• Edycja obrazów (alibaba/qwen-image-2.1-turbo/edit): od jednego do dziesięciu obrazów referencyjnych i polecenie zapisane zwykłym językiem. Jeśli pominiesz proporcje, wynik zachowa kształt obrazu źródłowego przy około 2K.

Przed żadnym z tych dwóch endpointów nie ma filtra treści. Rozszerzanie promptu jest domyślnie wyłączone: po włączeniu przepisywanie przez Alibaba łagodzi prompty dla dorosłych, a w naszych testach edycja, która miała sprawić, by ubrany portret pokazał więcej, wróciła bez zmian.

Wszystkie poziomy rozdzielczości kosztują tyle samo, każdy zwrócony obraz jest rozliczany, a liczba obrazów referencyjnych nie zmienia ceny.

Możesz teraz kontynuować wideo, które już masz. Wgraj klip, napisz, co dzieje się dalej, a SpicyAPI wygeneruje nowy fragment od ostatniej klatki Twojego klipu i połączy oba w jeden plik MP4. Działa w 31 rodzinach modeli wideo, zarówno przez API, jak i na stronie.

• Jak to działa. Wyślij klip jako video_url (MP4, MOV lub WebM, do 60 sekund) oraz krótki prompt opisujący, co dzieje się dalej. W większości modeli prompt jest opcjonalny. Dostajesz połączony plik MP4 i osobno sam nowy fragment. Połączony wynik możesz przedłużać ponownie, ile razy chcesz.
• Opcjonalna klatka końcowa. Niektóre modele przyjmują last_image_url, czyli klatkę, na której ma kończyć się nowy fragment. Seedance 2.5 czyta jako referencję do ostatnich 30 sekund Twojego klipu, dzięki czemu nowy fragment dokładniej podąża za ruchem.
• Cena. Płacisz tylko za nowy fragment, według ceny obraz na wideo danego modelu. Twój oryginalny klip nie jest rozliczany. Seedance 2.5 dolicza też sekundy odczytane jako referencja, w tej samej cenie co generowanie z referencji. Jeśli łączenie się nie powiedzie, całe zadanie jest zwracane.
• Czysty łącznik. Kolor, jasność i głośność nowego fragmentu są automatycznie dopasowywane do Twojego klipu, a liczba klatek na sekundę jest taka jak w klipie. Nie są dodawane czarne pasy. Aby dopasować łączenie, obraz może zostać przycięty lub skorygowany o kilka procent przy krawędziach.
• Na stronie. W Playground, Studio, Zasobach, historii zadań w konsoli i edytorze krótkich metraży każdy wynik wideo ma przycisk Extend na jedno kliknięcie. Twój klip jest już wstawiony, wybrany jest ten sam model, a cena widnieje obok przycisku.
• Klipy 4K HDR. Nagrania z telefonu w 4K HDR mają limit długości: około 15 sekund przy 60 kl./s i około 40 sekund przy 30 kl./s. HDR w 1080p nie jest objęty limitem.

FLUX 3 i Wan 2.2 Spicy LoRA miały już własne natywne przedłużanie i je zachowują. Nowością są modele video-extend każdej z poniższych rodzin.

Dziś do katalogu dołączyło osiemnaście rodzin modeli obsługujących LoRA, łącznie 33 endpointy. Każda wczytuje Twoje własne pliki LoRA przez bezpośredni link bez dodatkowej opłaty (do trzech na żądanie w większości, jeden w P-Image), a platforma nie stosuje żadnego filtra treści.

Zanim podepniesz LoRA:

• Dopasuj bazę. LoRA działa tylko na modelu bazowym, do którego został wytrenowany. Ten stworzony pod inną bazę zwykle wczytuje się bez błędu i nic nie zmienia, więc najpierw sprawdź jego kartę modelu. Każda strona modelu wymienia to, co przetestowaliśmy.
• Użyj bezpośredniego linku do pliku z wagami. Link do strony repozytorium albo do pliku wymagającego logowania kończy się czytelnym błędem i nie jest naliczany.
• Zacznij od scale 1. Siła wyraźnie powyżej 1 szybko pogarsza obraz.

Otwórz dowolną z nowych rodzin w Modelach, aby zobaczyć przetestowane wyniki, przykładowe prompty i pełną tabelę cen.

Vidu Q4 Preview, publiczna wersja zapoznawcza modelu wideo Q4 od Vidu (wydana 7 października 2026 r.), jest już w SpicyAPI w dwóch endpointach. Klipy trwają od 3 do 16 sekund, od 540p do 4k, a dialogi, efekty i dźwięki otoczenia powstają razem z obrazem; kwestia w podwójnym cudzysłowie jest wypowiadana na głos.

• Obraz na wideo (vidu/q4-preview/image-to-video): start od jednej klatki początkowej; klip zachowuje jej kształt. W naszych testach treści nie został odrzucony ani razu.
• Referencje na wideo (vidu/q4-preview/reference-to-video): 1–15 obrazów referencyjnych osób, strojów, produktów lub miejsc oraz do 3 klipów głosowych tworzy jedną scenę. Odrzuca nagość i sceny seksu, a odrzucone zapytania nie są naliczane.

Klipy 2k i 4k wracają jako 10-bitowe pliki HEVC, których część przeglądarek nie odtworzy w treści strony. Włączony lub wyłączony dźwięk oraz liczba referencji nie zmieniają ceny.

FLUX 3, model wideo od Black Forest Labs, jest już w SpicyAPI. Ma cztery endpointy: tekst na wideo, obraz na wideo (z opcjonalną ostatnią klatką), wydłużanie wideo i upscaling wideo.

Tekst na wideo, obraz na wideo i wydłużanie kosztują tyle, ile wynosi cena katalogowa Black Forest Labs.

Klipy z dźwiękiem. Filmy trwają od 5 do 20 sekund i mają zsynchronizowany dźwięk, a cena jest taka sama z dźwiękiem i bez niego. Wersja robocza to szybki, tani poziom podglądu w 720p: użyj go do wypróbowania promptu, a w pełnej jakości wyrenderuj tylko ten klip, który zostawiasz.

Wydłużanie i upscaling. Wydłużanie przyjmuje klip do 15 sekund i dopisuje od 5 do 20 nowych sekund, zaczynając od jego ostatniej klatki. Otrzymujesz tylko nowy fragment. Upscaling powiększa klip do 20 sekund od 1,5 do 3 razy i zachowuje jego dźwięk: precise tylko wyostrza, a creative dodatkowo odtwarza drobne detale.

Testy treści. Nie dodajemy własnego filtra. FLUX 3 działa z moderacją Black Forest Labs: sceny sugestywne są zwracane, wszystko bardziej odsłaniające jest odrzucane. Za nieudane lub odrzucone żądania nie pobieramy opłat.

Sześć modeli FLUX.2 od Black Forest Labs jest już w SpicyAPI, każdy z endpointem tekst na obraz i endpointem edycji: FLUX.2 Max, Pro, Flex, Dev, Klein 9B i Klein 4B.

Ceny podano za obraz. Proporcje obrazu nie zmieniają ceny, a edycja kosztuje tyle samo, niezależnie od tego, czy wyślesz jeden, czy trzy obrazy referencyjne.

Do czego służy każdy model. Max to model flagowy, dający najlepszą szczegółowość. Pro to codzienny koń roboczy. Flex jest najmocniejszy w typografii i tekście wewnątrz obrazu. Dev to model open-weight o 32B parametrów. Klein 9B i 4B to małe modele destylowane, które zwracają obraz w znacznie krócej niż minutę.

Testy treści. Nie dodajemy własnego filtra. Max, Pro i Flex działają z moderacją Black Forest Labs: obrazy sugestywne są zwracane, bardziej odsłaniające prośby są zwykle zakrywane lub odrzucane, a edycje przedstawiające ludzi są odrzucane częściej niż tekst na obraz. Dev i oba modele Klein są open-weight i działają bez moderacji. W naszych testach nic nie zostało odrzucone, chociaż mniejsze modele często same dodają ubrania.

Każdy model obsługuje dziewięć proporcji obrazu w 1k (około jednego megapiksela) lub 2k (2048 px dłuższego boku) oraz do trzech obrazów referencyjnych przy edycji. Za nieudane lub odrzucone żądania nie pobieramy opłat.

Claude Haiku 5.5, opublikowany przez Anthropic 7 października, jest już w SpicyAPI jako jeden endpoint czatu zgodny z OpenAI: anthropic/claude-haiku-5.5/chat.

Testy treści. Nie dokładamy własnego filtra. W 24 zapytaniach testowych z 8 października model napisał 20 w całości, 2 złagodził i 2 odrzucił. Intymna scena między dwiema dorosłymi osobami wróciła kompletna w 8 z 9 prób; odrzucone zostały jednoznacznie erotyczne studia ciała, opisujące je część po części.

Warto wiedzieć. Model sam decyduje, ile myśleć, więc nie ma reasoning_effort; nie ma też stop ani temperature. max_tokens nie ucina odpowiedzi: długość, jakiej chcesz, podaj w prompcie, a zapłacisz tylko za tokeny faktycznie napisane. Trafienia w cache kosztują $0.10 za milion tokenów.

W naszych testach krótkie odpowiedzi przychodziły po trzech–pięciu sekundach. Za nieudane zapytania nie pobieramy opłat.

Google wydało Nano Banana 2.1 6 października 2026 r. To aktualizacja Nano Banana 2 (Gemini 3.1 Flash Image): lepsza jakość obrazu, wierniejsze trzymanie się promptu, spójniejsze postacie między kolejnymi edycjami i lepsze renderowanie tekstu. Dziś działają dwa endpointy:

• Tekst na obraz (google/nano-banana-2.1/text-to-image): 1K, 2K lub 4K w czternastu proporcjach od 1:8 do 8:1, wyjście w PNG lub JPEG, opcjonalnie z wyszukiwaniem w sieci i wyszukiwaniem obrazów. W naszych testach każdy wiersz tekstu ujęty w cudzysłów wyszedł napisany dokładnie tak, jak go podaliśmy, a dzięki wyszukiwaniu w sieci plakat z prognozą pogody wydrukował poprawną datę.
• Edycja (google/nano-banana-2.1/edit): od jednego do czternastu obrazów źródłowych, twarze i szczegóły produktu zostają zachowane; auto utrzymuje proporcje obrazu źródłowego.

Obowiązuje polityka treści Google: sugestywna moda jest generowana, natomiast prośby o nagość są w trybie tekst na obraz łagodzone, a w edycji odrzucane (odrzucone edycje nie są naliczane).

Edycja dolicza $0.0024 za każdy obraz źródłowy; wyszukiwanie w sieci i wyszukiwanie obrazów dolicza po $0.0168 każde po włączeniu.

Do katalogu trafiło siedem nowych rodzin, wszystkie bez cenzury, a do Wan 2.2 LoRA doszedł endpoint text-to-video.

• Prefect Pony XL LoRA (prefect/pony-xl-lora/text-to-image): anime-checkpoint Pony XL z maksymalnie trzema twoimi LoRA do Pony na żądanie.
• Z-Image Base LoRA (alibaba/z-image-base-lora/text-to-image, /edit): niedestylowana baza Z-Image, na której trenowana jest większość społecznościowych LoRA do Z-Image, z image-to-image i regulacją siły.
• Neta Lumina (neta-art/neta-lumina/text-to-image): anime-model Neta.art, do którego piszesz prompty tagami w stylu Danbooru lub zdaniami.
• Jib Mix Qwen i Jib Mix Qwen LoRA (j1b/jib-mix-qwen-image/text-to-image, j1b/jib-mix-qwen-image-lora/text-to-image): fotorealistyczny fine-tuning Qwen-Image do naturalnych portretów, z twoimi LoRA albo bez nich.
• HunyuanVideo 1.5 (tencent/hunyuan-video-1.5/text-to-video, /image-to-video): otwarty model wideo Tencent, 5 lub 8 sekund w 480p albo 720p.
• LTX-2 19B i LTX-2 19B LoRA (lightricks/ltx-2-19b/..., lightricks/ltx-2-19b-lora/...): model wideo Lightricks ze ścieżką dźwiękową w każdym klipie, od 5 do 20 sekund w rozdzielczości do 1080p; wersja LoRA obsługuje też LoRA kamery lub stylu.
• Wan 2.2 LoRA text-to-video (alibaba/wan-2.2-lora/text-to-video): Wan 2.2 z twoimi własnymi LoRA dla wysokiego i niskiego szumu, teraz nie tylko z obrazu, ale i z promptu.

LoRA to bezpośredni link do pliku .safetensors wytrenowanego pod dany model bazowy; ładowanie LoRA nie wiąże się z osobną opłatą.

Dwie nowe rodziny obrazów działają na Anima Turbo, szybkiej wersji 8–12 kroków anime-modelu CircleStone Labs z 2 miliardami parametrów. Możesz pisać prompty tagami w stylu Danbooru, zwykłymi zdaniami albo jednym i drugim.

• Anima Turbo (circlestone-labs/anima-turbo/text-to-image, /edit): ilustracje anime w piętnastu proporcjach i na dwóch poziomach rozdzielczości, zwykle poniżej dziesięciu sekund na obraz, a do tego image-to-image, który zamienia zdjęcia w anime z regulacją siły.
• Anima Turbo LoRA (circlestone-labs/anima-turbo-lora/text-to-image, /edit): ten sam model z maksymalnie trzema twoimi plikami LoRA na żądanie, każdy z własną siłą, do retro-growych looków, tuszu mangowego, postaci i stylów dla dorosłych.

LoRA to bezpośredni link do pliku .safetensors: bez wgrywania, bez listy dozwolonych, bez weryfikacji. Wszystkie cztery endpointy są bez cenzury, image-to-image kosztuje tyle samo co text-to-image, a ładowanie LoRA nie wiąże się z osobną opłatą.