Zmiany, które mają znaczenie przy budowaniu

• Claude Sonnet 5.5 jest już dostępny. Najnowszy Sonnet od Anthropic, wydany 28 września, działa na jednym endpoincie kompatybilnym z OpenAI: tylko tekst na wejściu, okno 1 000 000 tokenów i do 128 000 na wyjściu — dwa razy więcej niż pułap Sonneta 5. Odpowiedzi można odbierać strumieniowo przez SSE, a nieudane żądania nie są rozliczane.
• 24 z 24 testów treści napisanych w całości. Bez odmów i bez łagodzenia, łącznie z dziewięcioma prośbami o scenę intymną między dorosłymi — tam, gdzie Sonnet 5 odmówił wszystkich próśb wprost i w ramach opowieści.
• Sześć poziomów wysiłku. reasoning_effort przyjmuje wartości od none do max, domyślnie medium; none pomija etap myślenia, a xhigh i max zwracają tok rozumowania. tool_choice przyjmuje tylko auto lub none, a temperature i top_p nie są przyjmowane.
• Cena katalogowa Anthropic. 2 $ za milion tokenów wejściowych, 0,20 $ za tokeny z cache, 2,50 $ za zapis do cache i 10 $ za wyjściowe — tyle samo, ile Sonnet 5 według cennika.

Dwie wersje Wan 3.0 od Alibaba, dostrojone do scen dla dorosłych, są już dostępne w SpicyAPI. Obie zamieniają jedną klatkę początkową w 2 do 30 sekund wideo w 480p, 720p lub 1080p, z generowanym dźwiękiem i opcjonalną klatką końcową.

Który wybrać. Do większości klipów polecamy zacząć od standardowego Wan 3.0 albo Wan 3.0 Prime. Na SpicyAPI one także działają bez cenzury, kosztują mniej za sekundę (w 480p $0.045 za Wan 3.0 wobec $0.057 za Wan 3.0 Spicy oraz $0.0612 za Wan 3.0 Prime wobec $0.09 za Prime Spicy), zostawiają ubranie na miejscu, gdy prompt o to prosi, i oferują też tekst na wideo oraz wideo z referencji. Po wersję Spicy sięgaj wtedy, gdy chcesz modelu, który sam z siebie skręca w stronę treści dla dorosłych; w przypadku Prime wersja Prime Spicy oddała też intymny poziom dla dwóch osób, który standardowy Wan 3.0 Prime w naszym teście złagodził.

Co przetestowaliśmy. Przepuściliśmy naszą drabinkę treści o sześciu poziomach przez oba modele w 480p: zsuwające się ramiączko, topless, pełną nagość, dwoje dorosłych w intymnej scenie, konsensualny bondage i impact play oraz filmowy gore. Każdy poziom wyszedł w obu modelach tak, jak opisano: bez odmowy, bez niczego zasłoniętego i bez podmiany osoby na inną. W Wan 3.0 Prime Spicy dotyczy to także intymnego poziomu z dwiema osobami, który standardowy Wan 3.0 Prime złagodził w naszym wcześniejszym teście.

Wiedz to, zanim opublikujesz. Oba modele same ciągną w stronę treści dla dorosłych. Przy ubranych klatkach początkowych i promptach proszących, by osoba została ubrana, Wan 3.0 Spicy rozebrał postać w czterech z sześciu klipów, a Prime Spicy w dwóch z czterech. Sprawdzaj całe klipy, a nie tylko klatkę podglądu, i wybierz standardowy Wan 3.0, gdy strój ma zostać na miejscu.

Szczegóły. Dowolna liczba całkowita sekund od 2 do 30. Proporcje 16:9, 9:16, 1:1, 4:3 lub 3:4, albo pomiń je, by podążać za klatką początkową. last_image_url ustala, jak kończy się klip. W naszej pierwszej partii pięciosekundowy klip w 480p trwał około półtorej minuty w Wan 3.0 Spicy i około dwóch do dwóch i pół minuty w Prime Spicy. Rozliczenie jest za każdą zamówioną sekundę.

Seedream 5.0 Flash od ByteDance jest już dostępny w SpicyAPI i ma trzy endpointy. Rozdzielanie na warstwy — na wejściu jeden obraz, na wyjściu czysta podstawa i do 16 przezroczystych warstw PNG — działa we Flashu i w Seedream 5.0 Pro.

Seedream 5.0 Flash. Lżejszy poziom Seedream. 1K, 1,5K i 2K kosztują tyle samo, 0,029 $, więc domyślna rozdzielczość to ta najostrzejsza (2K). Prompty do 5000 znaków, piętnaście proporcji od 1:3 do 3:1, wyjście w formacie JPEG lub PNG. Treści dla dorosłych nie wymagają dodatkowego przełącznika ani osobnego endpointu: bielizna, sceny w stylu budoarowym i inne dorosłe motywy powstają tak jak każdy inny prompt, zarówno w trybie tekst na obraz, jak i w edycji.

Rozdzielanie na warstwy. Wysyłasz jeden obraz i, jeśli chcesz, wskazujesz, co wydzielić („tekst tytułu i papugę”). W odpowiedzi dostajesz obraz podstawowy bez tych elementów, z uzupełnionym tłem, oraz przezroczysty plik PNG dla każdego z nich. Każdą warstwę możesz przesuwać, skalować, przekolorowywać lub podmieniać. Typowe zastosowania: zmiana nagłówka na plakacie, wymiana tła na zdjęciu produktu, wycięcie jednej osoby ze zdjęcia grupowego albo przygotowanie warstw do animacji. Po każdej generacji możesz też od razu przejść do opcji „Podziel na warstwy”.

Flash czy Pro do warstw. Pro zwraca dodatkowo nazwę każdej warstwy i jej położenie na obrazie podstawowym, dlatego widok wyniku w przeglądarce staje się płótnem, na którym możesz pokazywać i ukrywać warstwy, przeciągać je i wyeksportować widoczny stos jako jeden plik PNG. Flash zwraca niezależne wycinki bez położenia, wyświetlane jako pasek, który pobierzesz warstwa po warstwie albo jako jeden plik zip. Pro przyjmuje też bardziej odsłaniające zdjęcia wejściowe, które Flash odrzuca.

Rozliczenie. Liczy się każdy obraz wyjściowy, wraz z podstawowym, do 17 na żądanie. Przy przyjęciu żądania rezerwujemy 17 obrazów, a różnicę zwracamy, gdy znana jest rzeczywista liczba. Typowe uruchomienie daje od 3 do 9 obrazów, czyli 0,06–0,18 $ we Flashu.

Więcej informacji. API Seedream 5.0 Flash w testach · Jak rozdzielić obraz na warstwy przez API

Pięć nowych modeli głosowych jest już dostępnych w SpicyAPI, dołączając do Gemini 2.5 Pro TTS. Żaden z nich nie dodaje filtra treści: w naszych testach wszystkie pięć modeli odczytało skrypty NSFW w całości.

• Gemini 3.8 Flash TTS — najnowszy model głosowy od Google. Do 5000 znaków, 30 głosów, wyjście w formacie WAV, a model odgrywa wskazówki w nawiasach kwadratowych, takie jak [whispering] czy [sighs]. 0,00032 $ za sekundę audio.
• Gemini 3.8 Flash-Lite TTS — szybszy i tańszy wariant. Te same 30 głosów; czasami czyta znaczniki w nawiasach na głos, więc dźwięki lepiej zapisuj literami. 0,00021 $ za sekundę audio.
• Seed Speech 2.0 od ByteDance — 41 gotowych głosów w dziesięciu językach, wskazówka w prostym języku dotycząca sposobu czytania, wyjście w formacie MP3. 0,072 $ za 1000 znaków.
• Qwen3 TTS od Alibaba — open source, dziewięć głosów, w tym japoński, koreański i dwóch mówców chińskich dialektów. 0,068 $ za 1000 znaków, minimum 100 znaków.
• Chatterbox od Resemble AI — otwartoźródłowy głos angielski z suwakiem regulującym ekspresję. Do 1000 znaków za stałą stawkę 0,036 $ za żądanie.

Cenę znasz jeszcze przed uruchomieniem. Seed Speech 2.0 i Qwen3 TTS to pierwsze modele rozliczane za znak: liczba znaków jest znana z góry, więc wyświetlona wycena jest już ceną ostateczną. Modele Gemini rozliczają się za sekundę zwróconego audio, blokując kwotę, która jest zwalniana po zmierzeniu audio.

Czego nie robią. Żaden z tych endpointów nie klonuje głosu ani nie obsługuje dialogu dwóch głosów w jednym żądaniu — wygeneruj każdą kwestię osobnym głosem i połącz pliki.

Synteza mowy Gemini 2.5 Pro od Google jest już dostępna w SpicyAPI jako google/gemini-2.5-pro-tts/text-to-speech.

• Wejście: skrypt liczący do 5000 znaków. Wskazówki w nawiasach kwadratowych, takie jak [sighs], są odgrywane, a nie odczytywane na głos.
• Głos: jeden z 30 gotowych głosów, każdy o stałym charakterze — od jasnych i pewnych po zdyszane i ciepłe.
• Interpretacja: opcjonalny styl (whisper, empathetic, vocalsmile, newscaster, promohype lub deadpan), jeden z 8 angielskich akcentów oraz dowolny tekst w polu instructions dotyczący tempa, nastroju i tego, do kogo mówisz — nic z tego nie jest wypowiadane.
• Wyjście: jeden plik WAV, 24 kHz, 16 bitów, mono.
• Cena: 0,00045 $ za sekundę zwróconego audio (około 0,027 $ za minutę), 10% poniżej ceny katalogowej Google. Podczas wykonywania zadania blokowana jest kwota za najdłuższy możliwy klip, a różnica jest zwalniana po zmierzeniu audio; nieudane żądania nie są obciążane opłatą.

Jak daleko to sięga. Nie dodajemy żadnego własnego filtra treści. W naszych testach model czytał skrypty NSFW w całości: bezpośrednie kwestie, fikcję narracyjną, wskazówki na zdyszany głos, nie pomijając słów ani nie przerywając klipu przed czasem. Ten endpoint nie obsługuje dialogu dwóch głosów ani klonowania głosu: jeden z 30 gotowych głosów na żądanie.

Wypróbuj Gemini 2.5 Pro TTS →

Najnowszy Opus od Anthropic, wydany 22 września, jest już dostępny w SpicyAPI jako anthropic/claude-opus-5.5/chat, na jednym endpoincie kompatybilnym z OpenAI pod /v1/chat/completions.

• Cena: 3,60 $ za milion tokenów wejściowych, 0,18 $ za tokeny z cache, 4,50 $ za zapis do cache i 18 $ za wyjściowe — 10% poniżej ceny katalogowej Anthropic.
• Okno kontekstu: 1 000 000 tokenów na wejściu, do 128 000 na wyjściu.
• Rozumowanie jest zawsze włączone: reasoning_effort przyjmuje low, medium lub high, domyślnie medium.
• Narzędzia: do 128 definicji; tool_choice przyjmuje tylko auto lub none, ponieważ model odrzuca wymuszone wywołanie narzędzia.

Jak daleko się posuwa. Nie dodajemy żadnego własnego filtra treści. W dniu premiery wysłaliśmy mu 24 testy treści dla dorosłych w trzech różnych stylach promptów i nie odrzucił żadnego. Przy systemowym prompcie do fikcji dla dorosłych pisał każdą intymną scenę w całości; poproszony wprost, zwykle pisał złagodzoną wersję zamiast odmówić — a Claude Opus 5 w takiej sytuacji odmawiał całkowicie.

Wypróbuj Claude Opus 5.5 →

Aktualna oferta wideo Kling jest już dostępna w SpicyAPI, rozliczana za sekundę w dolarach amerykańskich, bez żadnego pakietu do kupienia z góry.

• Kling O3 (kling/o3/text-to-video, /image-to-video, /reference-to-video, /video-edit): to Kling 3.0 Omni. Wykorzystaj do siedmiu zdjęć referencyjnych w jednym ujęciu, edytuj klip, który już masz (źródło o długości od 3 do 10 sekund), i włącz inteligentne cięcia wieloujęciowe oraz natywny dźwięk, w rozdzielczości do 4K.
• Kling 3.0 (kling/3.0/text-to-video, /image-to-video, /character-animation): model flagowy, z pierwszą i ostatnią klatką, rozdzielczością do 4K i przełączalnym dźwiękiem. Motion Control przenosi ruchy, mimikę i gesty z klipu o długości od 3 do 30 sekund na twoją własną postać.
• Kling 3.0 Turbo (kling/3.0-turbo/text-to-video, /image-to-video): każdy klip ma natywny dźwięk, w 720p lub 1080p.
• Kling 2.6 (kling/2.6/text-to-video, /image-to-video, /character-animation): pierwszy model Kling z natywnym dźwiękiem, 1080p w 5 lub 10 sekund, z własnym Motion Control.
• Kling 2.5 Turbo (kling/2.5-turbo/text-to-video, /image-to-video): budżetowa opcja w 1080p w 5 lub 10 sekund, z klatką końcową, negatywnym promptem i guidance.
• Kling 2.1 (kling/2.1/image-to-video) i Kling 2.1 Master (kling/2.1-master/text-to-video, /image-to-video): poprzednia generacja, od 720p w trybie obraz na wideo aż po wysokiej jakości 1080p w wersji Master.
• Kling Avatar 2.0 (kling/avatar-2.0/talking-avatar): jeden portret i ścieżka dźwiękowa wystarczą, żeby ta osoba mówiła lub śpiewała tak długo, jak trwa audio, nawet do około pięciu minut.

Kling sam moderuje treści: sugestywne ujęcia czasem przechodzą, wszystko bardziej odsłonięte zostaje odrzucone, a za odrzucone żądanie nigdy nie naliczamy opłaty. Do treści dla dorosłych użyj jednej z naszych rodzin Spicy.

Kling O3, Kling 3.0, Kling 2.5 Turbo i Kling Avatar 2.0 są wycenione poniżej własnej cennikowej stawki Kling za sekundę.

Trzy nowe rodziny obrazów uruchamiają otwarte modele z maksymalnie trzema twoimi plikami LoRA na żądanie, każdy z własną siłą. Każdy obraz ma jedną stałą cenę, niezależnie od proporcji.

• Z-Image Turbo LoRA (alibaba/z-image-turbo-lora/text-to-image, /edit): ośmiokrokowy Z-Image Turbo firmy Alibaba, kilka sekund na obraz, dziewięć proporcji przy około jednym megapikselu oraz obraz na obraz z regulacją parametru strength.
• FLUX.1 Dev LoRA (black-forest-labs/flux-1-dev-lora/text-to-image): FLUX.1 [dev] od Black Forest Labs, baza z ponad tysiącem LoRA społeczności na Hugging Face, z regulacją guidance.
• Qwen Image 2512 LoRA (alibaba/qwen-image-2512-lora/text-to-image, /edit): Qwen-Image-2512 do 1536 pikseli na dłuższym boku oraz edycja w Qwen-Image-Edit-2511 z jednym do trzech źródeł i z LoRA do edycji, na przykład do nowych kątów kamery.

LoRA to bezpośredni link do pliku .safetensors: bez przesyłania, bez listy dozwolonych, bez weryfikacji. Wszystkie pięć endpointów działa bez cenzury, a ładowanie LoRA nie kosztuje nic dodatkowo.

26 września uruchomiliśmy osiem endpointów, z których każdy robi jedną rzecz. Każdy wykonuje jedną operację na obrazie lub klipie, który już masz, za stałą cenę. Wywołuj je jak każdy inny model albo korzystaj z nich w Spicy Studio, w sekcji Narzędzia i bezpośrednio przy swoich wynikach.

Od czego zależy rachunek:

• Skalowanie wideo rozliczamy według długości klipu źródłowego, zaokrąglonej w górę do pełnej sekundy, minimum 3 sekundy.
• Mówiący awatar i synchronizację ust rozliczamy według zwróconego wideo, które trwa tyle co twoje audio (minimum 3 sekundy). Przy synchronizacji ust klip krótszy od audio jest zapętlany.
• Efekty dźwiękowe rozliczamy według zamówionego duration_seconds (1–30, domyślnie 8), a nie długości klipu, więc ustaw wartość równą długości klipu. Narzędzie tworzy efekty i tło, nie dialogi ani muzykę.
• Wejścia audio i wideo muszą być bezpośrednimi linkami do pliku, a najpewniej jest przesłać plik. Wejścia spoza dozwolonej długości są odrzucane, zanim cokolwiek zostanie naliczone.

xAI wydało Grok 4.7 21 września, a xai/grok-4.7/chat można u nas wywoływać od 22 września, w tym samym formacie czatu OpenAI i ze streamingiem SSE jak pozostałe endpointy Grok.

• 40% poniżej ceny opublikowanej przez xAI w progu standardowym ($2 / $0.50 / $6) i 60% poniżej progu długiego kontekstu ($4 / $1 / $12).
• Na tej trasie bez cenzury. 22 września dziewięć prób pisania twórczego z 4. szczebla naszej pięciostopniowej drabiny testów treści, w trzech stylach promptu, wróciło jako dziewięć kompletnych scen bez żadnej odmowy; 24 września model przeszedł też wszystkie pozostałe szczeble, łącznie z najwyższym. Nie dokładamy własnego filtra.
• Rola system jest respektowana — sprawdziliśmy to celowo — więc ramy ustawione na początku wątku obowiązują do końca.
• Rozumowanie rozliczane jest jak wyjście. Domyślne high kosztuje więcej, niż się wydaje; w dialogach low albo medium brzmi lepiej i wychodzi taniej.

Od 24 września oba endpointy MiniMax H3 Max przyjmują oprócz 768p także resolution: "480p".

Ceny dotyczą sekundy wyniku i są takie same jak w cenniku opublikowanym przez MiniMax. 480p to natywny poziom, a nie pomniejszenie: tani sposób, żeby sprawdzić ruch i kadr, zanim zapłacisz za 768p.

Zmieniło się pięć etykiet treści. 24 września zakończyła się kolejna runda testów treści na trasach, które obsługujemy, i te etykiety się zmieniły:

• Złagodzony oznacza, że żądanie wykraczające poza własne limity modelu nie kończy się błędem, tylko wraca w stonowanej wersji i jest rozliczane jak każdy sukces. Sprawdzaj więc wynik, a nie kod statusu. Filtrowany oznacza, że żądanie zostaje odrzucone z content_rejected, a opłata wraca na konto.
• Jeśli po naszym komunikacie z 21 września H3 Max obraz-wideo był twoim wyborem do pracy bez cenzury, zwróć uwagę, że etykietę Bez cenzury mają teraz minimax/h3/image-to-video (od $0.025 za sekundę) i oba endpointy Wan 2.5.

Do katalogu wideo dołączają cztery rodziny, rozliczane za sekundę materiału. Każda ma etykietę treści wziętą z pomiaru, nie z założenia.

• minimax/h3-max/image-to-video i text-to-video — 0,08 USD za sekundę. Z obrazu na wideo jest Uncensored, z tekstu na wideo — Softened: odważniejszy prompt zwraca tam wynik złagodzony zamiast błędu i mimo to jest płatny. Sprawdzajcie wynik, nie kod statusu.
• alibaba/wan-2.6/text-to-video i image-to-video — 0,09 USD za sekundę, oba Uncensored. reference-to-video kosztuje 0,065 USD za sekundę i ma etykietę Filtered: odważniejsze zlecenia odrzuca wprost.
• alibaba/wan-2.6-flash/image-to-video — 0,0225 USD za sekundę, Uncensored. Zdecydowanie najtańsze wideo w katalogu w przeliczeniu na sekundę.
• lightricks/ltx-2.5/text-to-video i image-to-video — 0,09 USD za sekundę, oba Uncensored.
• vidu/q3-pro/image-to-video po 0,054 USD i vidu/q3-turbo/image-to-video po 0,042 USD za sekundę, oba Uncensored.

Etykiety pochodzą z rzeczywistego pomiaru na trasie, którą naprawdę obsługujemy, więc zmieniają się razem z trasą. Model bez etykiety to taki, którego jeszcze nie zmierzyliśmy — wolimy nie powiedzieć nic, niż zgadywać w waszym imieniu.