Zmiany, które mają znaczenie przy budowaniu

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.

Centrum recenzji klasyfikuje teraz modele według tego, jak dobrze wygląda ich wynik, a nie według liczby wypisanych specyfikacji.

• Jakość wyników to 85% Spicy Index. Łączy publiczne rankingi oparte na głosach ludzi (arena.ai, Artificial Analysis, Design Arena) z naszym własnym testem na ślepo: 112 promptów, każdy model otrzymuje ten sam prompt, oceniany przez trzech sędziów z różnych firm tworzących modele, którzy nigdy nie widzą nazw modeli. Specyfikacje, takie jak rozdzielczość, długość i akceptowane dane wejściowe, stanowią 15%, a rozdzielczość ma górny limit natywnego 1080p.
• Test na ślepo jest weryfikowany względem głosów ludzi. W kategorii, w której nasi sędziowie nie zgadzają się wystarczająco z publicznymi rankingami opartymi na głosach ludzi, test na ślepo liczy się z obniżoną wagą, a model mający wyłącznie dowody z testu na ślepo jest tam pokazywany, ale nie klasyfikowany. W tej rundzie dotyczy to wideo, gdzie sędziowie widzą głównie próbkowane klatki i nie dostrzegają pracy kamery. Każdy raport z testu wskazuje, która zasada została zastosowana.
• Dźwięk też się liczy. Na sześciu promptach audio oceniliśmy klarowność mowy, synchronizację ruchu warg, emocje oraz to, czy każdy dźwięk pojawia się we właściwym momencie.
• 69 nowych recenzji w 10 językach: 32 modele obrazu i wideo, 20 modeli językowych i 17 narzędzi, każdy z naszymi własnymi wynikami testów i aktualnymi cenami.
• 106 nowych promptów na arenie, z 1693 wynikami do głosowania.

Pełne zasady znajdziesz na stronie metodologii.

Panel Narzędzia w Spicy Studio pokazuje teraz wszystkie narzędzia w grupach „Z obrazu”, „Z wideo” oraz „Ludzie i twarze”, z ceną przy każdym narzędziu, które uruchamia się prosto z panelu. Wybierz narzędzie, a potem jeden ze swoich wyników albo prześlij plik.

Nowe w Studio:

• Zamiana twarzy na zdjęciu ma trzy poziomy. Standard działa szybko i zachowuje włosy oraz kształt głowy z twojego zdjęcia, Plus dopasowuje odcień skóry i przy każdym zdjęciu sam decyduje, czy przenieść samą twarz, czy całą głowę, a Pro zachowuje najwięcej szczegółów twarzy.
• Zamiana głowy i postaci w wideo przebiega w dwóch krokach. Studio najpierw znajduje wszystkie osoby w klipie, ty wybierasz, kogo zastąpić, i dopiero wtedy rusza zamiana. Jeśli pierwszy krok nikogo nie znajdzie, opłata za niego zostaje zwrócona i nic więcej się nie uruchamia.

Gdy po raz pierwszy używasz narzędzia, które działa na twarzy prawdziwej osoby, w tym mówiącego awatara i synchronizacji ust, Studio prosi o zgodę na trzy zasady: używaj tylko własnej twarzy albo twarzy osób, które się zgodziły; nigdy nie używaj zdjęć osób poniżej 18 lat; nie podszywaj się pod nikogo i nikogo nie wprowadzaj w błąd. Twoja odpowiedź zostaje zapamiętana na tym urządzeniu.

Otwórz płótno z sekcji Płótno, a zajmie teraz cały ekran: siatka kropek, twoje ujęcia jako węzły i sterowanie przy krawędziach.

• Dodawaj węzły gdziekolwiek. Kliknij dwukrotnie albo prawym przyciskiem w puste miejsce, naciśnij + na dolnym pasku albo klawisz N. Dodaj obraz, wideo, edycję, notatkę albo scenę z czterema ujęciami, albo wstaw przesłany plik, wynik z Moich prac, szablon, styl lub efekt.
• Kontynuuj z dowolnego wyniku. Obrazy i klipy mają po prawej +, który otwiera „Generuj z tego węzła”: wideo z obrazu, edycję, nowy styl, ostatnią klatkę klipu jako nowy obraz albo dowolne narzędzie, które na nich działa. Węzły promptu mają po lewej +, który dodaje wejście: przesłany plik, coś z Moich prac albo inny węzeł na płótnie.
• Zaplanuj, zanim uruchomisz. Połącz węzeł obrazu z węzłem wideo, a wideo zacznie się od tego obrazu, gdy tylko będzie gotowy. Pole promptu pokazuje cenę tego kroku i obu razem.
• Prompt tuż obok. Zaznacz węzeł promptu, a jego pole otworzy się zaraz obok: model, referencje, styl, ustawienia i cena na przycisku wysyłania. Podłączone obrazy są ponumerowane, więc możesz wpisać @ i wskazać jeden z nich, np. @image2. W modelach wideo, które przyjmują klatkę końcową, wybierasz, czy dwa obrazy to klatka początkowa i końcowa, czy referencje.
• Jeden pasek narzędzi. Zaznaczanie, rączka, biblioteka, Moje prace, narzędzia, cofnij i ponów są na dolnym pasku; powiększenie, dopasowanie do ekranu i minimapa są w rogu. Połączenia między węzłami i widok storyboardu włączasz u góry.

Nic się nie uruchomi, dopóki nie klikniesz generowania, a każde uruchomienie najpierw pokazuje cenę.

Pole promptu w Spicy Studio nie ściska już każdego modelu do czterech kształtów i trzech długości. Pokazuje to, co wybrany model naprawdę przyjmuje.

• Proporcje jako liczby. Na liście są wszystkie proporcje obsługiwane przez model, od 1:1 i 4:5 przez 9:16 aż po 21:9, każda z małą ramką w skali. Jeśli model potrafi sam dobrać kształt albo dopasować się do twojego zdjęcia, na początku jest Auto.
• Każda obsługiwana długość. Do siedmiu długości wybierasz przyciskami, szersze zakresy suwakiem. Jeśli model oferuje Auto, widzisz, ile najwyżej może trwać klip.
• Zmiana modelu bez zaczynania od nowa. Jeśli nowy model nie obsługuje twoich proporcji albo długości, Studio przełączy się na najbliższą wartość i powie, co zmieniło.
• Szablony wideo z podglądem. Wszystkie 20 szablonów wideo ma teraz prawdziwy przykładowy klip, który odtwarza się po najechaniu na kartę. Każdy powstał w MiniMax H3 z promptu danego szablonu i to z MiniMax H3 szablon się otwiera. Bibliotekę szablonów można też przełączać między obrazami a wideo.
• Karty stylów nie zmieniają postaci po najechaniu, więc porównujesz styl, a nie ludzi.

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.

Synchronizacja ust (spicyapi/lip-sync-v1/lip-sync) liczy teraz sekundy audio, które wysyłasz, a nie gotowego wideo. Wideo zwykle trwa mniej więcej pół sekundy dłużej niż audio i ta nadwyżka nie jest już naliczana.

Stawka się nie zmienia: $0.012 za sekundę, w górę do pełnej sekundy, minimum 3 sekundy. Nagranie głosu trwające 4,5 sekundy jest teraz liczone jako 5 sekund, czyli $0.06; według długości gotowego wideo mogło wyjść 6 sekund, czyli $0.072. Twoje zapytania się nie zmieniają, a w Spicy Studio obowiązuje ta sama zasada.

Spicy Studio działa od 26 września pod adresem spicyapi.ai/create. Te same modele i te same ceny za uruchomienie co w API, ale w przestrzeni stworzonej do tworzenia, a nie do integracji.

• Jedna linijka i Generuj. Wybierz Obraz albo Wideo, napisz, co chcesz zobaczyć, albo naciśnij Tab, żeby użyć przykładu. Każdy tryb otwiera się z pasującym modelem, który możesz w każdej chwili zmienić, a prompt przechodzi razem z tobą. Cena na przycisku to maksimum, ile może kosztować uruchomienie, i nic nie zostanie pobrane, dopóki go nie naciśniesz.
• 97 stylizacji, 4 wykończenia i 12 efektów. Stylizacja otacza twój opis sprawdzonymi sformułowaniami o świetle, kolorze i technice — film, edytorial, anime, malarstwo, 3D i zestaw After Dark — i pokazuje pełny prompt przed uruchomieniem. Nie podnosi ceny. Efekt zamienia jedno zdjęcie w gotowe ujęcie: najazd, orbita, wznoszenie drona, deszcz, śnieg, wygląd taśmy 16 mm.
• 150 szablonów w 13 grupach. Każdy to gotowy brief z opisaną scenografią, światłem i obiektywem; ty podajesz tylko, kto jest w kadrze.
• Płótno do prac z więcej niż jednym ujęciem. Z każdej klatki możesz rozgałęzić wideo, edycję albo warianty, zrobić z ostatniej klatki klipu początek następnego, a potem zgrupować ujęcia w sceny i odtworzyć je jako storyboard. Przykładowe projekty pokazują każdy prompt i można je skopiować w całości.
• Narzędzia przy każdym wyniku: osiem nowych narzędzi, od usuwania tła po synchronizację ust, stoi obok przycisków „Wpraw w ruch” i „Warianty”.
• Ulepsz przepisuje pomysł z jednej linijki na szczegółowy prompt dla wybranego modelu przed uruchomieniem; płacisz za to osobno, niewielką kwotę widoczną na przycisku.
• Domyślnie prywatnie. Nic nie trafia do feedu ani galerii. Wyniki zostają przez 14 dni w sekcji Moje prace, przesłane pliki są usuwane po jednym dniu, a opcja Rozmyj do kliknięcia ukrywa wyniki, dopóki ich nie klikniesz.

Bez konta możesz przeglądać, wczytywać przykłady i sprawdzać dokładne ceny; do generowania konto jest potrzebne, a szkic zostaje zachowany na czas rejestracji. Każde uruchomienie w Studio jest też wywołaniem API z tymi samymi parametrami, więc stylizacja dopracowana tutaj trafia prosto do kodu.

Razem ze Studio zmienił się nagłówek strony: Modele · Studio · Zestawienia · Deweloperzy · Cennik. Zestawy modeli, które były wcześniej w sekcji Przeglądaj, są teraz w pozycji Kolekcje w menu Modele.

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.