Zmiany, które mają znaczenie przy budowaniu

403 przykłady pokrywają obecnie 117 ze 120 wywoływalnych endpointów. Każdy z nich to zadanie faktycznie wykonane na tej platformie — nie grafika koncepcyjna ani kadr pożyczony z karty modelu. Do każdego dołączone są trzy rzeczy:

• Gotowy plik, serwowany z naszego własnego CDN-a, w oryginalnych proporcjach.
• Kompletny obiekt wejściowy, który go stworzył: prompt, rozmiar, czas trwania, wszystkie parametry — gotowy do skopiowania wprost do waszego wywołania.
• Komentarz we wszystkich dziesięciu językach interfejsu: dlaczego wybrano takie wejście, pod jakie proporcje pisano kompozycję, który parametr odpowiada za efekt i co zmienić w pierwszej kolejności.

Na stronie modelu układają się w ścianę wyników, którą da się ogarnąć jednym spojrzeniem; przez API wracają w polu examples odpowiedzi GET /console/v1/catalog/models/{slug}.

Do tej pory wybór modelu oznaczał czytanie tabeli parametrów i wyobrażanie sobie rezultatu. Teraz widać, co endpoint naprawdę produkuje, i można zacząć od wejścia, o którym wiadomo, że na nim działa.

Przejrzyj katalog

Do rodziny podmian dołącza sześć endpointów, trzy z nich dla wideo. Różni je to, jak wiele faktycznie się przenosi.

Obrazy

• spicyapi/face-swap-pro-v1/edit — przenoszą się wyłącznie rysy twarzy. Fryzura, linia włosów, zarys głowy, poza, ubranie, światło i tło osoby docelowej zostają bez zmian. 0,16 USD za obraz.
• spicyapi/face-swap-v1-plus/edit — przenosi twarz i przy okazji uzgadnia odcień skóry między dwoma obrazami; silnik wtapia albo samą twarz, albo całą głowę, zależnie od tego, co wypada lepiej. 0,16 USD za obraz.
• Pierwotne spicyapi/face-swap-v1/edit i spicyapi/head-swap-v1/edit zostają przy 0,013 USD za obraz.

Wideo

• spicyapi/face-swap-video-v1/video-edit — przenosi rysy z jednego zdjęcia referencyjnego na każdą klatkę. Fryzura, zarys głowy, ruch, kostium i światło osoby w kadrze pozostają nietknięte. 0,0325 USD za sekundę materiału.
• spicyapi/head-swap-video-v1/video-edit — zmieniają się włosy, kształt głowy i tożsamość. 0,064 USD za sekundę materiału.
• spicyapi/character-swap-v1/video-edit — zmienia się cała postać, razem z ubraniem. 0,064 USD za sekundę materiału.

Dwa endpointy wideo dla wielu osób są dwuetapowe celowo. Najpierw wywołajcie odpowiadający im video-analyze, 0,08 USD za żądanie: śledzi każdą rozpoznaną osobę przez cały materiał i zwraca po jednej klatce podglądu na osobę, w ustalonej kolejności — pierwszy obraz to pozycja 0, drugi to pozycja 1. Potem podajecie wybrane pozycje i od jednego do trzech zdjęć referencyjnych dla każdej. Nie zostaje nic do zgadywania co do tego, na kogo model zadziała.

Trzy modele xAI, każdy z jednym endpointem chat, wszystkie w formacie OpenAI i ze strumieniowaniem.

• 40% poniżej ceny opublikowanej przez samo xAI, w każdym progu; zweryfikowane na ich stronie cennika 19 września 2026 roku.
• Wartość reasoning_effort: none przyjmuje tylko 4.3. Na 4.5 i 4.6 jest odrzucana po stronie dostawcy; pozostałe cztery poziomy działają na wszystkich trzech.
• 4.5 ma tańsze wejście z pamięci podręcznej niż 4.6 (0,18 USD wobec 0,30 USD za milion tokenów), a poza tym im dorównuje.
• Prompty od 200 000 tokenów rozliczają się według wyższej stawki długiego kontekstu, dokładnie jak u xAI. Tokeny rozumowania wliczają się do max_tokens — zaplanujcie na nie zapas.
• Te trasy przyjmują tekst i obrazy. Nie przyjmują części typu plik ani PDF.

Pięć endpointów obrazowych w rozpiętości cen cztery do jednego — poziom dobiera się do zadania, zamiast płacić najwyższą stawkę za miniaturę.

• bytedance/seedream-4.0/text-to-image i bytedance/seedream-4.0/edit — 0,03 USD za obraz, oba Uncensored. Endpoint edit przyjmuje istniejący obraz i polecenie zapisane słowami.
• krea/2-large/text-to-image — 0,06 USD za obraz, Filtered.
• krea/2-medium/text-to-image — 0,03 USD za obraz, Softened.
• krea/2-medium-turbo/text-to-image — 0,015 USD za obraz, Filtered. Po rodzinie podmian najtańszy endpoint obrazowy w katalogu.

Dwie rzeczy warto wiedzieć przed wyborem. Poziomy Krea różnią się nie tylko ceną, ale i tym, co w ogóle przyjmą: Filtered odrzuca odważniejsze zlecenia wprost, a Softened zwraca wynik złagodzony i mimo to go nalicza — na trasie Softened sprawdzajcie więc wynik, a nie kod statusu. Druga rzecz: rozmiar obrazu nie jest korektą doklejaną po fakcie. Przykładowe uruchomienia na stronie każdego modelu podają dokładny rozmiar, pod jaki napisano kompozycję, bo prompt pomyślany pod kadr pionowy nie daje się po prostu przeskalować na poziomy.

heartmula/transcribe/speech-to-text spisuje śpiewany tekst z pliku audio i zwraca go jako tekst przy zadaniu. Jest dostrojony do wokalu na tle muzyki, a nie do zwykłej mowy.

• Jedno wejście: audio_url, które musi prowadzić wprost do pliku audio. Nie ma nic więcej do wysłania — żadnej podpowiedzi językowej, żadnego żądania znaczników czasu, żadnego przełącznika rozdzielania mówców.
• Wynikiem jest tekst przy zadaniu. Nie powstaje żaden zasób multimedialny, więc nie ma czego pobierać i nic nie wchodzi do okresu przechowywania mediów.
• Bez czasów dla poszczególnych wersów, bez wartości pewności, bez etykiet mówców.
• 0,05 USD za transkrypcję, niezależnie od długości nagrania.

To także pierwszy endpoint w katalogu, którego wyjściem jest tekst, a nie plik. Jeśli wasza integracja zakłada, że każde ukończone zadanie niesie pobieralny zasób, właśnie tutaj to założenie wyjdzie na jaw — warto przed podpięciem zajrzeć do obsługi wyników.