Atualizações que fazem diferença na integração

• O Claude Sonnet 5.5 está no ar. O Sonnet mais recente da Anthropic, lançado em 28 de setembro, em um único endpoint compatível com a OpenAI: entrada de texto, janela de 1.000.000 de tokens e até 128.000 de saída — o dobro do teto do Sonnet 5. As respostas saem por streaming SSE, e pedidos que falham não são cobrados.
• 24 de 24 testes de conteúdo escritos por inteiro. Nenhuma recusa e nada suavizado, incluindo os nove pedidos de cena íntima entre adultos — enquanto o Sonnet 5 recusou todos os pedidos diretos ou dentro da história.
• Seis níveis de esforço. reasoning_effort vai de none a max, com medium como padrão; none pula a etapa de raciocínio e xhigh e max devolvem o raciocínio. tool_choice só aceita auto ou none, e temperature e top_p não são aceitos.
• Preço de tabela da Anthropic. US$ 2 por milhão de tokens de entrada, US$ 0,20 em cache, US$ 2,50 de escrita em cache e US$ 10 de saída — o mesmo preço de tabela do Sonnet 5.

Duas versões do Wan 3.0 da Alibaba ajustadas para cenas adultas já estão no ar na SpicyAPI. Ambas transformam um quadro de abertura em 2 a 30 segundos de vídeo em 480p, 720p ou 1080p, com áudio gerado e um último quadro opcional.

Qual usar. Para a maioria dos clipes, recomendamos começar pelo Wan 3.0 ou pelo Wan 3.0 Prime padrão. No SpicyAPI eles também são sem censura, custam menos por segundo (em 480p, $0.045 no Wan 3.0 contra $0.057 no Wan 3.0 Spicy, e $0.0612 no Wan 3.0 Prime contra $0.09 no Prime Spicy), mantêm a roupa quando o prompt pede e ainda oferecem texto para vídeo e vídeo a partir de referências. Mude para uma versão Spicy quando quiser um modelo que puxe para o adulto por conta própria; no Prime, o Prime Spicy também entregou o nível íntimo a dois que o Wan 3.0 Prime padrão suavizou no nosso teste.

O que testamos. Rodamos nossa escada de conteúdo de seis níveis nos dois modelos em 480p: uma alça escorregando, topless, nudez total, dois adultos em uma cena íntima, bondage consensual e impact play, e gore cinematográfico. Todos os níveis saíram como pedido nos dois: sem recusa, sem nada coberto e sem trocar ninguém por outra pessoa. No Wan 3.0 Prime Spicy isso inclui o nível íntimo de duas pessoas, que o Wan 3.0 Prime padrão suavizou no nosso teste anterior.

Saiba disto antes de publicar. Os dois modelos tendem ao adulto por conta própria. Com quadros de abertura vestidos e prompts pedindo que a pessoa continuasse vestida, o Wan 3.0 Spicy despiu o sujeito em quatro de seis clipes e o Prime Spicy em dois de quatro. Revise os clipes inteiros, não só a imagem de capa, e use o Wan 3.0 padrão quando a roupa precisar ficar.

Detalhes. Qualquer número inteiro de segundos de 2 a 30. Proporção 16:9, 9:16, 1:1, 4:3 ou 3:4, ou deixe de fora para seguir o quadro de abertura. last_image_url define como o clipe termina. No nosso primeiro lote, um clipe de cinco segundos em 480p levou cerca de um minuto e meio no Wan 3.0 Spicy e de dois a dois minutos e meio no Prime Spicy. A cobrança é por segundo solicitado.

O Seedream 5.0 Flash, da ByteDance, já está disponível na SpicyAPI com três endpoints. A separação em camadas — entra uma imagem, saem uma base limpa e até 16 camadas PNG transparentes — funciona no Flash e no Seedream 5.0 Pro.

Seedream 5.0 Flash. A versão mais leve do Seedream. 1K, 1,5K e 2K custam o mesmo, US$ 0,029, então a resolução padrão é a mais nítida (2K). Prompts de até 5.000 caracteres, quinze proporções de 1:3 a 3:1 e saída em JPEG ou PNG. Conteúdo adulto não exige um interruptor extra nem um endpoint separado: lingerie, boudoir e outras cenas adultas saem como qualquer outro prompt, tanto em texto para imagem quanto em edição.

Separação em camadas. Você envia uma imagem e, se quiser, indica o que separar (“o texto do título e o papagaio”). Você recebe uma base sem esses elementos e com o fundo reconstruído, mais um PNG transparente para cada elemento. Dá para mover, redimensionar, recolorir ou trocar qualquer um deles. Usos comuns: mudar a manchete de um pôster, trocar o fundo de uma foto de produto, tirar uma pessoa de uma foto em grupo ou preparar camadas para animação. Depois de qualquer geração, você também pode enviar o resultado direto para “Dividir em camadas”.

Flash ou Pro para camadas. O Pro devolve também o nome de cada camada e a posição dela sobre a base, então a tela de resultado na web vira uma área de trabalho onde você mostra ou oculta camadas, arrasta e exporta a pilha visível como um único PNG. O Flash devolve recortes independentes, sem posição, numa faixa que você baixa camada por camada ou em um único zip. O Pro também aceita fotos de entrada mais reveladoras, que o Flash recusa.

Cobrança. Cada imagem de saída conta, inclusive a base, até 17 por solicitação. Reservamos 17 imagens quando a solicitação é aceita e devolvemos a diferença assim que o número real é conhecido. Uma execução típica gera de 3 a 9 imagens, ou seja, de US$ 0,06 a US$ 0,18 no Flash.

Saiba mais. A API do Seedream 5.0 Flash, testada · Como dividir uma imagem em camadas com uma API

Cinco novos modelos de voz já estão no ar na SpicyAPI, ao lado do Gemini 2.5 Pro TTS. Nenhum deles adiciona filtro de conteúdo: em nossos testes, os cinco leram roteiros NSFW por completo.

• Gemini 3.8 Flash TTS — o mais novo modelo de voz do Google. Até 5.000 caracteres, 30 vozes, saída em WAV, e interpreta instruções entre colchetes como [whispering] ou [sighs]. US$ 0,00032 por segundo de áudio.
• Gemini 3.8 Flash-Lite TTS — a versão mais rápida e barata. As mesmas 30 vozes; às vezes lê as marcações entre colchetes em voz alta, então soletre os sons. US$ 0,00021 por segundo de áudio.
• Seed Speech 2.0, da ByteDance — 41 vozes predefinidas em dez idiomas, uma nota em linguagem simples sobre como ler o texto, saída em MP3. US$ 0,072 a cada 1.000 caracteres.
• Qwen3 TTS, da Alibaba — de código aberto, nove vozes, incluindo japonês, coreano e dois falantes de dialetos chineses. US$ 0,068 a cada 1.000 caracteres, mínimo de 100 caracteres.
• Chatterbox, da Resemble AI — uma voz de código aberto em inglês com um controle de expressividade. Até 1.000 caracteres por uma taxa fixa de US$ 0,036 por solicitação.

O preço já é conhecido antes de você rodar a tarefa. Seed Speech 2.0 e Qwen3 TTS são os primeiros modelos cobrados por caractere: a contagem já é conhecida de antemão, então o orçamento mostrado já é o preço final. Os modelos Gemini cobram por segundo de áudio retornado, com um valor reservado que é liberado assim que o áudio é medido.

O que eles não fazem. Nenhum desses endpoints clona vozes, e nenhum aceita diálogo com duas vozes em uma única solicitação — gere cada fala com sua própria voz e una os arquivos.

A síntese de voz Gemini 2.5 Pro do Google já está disponível na SpicyAPI como google/gemini-2.5-pro-tts/text-to-speech.

• Entrada: um roteiro de até 5.000 caracteres. Indicações entre colchetes, como [sighs], são interpretadas, não lidas em voz alta.
• Voz: uma entre 30 vozes prontas, cada uma com um caráter fixo, de tons claros e firmes a vozes suaves e ofegantes.
• Interpretação: um estilo opcional (whisper, empathetic, vocalsmile, newscaster, promohype ou deadpan), um entre 8 sotaques em inglês e instruções em texto livre sobre ritmo, clima e para quem é a fala, nada disso é falado.
• Saída: um arquivo WAV, 24 kHz, 16 bits, mono.
• Preço: US$ 0,00045 por segundo de áudio retornado (cerca de US$ 0,027 por minuto), 10% abaixo do preço de tabela do Google. Enquanto a tarefa roda, um valor é reservado para o clipe mais longo possível e a diferença é liberada quando o áudio é medido; solicitações que falham não são cobradas.

Até onde ele vai. Não adicionamos nenhum filtro de conteúdo próprio. Em nossos testes, ele leu roteiros NSFW por completo: falas diretas, ficção narrada, indicações de voz ofegante, sem pular palavras nem cortar o clipe antes da hora. Este endpoint não tem diálogo com duas vozes nem clonagem de voz: uma das 30 vozes prontas por solicitação.

Experimentar o Gemini 2.5 Pro TTS →

O Opus mais recente da Anthropic, lançado em 22 de setembro, já está na SpicyAPI como anthropic/claude-opus-5.5/chat, em um único endpoint compatível com a OpenAI em /v1/chat/completions.

• Preço: US$ 3,60 por milhão de tokens de entrada, US$ 0,18 em cache, US$ 4,50 de escrita em cache e US$ 18 de saída, 10% abaixo do preço de tabela da Anthropic.
• Janela de contexto: 1.000.000 de tokens de entrada, até 128.000 de saída.
• O raciocínio está sempre ativo: reasoning_effort aceita low, medium ou high, com medium como padrão.
• Ferramentas: até 128 definições; tool_choice aceita apenas auto ou none, porque o modelo recusa uma chamada de ferramenta forçada.

Até onde ele vai. Não adicionamos nenhum filtro de conteúdo próprio. No dia do lançamento, enviamos 24 testes de conteúdo adulto em três estilos de prompt diferentes e ele não recusou nenhum. Sob um system prompt de ficção adulta, escreveu cada cena íntima por completo; quando pedido diretamente, normalmente escrevia uma versão mais suave em vez de recusar, algo que o Claude Opus 5 recusava por completo.

Experimentar o Claude Opus 5.5 →

A linha atual de vídeo da Kling já está na SpicyAPI, cobrada por segundo em dólares americanos, sem nenhum pacote para comprar antecipadamente.

• Kling O3 (kling/o3/text-to-video, /image-to-video, /reference-to-video, /video-edit): o Kling 3.0 Omni. Incorpore até sete fotos de referência em uma única cena, edite um clipe que você já tenha (uma fonte de 3 a 10 segundos) e ative cortes inteligentes com múltiplos planos e som nativo, até 4K.
• Kling 3.0 (kling/3.0/text-to-video, /image-to-video, /character-animation): o modelo principal, com primeiro e último quadro, até 4K e som que pode ser ativado ou desativado. O Motion Control copia os movimentos, expressões e gestos de um clipe de 3 a 30 segundos para o seu próprio personagem.
• Kling 3.0 Turbo (kling/3.0-turbo/text-to-video, /image-to-video): todo clipe já vem com som nativo, em 720p ou 1080p.
• Kling 2.6 (kling/2.6/text-to-video, /image-to-video, /character-animation): o primeiro modelo da Kling com áudio nativo, 1080p em 5 ou 10 segundos, com seu próprio Motion Control.
• Kling 2.5 Turbo (kling/2.5-turbo/text-to-video, /image-to-video): opção econômica em 1080p em 5 ou 10 segundos, com quadro de encerramento, prompt negativo e guidance.
• Kling 2.1 (kling/2.1/image-to-video) e Kling 2.1 Master (kling/2.1-master/text-to-video, /image-to-video): a geração anterior, de imagem para vídeo em 720p até o 1080p de alta fidelidade do Master.
• Kling Avatar 2.0 (kling/avatar-2.0/talking-avatar): um retrato e uma faixa de áudio bastam para fazer essa pessoa falar ou cantar enquanto o áudio durar, por até cerca de cinco minutos.

A Kling modera o conteúdo por conta própria: cenas sugestivas às vezes passam, qualquer coisa mais reveladora é recusada, e uma solicitação recusada nunca é cobrada. Para conteúdo adulto, use uma das nossas famílias Spicy.

Kling O3, Kling 3.0, Kling 2.5 Turbo e Kling Avatar 2.0 têm preço abaixo do preço de tabela por segundo da própria Kling.

Três novas famílias de imagem rodam modelos abertos com até três arquivos LoRA seus por requisição, cada um com força própria. Cada imagem tem um preço fixo, seja qual for a proporção.

• Z-Image Turbo LoRA (alibaba/z-image-turbo-lora/text-to-image, /edit): o Z-Image Turbo da Alibaba, de 8 passos, com poucos segundos por imagem e nove proporções com cerca de um megapixel, além de imagem para imagem com controle de força.
• FLUX.1 Dev LoRA (black-forest-labs/flux-1-dev-lora/text-to-image): o FLUX.1 [dev] da Black Forest Labs, a base com mais de mil LoRAs da comunidade no Hugging Face, com controle de guidance.
• Qwen Image 2512 LoRA (alibaba/qwen-image-2512-lora/text-to-image, /edit): o Qwen-Image-2512 com até 1536 pixels no lado maior, e edição com o Qwen-Image-Edit-2511 a partir de uma a três fontes, com LoRAs de edição como os de novos ângulos de câmera.

Um LoRA é um link direto para um arquivo .safetensors: sem upload, sem lista de permissões, sem revisão. Os cinco endpoints são sem censura, e carregar LoRAs não tem custo extra.

Em 26 de setembro entraram no ar oito endpoints de uma tarefa só. Cada um faz um trabalho numa imagem ou clipe que você já tem, com preço fixo. Chame como qualquer outro modelo ou use no Spicy Studio, onde eles ficam em Ferramentas e nos seus resultados.

O que define a cobrança:

• O aumento de vídeo é cobrado pela duração do clipe original, arredondada para cima em segundos inteiros, com mínimo de 3 segundos.
• O avatar falante e a sincronia labial são cobrados pelo vídeo devolvido, que tem a mesma duração do seu áudio (mínimo de 3 segundos). A sincronia labial repete em loop um clipe mais curto que o áudio.
• Os efeitos sonoros são cobrados pelo duration_seconds que você pede (1 a 30, padrão 8), não pelo clipe, então ajuste para a duração do clipe. A ferramenta faz efeitos e ambiente, não diálogo nem música.
• Entradas de áudio e vídeo precisam ser links diretos para o arquivo, e enviar o arquivo é o caminho mais confiável. Entradas fora da duração permitida são recusadas antes de qualquer cobrança.

A xAI lançou o Grok 4.7 em 21 de setembro, e o xai/grok-4.7/chat pode ser chamado aqui desde 22 de setembro, com o mesmo formato de chat da OpenAI e o mesmo streaming SSE dos outros endpoints do Grok.

• 40% abaixo do preço publicado pela xAI na faixa padrão ($2 / $0.50 / $6) e 60% abaixo da faixa de contexto longo ($4 / $1 / $12).
• Sem censura nesta rota. Em 22 de setembro, nove sondas de escrita criativa do nível 4 da nossa escala de testes de conteúdo, que tem cinco, em três estilos de prompt, voltaram como nove cenas completas, sem nenhuma recusa; em 24 de setembro, ele passou também em todos os outros níveis que testamos, inclusive o mais alto. Não adicionamos filtro próprio.
• O papel system é respeitado, conferimos de propósito: um enquadramento definido no começo da conversa vale até o fim.
• O raciocínio é cobrado como saída. O padrão high custa mais do que parece; em diálogo, low ou medium fica mais natural e sai mais barato.

Desde 24 de setembro, os dois endpoints do MiniMax H3 Max aceitam resolution: "480p" além de 768p.

Os preços são por segundo gerado e iguais às tarifas publicadas pela própria MiniMax. 480p é uma faixa nativa, não uma redução: o jeito barato de conferir movimento e enquadramento antes de pagar pelo 768p.

Cinco rótulos de conteúdo mudaram. Uma nova rodada de testes de conteúdo nas rotas que atendemos terminou em 24 de setembro, e estes rótulos mudaram:

• Suavizado quer dizer que um pedido além dos limites do próprio modelo não falha: volta com um resultado atenuado e é cobrado como qualquer sucesso, então confira a saída, não o código de status. Com filtro quer dizer que o pedido é recusado com content_rejected e reembolsado.
• Se você escolheu o H3 Max de imagem para vídeo para trabalho sem censura depois do nosso aviso de 21 de setembro, agora quem tem o rótulo Sem censura são o minimax/h3/image-to-video (a partir de $0.025 por segundo) e os dois endpoints do Wan 2.5.

Quatro famílias entram no catálogo de vídeo, cobradas por segundo produzido. Todas trazem um rótulo de conteúdo medido, não presumido.

• minimax/h3-max/image-to-video e text-to-video — US$ 0,08 por segundo. De imagem para vídeo é Uncensored; de texto para vídeo é Softened, ou seja, um prompt mais ousado devolve um resultado amenizado em vez de um erro, e é cobrado do mesmo jeito. Confira a saída, não o código de status.
• alibaba/wan-2.6/text-to-video e image-to-video — US$ 0,09 por segundo, ambos Uncensored. O reference-to-video custa US$ 0,065 por segundo e é Filtered: recusa de saída os pedidos mais ousados.
• alibaba/wan-2.6-flash/image-to-video — US$ 0,0225 por segundo, Uncensored. De longe o vídeo por segundo mais barato do catálogo.
• lightricks/ltx-2.5/text-to-video e image-to-video — US$ 0,09 por segundo, ambos Uncensored.
• vidu/q3-pro/image-to-video a US$ 0,054 e vidu/q3-turbo/image-to-video a US$ 0,042 por segundo, ambos Uncensored.

Os rótulos vêm de medição real na rota que de fato servimos, então mudam quando a rota muda. Um modelo sem rótulo é um que ainda não medimos — preferimos não dizer nada a chutar no seu lugar.