Atualizações que fazem diferença na integração

Três endpoints de chat entram no catálogo, e os controles de raciocínio dos modelos de texto já existentes agora batem com o que cada fabricante de fato suporta.

• zai/glm-5.3/chat — US$ 1,05 de entrada / US$ 0,195 em cache / US$ 3,30 de saída por milhão de tokens, 25% abaixo do preço publicado pela Z.ai. Rótulo de conteúdo: Light, ou seja, restrições mais leves, embora alguns prompts só de texto ainda possam ser limitados.
• zai/glm-5.3-flash/chat — US$ 0,1275 / US$ 0,0255 / US$ 0,425 por milhão de tokens, Uncensored.
• deepseek/v4.1-flash/chat — preço atual US$ 0,30 / US$ 0,006 / US$ 1,20 por milhão de tokens, Uncensored.

O nível de raciocínio agora é por modelo, não uma lista copiada para todo lado. Claude 4.5 e 4.6 trazem os níveis que a Anthropic publica para cada um; o Gemini ganhou a faixa minimal; a DeepSeek aceita none, e medimos que isso realmente desliga o raciocínio em vez de apenas reduzi-lo. Onde o fabricante não oferece um nível, não anunciamos: o Grok 4.5 e o 4.6 recusam reasoning_effort: none na origem, enquanto o 4.3 aceita.

Um detalhe de orçamento que pega muita gente: tokens de raciocínio contam dentro do max_tokens. Um prompt pedindo 150 palavras ainda pode queimar vários milhares de tokens num nível de esforço alto. Dimensione o limite pelo que o modelo vai realmente emitir, não pela resposta que você quer ler.

Três novas famílias rodam o MiniMax H3 de pesos abertos com até três arquivos LoRA seus por requisição, cada um com a própria intensidade de 0 a 4.

• MiniMax H3 LoRA (minimax/h3-lora/text-to-video, /image-to-video, /reference-to-video): de 3 a 15 segundos em 480p, 540p, 768p ou 1080p, com som estéreo gerado na mesma passada. Referências para vídeo aceita até nove imagens, três clipes e três áudios.
• MiniMax H3 Singularity LoRA (minimax/h3-singularity-lora/image-to-video, /reference-to-video): o ajuste fino da comunidade para o H3, treinado em HDR e feito para ação rápida, dança e planos abertos em que os rostos precisam se manter. Seus LoRAs de H3 carregam sem mudanças.
• MiniMax H3 Image LoRA (minimax/h3-image-lora/text-to-image, /edit): o H3 como modelo de imagem em 1k ou 2k, com edição a partir de até nove referências. Crie aqui o quadro-chave e depois anime com o mesmo LoRA.

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

A Alibaba abriu hoje o código do Qwen-Image-2.1, e ele entrou no catálogo no mesmo dia. São quatro endpoints: geração e edição com referências, cada um em edição comum e em edição LoRA, que carrega os arquivos de pesos que você indicar.

• Traga os seus próprios pesos. Até três arquivos LoRA por requisição, cada um com a sua própria intensidade, informados como link HTTPS direto para um arquivo .safetensors ou como repositório do Hugging Face. Sem etapa de upload, sem lista de permissões, sem fila de aprovação.
• Entre o prompt e o modelo não há nada. Os quatro endpoints são irrestritos: nenhum filtro na frente do modelo, nenhuma flag de conteúdo adulto, nenhuma declaração a anexar à requisição.
• Quinze proporções, três níveis de resolução. De faixas 3:1 e 21:9 a colunas 1:3 e 9:21, em 1k, 1,5k ou 2k.
• A edição aceita até dez imagens de referência. Cada uma entra na estimativa que você vê antes de enviar: mande as referências que estão trabalhando e deixe o resto de fora.

Seis endpoints entram para a família de trocas, três deles para vídeo. O que os separa é quanto de fato se transfere.

Imagens

• spicyapi/face-swap-pro-v1/edit — só os traços do rosto se transferem. Penteado, linha do cabelo, silhueta da cabeça, pose, roupa, luz e fundo do alvo continuam como estavam. US$ 0,16 por imagem.
• spicyapi/face-swap-v1-plus/edit — transfere o rosto e, como parte da operação, concilia o tom de pele entre as duas imagens; o motor mescla só o rosto ou a cabeça inteira, conforme o que ficar melhor. US$ 0,16 por imagem.
• Os originais spicyapi/face-swap-v1/edit e spicyapi/head-swap-v1/edit seguem a US$ 0,013 por imagem.

Vídeo

• spicyapi/face-swap-video-v1/video-edit — leva os traços de uma única imagem de referência por todos os quadros. Penteado, silhueta da cabeça, movimento, figurino e luz de quem aparece ficam intactos. US$ 0,0325 por segundo produzido.
• spicyapi/head-swap-video-v1/video-edit — cabelo, formato da cabeça e identidade mudam. US$ 0,064 por segundo produzido.
• spicyapi/character-swap-v1/video-edit — a figura inteira muda, roupa incluída. US$ 0,064 por segundo produzido.

Os dois endpoints de vídeo com várias pessoas são de dois passos de propósito. Chame antes o video-analyze correspondente, a US$ 0,08 por requisição: ele acompanha cada pessoa que consegue enxergar no clipe e devolve um quadro de prévia por pessoa, em ordem fixa — a primeira imagem é a posição 0, a segunda é a posição 1. Depois você passa as posições escolhidas, com uma a três fotos de referência para cada. Não sobra nada para adivinhar sobre em quem o modelo vai mexer.

Três modelos da xAI, um endpoint chat para cada, todos no formato OpenAI e com streaming.

• 40% abaixo do preço publicado pela xAI, em todas as faixas, conferido na página de preços deles em 19 de setembro de 2026.
• Só o 4.3 aceita reasoning_effort: none. No 4.5 e no 4.6 esse valor é recusado na origem; os outros quatro níveis funcionam nos três.
• O 4.5 armazena em cache mais barato que o 4.6 (US$ 0,18 contra US$ 0,30 por milhão de tokens de entrada em cache), empatando no resto.
• Prompts de 200.000 tokens ou mais entram na tarifa de contexto longo, exatamente como na xAI. Tokens de raciocínio contam dentro do max_tokens — reserve espaço para eles.
• Essas rotas aceitam texto e imagens. Não aceitam partes do tipo arquivo nem PDF.

Cinco endpoints de imagem cobrindo uma faixa de preço de quatro para um — dá para escolher o nível conforme o trabalho, em vez de pagar a tarifa cheia por uma miniatura.

• bytedance/seedream-4.0/text-to-image e bytedance/seedream-4.0/edit — US$ 0,03 por imagem, ambos Uncensored. O endpoint edit recebe uma imagem existente e uma instrução escrita.
• krea/2-large/text-to-image — US$ 0,06 por imagem, Filtered.
• krea/2-medium/text-to-image — US$ 0,03 por imagem, Softened.
• krea/2-medium-turbo/text-to-image — US$ 0,015 por imagem, Filtered. O endpoint de imagem mais barato do catálogo depois da família de trocas.

Duas coisas valem saber antes de escolher. Os níveis do Krea diferem no que aceitam, não só no preço: Filtered recusa de saída os pedidos mais ousados, enquanto Softened devolve um resultado amenizado e cobra do mesmo jeito — numa rota Softened, confira a saída e não o código de status. E o tamanho da imagem não é um ajuste aplicado depois: os exemplos em cada página de modelo trazem o tamanho exato para o qual a composição foi escrita, porque um prompt pensado para um quadro vertical não se redimensiona para um horizontal.

O heartmula/transcribe/speech-to-text transcreve a letra cantada de um arquivo de áudio e a devolve como texto na tarefa. Ele é ajustado para voz sobre música, não para fala comum.

• Uma única entrada: audio_url, que precisa apontar direto para um arquivo de áudio. Não há mais nada a enviar — sem dica de idioma, sem pedido de marcação de tempo, sem chave de separação de locutores.
• O resultado é texto na tarefa. Nenhum recurso de mídia é produzido, então não há arquivo para baixar e nada entra na retenção de mídia.
• Sem tempos por linha, sem valores de confiança, sem rótulos de locutor.
• US$ 0,05 por transcrição, independentemente da duração do áudio.

É também o primeiro endpoint do catálogo cuja saída é texto e não um arquivo. Se a sua integração parte do princípio de que toda tarefa concluída carrega um recurso baixável, é aqui que essa suposição vem à tona — vale olhar o seu tratamento de resultados antes de plugá-lo.