Die meisten KI-Plattformen schrauben Mediengenerierung nachträglich an. Ein eigener Tab, ein anderer API-Schlüssel, eine Abrechnung, die nichts mit deinem Chat-Guthaben zu tun hat. ToRun bezieht eine andere Position: Bild-, Video- und Musikgenerierung sind Modi — dieselbe Art vollwertiger Produktoberfläche wie Chat oder Code — und sie laufen durch genau dasselbe Fähigkeits-Routing und dieselbe Abrechnungs-Pipeline wie jeder andere Aufruf.
Dieser Beitrag erklärt die Mechanik und warum sie zählt.
Wie die Routing-Pipeline Medien behandelt
Jede Anfrage in ToRun beginnt mit einem Modus: Chat, Bild, Video, Musik, Recherche und so weiter. Jeder Modus erklärt die Fähigkeiten, die er verlangt. Bildgenerierung verlangt die Fähigkeit image-gen. Videogenerierung verlangt video-gen. Musik- und Audiosynthese verlangen audio-out. Eine Anfrage, die Chat mit Bildausgabe verbindet — etwa ein Konzeptbild neben einer Erklärung — verlangt text und image-gen gleichzeitig.
Die Routing-Pipeline nimmt diesen Fähigkeitssatz, filtert den Modellkatalog auf Anbieter, die alle erfüllen, und sortiert die Kandidaten dann nach Preis und Qualität. Das gewählte Modell ist nirgends in deinem Workflow fest verdrahtet; ist ein Anbieter ausgefallen oder träge, wählt die Fallback-Kette automatisch das nächste geeignete Modell. Du schreibst keinen anbieterspezifischen Code. Du verwaltest keine getrennten API-Schlüssel je Modalität (außer du willst es, per BYOK).
Am meisten zählt das, wenn du Modalitäten kombinierst. Ein Workflow-Knoten kann ein Textmodell eine Szenenbeschreibung schreiben lassen, diese Ausgabe an ein Bildgenerierungsmodell weitergeben und dann die Bildadresse an ein Video-Erweiterungsmodell reichen — alles im selben DAG, alles auf dasselbe Buch abgerechnet.
Preiseinheiten, die wirklich zu dem passen, was Anbieter berechnen
Die Abrechnung von Medien war historisch undurchsichtig, weil die Einheiten nicht auf Token abbilden. ToRun nutzt zwölf kanonische Preiseinheiten, um jede Modalität genau abzudecken:
- Pro Bild — für Diffusions- und Text-zu-Bild-Modelle; der Preis erfasst die Generierung, nicht die Pixel.
- Pro Sekunde Audio — für Sprachsynthese, Sprachausgabe und Musikgenerierung.
- Pro Sekunde Video — für Videogenerierungsmodelle; Dauer und Auflösungsvariante stehen in der Preiszeile.
- Pro Zeichen bei Sprachsynthese — für Sprach-APIs, die nach Zeichen abrechnen.
Daneben decken die üblichen Token-Einheiten (pro Million Eingabe-Token, pro Million Ausgabe-Token, pro Million zwischengespeicherter Eingabe-Token) die Textmodelle ab, die an einer Medien-Pipeline teilnehmen.
Jeder Aufruf schreibt genau einen BillingRecord. Dieser Satz friert den Preis zur Ausführungszeit ein: die Preiseinheit, den Satz je Einheit, die verbrauchte Menge, den USD-Betrag nach der Marge von ToRun und die Wechselkursmomentaufnahme, falls deine Kontowährung nicht USD ist. Ändert ein Anbieter morgen seine Tarife, ist deine heutige Rechnung aus dem Buch weiterhin vollständig nachrechenbar. Du kannst die Rohsätze exportieren und jeden Cent offline prüfen.
Mediengenerierung mit Chat und Workflows verbinden
Am meisten zahlt sich diese Architektur in Workflows aus.
Ein Workflow-Knoten ist schlicht ein Schritt, der erklärt, was er braucht: ein Modell mit bestimmten Fähigkeiten, ein Eingabeschema und ein Ausgabeschema. Ein Musikknoten nimmt vielleicht einen Textprompt und eine Dauer entgegen und liefert eine Bunny-CDN-Adresse für die erzeugte Audiodatei. Ein Bildknoten nimmt einen Prompt, ein Seitenverhältnis und einen Stilhinweis und liefert eine Bildadresse. Diese Knoten fügen sich wie jeder andere Schritt.
Du kannst einen einzigen Workflow bauen, der:
- Ein Produkt-Briefing als Eingabe nimmt.
- Ein Textmodell aufruft, um fünf Slogan-Varianten zu erzeugen.
- Ein Bildmodell aufruft, um für jede Variante ein Leitbild zu rendern.
- Ein Sprachsynthese-Modell aufruft, um den gewählten Slogan zu sprechen.
- Ein strukturiertes Artefakt mit Text, Bildadressen und Audio zurückgibt.
Die Abrechnung dieses ganzen Laufs verteilt sich auf fünf BillingRecords — einer je Modellaufruf — alle an dieselbe Workflow-Ausführungs-ID gebunden. Du siehst die Kostenaufschlüsselung je Schritt. Runner nutzen standardmäßig Modelle der Qualitätsstufe, weil es auf die Ausgabe ankommt; du kannst je Knoten überstimmen.
Dieselbe Logik gilt im Chat. Löst dein Gespräch einen Bildgenerierungsaufruf aus — weil du direkt danach gefragt hast oder weil ein angehängter Workflow ihn angestoßen hat — läuft dieser Aufruf durch die Routing-Pipeline und erscheint als Posten in deiner Sitzungskostenansicht. Nichts versteckt sich in einer Pauschale. Nichts ist erst gratis und wird dann plötzlich berechnet.
Was jetzt live ist
Bildgenerierung, Videogenerierung und Musik-/Audiogenerierung sind alle in Phase 1 verfügbar. Sie laufen über denselben Anbieterkatalog wie Text, werden über dasselbe Buch abgerechnet und lassen sich im selben Workflow-Baukasten kombinieren. Welche Modelle konkret verfügbar sind, hängt davon ab, welche Anbieter gerade im Katalog stehen und welche Fähigkeiten sie ausweisen — die Routing-Schicht zeigt das in Echtzeit.
Die Preise stehen unter /pricing. BYOK-Unterstützung gibt es, wenn du Medienaufrufe zu geringeren Plattformgebühren über dein eigenes Anbieterkonto leiten willst.