La mayoría de las plataformas de IA añaden la generación de medios como algo aparte. Una pestaña distinta, una clave de API distinta, un modelo de facturación que no tiene nada que ver con tu saldo de chat. ToRun toma una postura diferente: la generación de imagen, vídeo y música son modos — el mismo tipo de superficie de producto de pleno derecho que Chat o Código — y corren por exactamente el mismo enrutado por capacidades y la misma tubería de facturación que cualquier otra llamada.
Este artículo explica la mecánica y por qué importa.
Cómo trata la tubería de enrutado los medios
Cada petición en ToRun empieza con un modo: Chat, Imagen, Vídeo, Música, Investigación, etc. Cada modo declara las capacidades que exige. La generación de imagen exige la capacidad image-gen. La de vídeo exige video-gen. La síntesis de música y audio exige audio-out. Una petición que combine chat con salida de imagen — por ejemplo, generar un boceto conceptual junto a una explicación — exige text e image-gen a la vez.
La tubería de enrutado toma ese conjunto de capacidades, filtra el catálogo de modelos hasta los proveedores que las satisfacen todas y luego ordena a los candidatos por precio y calidad. El modelo elegido no está codificado en ningún punto de tu flujo; si un proveedor está caído o va lento, la cadena de reserva elige automáticamente el siguiente modelo apto. No escribes código específico de proveedor. No gestionas claves de API separadas por modalidad (salvo que quieras, vía BYOK).
Esto importa sobre todo cuando combinas modalidades. Un nodo de flujo puede pedir a un modelo de texto que escriba la descripción de una escena, pasar esa salida a un modelo de generación de imagen y luego pasar la dirección de la imagen a un modelo de extensión de vídeo — todo en el mismo DAG, todo facturado al mismo libro.
Unidades de precio que sí encajan con lo que cobran los proveedores
La facturación de medios ha sido históricamente opaca porque las unidades no corresponden a tokens. ToRun usa doce unidades de precio canónicas para cubrir cada modalidad con exactitud:
- Por imagen — para modelos de difusión y de texto a imagen; el precio captura la generación, no los píxeles.
- Por segundo de audio — para síntesis de voz, salida hablada y generación de música.
- Por segundo de vídeo — para modelos de generación de vídeo; la duración y la variante de resolución van en la línea de precio.
- Por carácter de voz — para APIs de voz que cobran por carácter.
Junto a estas, las unidades habituales de tokens (por millón de tokens de entrada, de salida y de entrada en caché) cubren los modelos de texto que participan en una tubería de medios.
Cada llamada escribe exactamente un registro de facturación. Ese registro congela el precio en el momento de la ejecución: la unidad de precio, la tarifa por unidad, la cantidad consumida, el importe en dólares tras el margen de ToRun y la instantánea del tipo de cambio si la moneda de tu cuenta no es el dólar. Si un proveedor cambia sus tarifas mañana, tu factura de hoy sigue siendo plenamente recalculable a partir del libro. Puedes exportar las tarifas crudas y auditar cada céntimo sin conexión.
Componer generación de medios con chat y flujos
Donde esta arquitectura rinde más es en los flujos de trabajo.
Un nodo de flujo es sencillamente un paso que declara lo que necesita: un modelo con ciertas capacidades, un esquema de entrada y un esquema de salida. Un nodo de música puede tomar un prompt de texto y una duración y devolver una dirección de CDN Bunny para el audio generado. Un nodo de imagen toma un prompt, una relación de aspecto y una indicación de estilo y devuelve una dirección de imagen. Estos nodos se componen como cualquier otro paso.
Puedes construir un único flujo que:
- Tome un briefing de producto como entrada.
- Llame a un modelo de texto para generar cinco variantes de eslogan.
- Llame a un modelo de imagen para renderizar una imagen principal por variante.
- Llame a un modelo de voz para narrar el eslogan elegido.
- Devuelva un artefacto estructurado con texto, direcciones de imagen y audio.
La facturación de toda esa ejecución se reparte en cinco registros — uno por llamada a modelo — todos ligados al mismo identificador de ejecución del flujo. Ves el desglose de coste por paso. Los ejecutores usan por defecto modelos de nivel de calidad porque el resultado importa; puedes anularlo por nodo.
La misma lógica aplica en el chat. Si tu conversación dispara una llamada de generación de imagen — porque lo pediste directamente o porque un flujo adjunto lo activó — esa llamada pasa por la tubería de enrutado y aparece como una línea en tu vista de coste de sesión. Nada se esconde en una tarifa plana. Nada es gratis primero y de pago después.
Qué está vivo ahora
La generación de imagen, de vídeo y de música/audio están todas disponibles en la Fase 1. Corren por el mismo catálogo de proveedores que el texto, se facturan al mismo libro y se componen en el mismo constructor de flujos. Los modelos concretos disponibles dependen de qué proveedores estén en el catálogo en cada momento y qué capacidades declaren — la capa de enrutado lo refleja en tiempo real.
Los precios están en /pricing. Hay soporte BYOK si quieres enrutar llamadas de medios por tu propia cuenta de proveedor con comisiones de plataforma reducidas.