La plupart des plateformes d'IA greffent la génération de médias après coup. Un onglet distinct, une clé d'API distincte, un modèle de facturation sans rapport avec votre solde de chat. ToRun prend une position différente : la génération d'images, de vidéo et de musique sont des modes — le même type de surface produit à part entière que Chat ou Code — et ils passent par exactement le même acheminement par capacités et le même pipeline de facturation que n'importe quel autre appel.
Cet article explique la mécanique et pourquoi elle compte.
Comment le pipeline d'acheminement traite les médias
Chaque requête dans ToRun commence par un mode : Chat, Image, Vidéo, Musique, Recherche, etc. Chaque mode déclare les capacités qu'il exige. La génération d'images exige la capacité image-gen. La vidéo exige video-gen. La synthèse de musique et d'audio exige audio-out. Une requête combinant chat et sortie image — par exemple produire un croquis conceptuel à côté d'une explication — exige text et image-gen en même temps.
Le pipeline d'acheminement prend cet ensemble de capacités, filtre le catalogue de modèles pour ne garder que les fournisseurs qui les satisfont toutes, puis classe les candidats par prix et qualité. Le modèle retenu n'est codé en dur nulle part dans votre flux ; si un fournisseur est en panne ou lent, la chaîne de repli sélectionne automatiquement le modèle apte suivant. Vous n'écrivez pas de code propre à un fournisseur. Vous ne gérez pas de clés d'API séparées par modalité (sauf si vous le souhaitez, via BYOK).
Cela compte surtout quand vous combinez des modalités. Un nœud de flux peut demander à un modèle de texte d'écrire la description d'une scène, transmettre cette sortie à un modèle de génération d'images, puis passer l'adresse de l'image à un modèle d'extension vidéo — le tout dans le même DAG, le tout facturé au même registre.
Des unités de tarification qui correspondent vraiment à ce que facturent les fournisseurs
La facturation des médias a longtemps été opaque parce que les unités ne correspondent pas à des jetons. ToRun utilise douze unités de tarification canoniques pour couvrir chaque modalité avec précision :
- Par image — pour les modèles de diffusion et de texte-vers-image ; le prix capture la génération, pas les pixels.
- Par seconde d'audio — pour la synthèse vocale, la sortie parlée et la génération musicale.
- Par seconde de vidéo — pour les modèles de génération vidéo ; la durée et la variante de résolution figurent sur la ligne tarifaire.
- Par caractère de synthèse vocale — pour les API vocales qui facturent au caractère.
À côté, les unités de jetons habituelles (par million de jetons d'entrée, de sortie et d'entrée en cache) couvrent les modèles de texte qui participent à un pipeline média.
Chaque appel écrit exactement un enregistrement de facturation. Cet enregistrement fige le tarif au moment de l'exécution : l'unité de tarification, le taux par unité, la quantité consommée, le montant en dollars après la marge de ToRun, et l'instantané du taux de change si la devise de votre compte n'est pas le dollar. Si un fournisseur change ses tarifs demain, votre facture d'aujourd'hui reste entièrement recalculable depuis le registre. Vous pouvez exporter les taux bruts et vérifier chaque centime hors ligne.
Composer la génération de médias avec le chat et les flux
C'est dans les flux de travail que cette architecture rapporte le plus.
Un nœud de flux est simplement une étape qui déclare ce dont elle a besoin : un modèle doté de certaines capacités, un schéma d'entrée et un schéma de sortie. Un nœud musique peut prendre une invite textuelle et une durée, et renvoyer une adresse CDN Bunny vers l'audio généré. Un nœud image prend une invite, un rapport d'aspect et une indication de style, et renvoie une adresse d'image. Ces nœuds se composent comme n'importe quelle autre étape.
Vous pouvez construire un seul flux qui :
- Prend un brief produit en entrée.
- Appelle un modèle de texte pour générer cinq variantes d'accroche.
- Appelle un modèle d'image pour produire un visuel principal par variante.
- Appelle un modèle vocal pour narrer l'accroche retenue.
- Renvoie un artefact structuré contenant texte, adresses d'images et audio.
La facturation de toute cette exécution se répartit sur cinq enregistrements — un par appel de modèle — tous rattachés au même identifiant d'exécution du flux. Vous voyez la ventilation du coût par étape. Les exécuteurs choisissent par défaut des modèles de niveau qualité parce que le résultat compte ; vous pouvez passer outre par nœud.
La même logique s'applique dans le chat. Si votre conversation déclenche un appel de génération d'image — parce que vous l'avez demandé directement ou qu'un flux rattaché l'a lancé — cet appel traverse le pipeline d'acheminement et apparaît comme une ligne dans la vue de coût de votre session. Rien ne se cache derrière un forfait. Rien n'est gratuit d'abord puis facturé ensuite.
Ce qui est actif aujourd'hui
La génération d'images, de vidéo et de musique/audio est disponible en phase 1. Elle passe par le même catalogue de fournisseurs que le texte, se facture au même registre et se compose dans le même constructeur de flux. Les modèles concrètement disponibles dépendent des fournisseurs présents au catalogue à un instant donné et des capacités qu'ils déclarent — la couche d'acheminement le reflète en temps réel.
Les tarifs sont sur /pricing. Le support BYOK existe si vous souhaitez acheminer les appels médias via votre propre compte fournisseur avec des frais de plateforme réduits.