A maioria das plataformas de IA acrescenta a geração de média como uma reflexão tardia. Um separador à parte, uma chave de API à parte, um modelo de faturação que nada tem a ver com o saldo da conversa. O ToRun assume uma posição diferente: a geração de imagem, vídeo e música são modos — o mesmo tipo de superfície de produto de pleno direito que Conversa ou Código — e passam exatamente pelo mesmo encaminhamento por capacidades e pelo mesmo canal de faturação de qualquer outra chamada.
Este artigo explica a mecânica e porque importa.
Como o canal de encaminhamento trata a média
Cada pedido no ToRun começa com um modo: Conversa, Imagem, Vídeo, Música, Investigação, e assim por diante. Cada modo declara as capacidades que exige. A geração de imagem exige a capacidade image-gen. O vídeo exige video-gen. A síntese de música e áudio exige audio-out. Um pedido que combine conversa com saída de imagem — por exemplo produzir um esboço conceptual ao lado de uma explicação — exige text e image-gen ao mesmo tempo.
O canal de encaminhamento toma esse conjunto de capacidades, filtra o catálogo de modelos até aos fornecedores que as satisfazem todas, e depois ordena os candidatos por preço e qualidade. O modelo escolhido não está fixado em parte alguma do seu fluxo; se um fornecedor estiver em baixo ou lento, a cadeia de recurso seleciona automaticamente o modelo apto seguinte. Não escreve código específico do fornecedor. Não gere chaves de API separadas por modalidade (a menos que queira, via BYOK).
Isto importa sobretudo quando combina modalidades. Um nó de fluxo pode pedir a um modelo de texto que escreva a descrição de uma cena, passar essa saída a um modelo de geração de imagem, e depois passar o endereço da imagem a um modelo de extensão de vídeo — tudo no mesmo DAG, tudo faturado ao mesmo livro.
Unidades de preço que correspondem de facto ao que os fornecedores cobram
A faturação de média foi historicamente opaca porque as unidades não correspondem a fichas. O ToRun usa doze unidades de preço canónicas para cobrir cada modalidade com precisão:
- Por imagem — para modelos de difusão e de texto para imagem; o preço capta a geração, não os píxeis.
- Por segundo de áudio — para síntese de voz, saída falada e geração de música.
- Por segundo de vídeo — para modelos de geração de vídeo; a duração e a variante de resolução vão na linha de preço.
- Por caráter de síntese de voz — para APIs de voz que cobram ao caráter.
A par destas, as unidades habituais de fichas (por milhão de fichas de entrada, de saída e de entrada em cache) cobrem os modelos de texto que participam num canal de média.
Cada chamada escreve exatamente um registo de faturação. Esse registo congela o preço no momento da execução: a unidade de preço, a tarifa por unidade, a quantidade consumida, o montante em dólares após a margem do ToRun e o instantâneo da taxa de câmbio se a moeda da sua conta não for o dólar. Se um fornecedor mudar as tarifas amanhã, a sua fatura de hoje continua plenamente recalculável a partir do livro. Pode exportar as tarifas em bruto e auditar cada cêntimo sem ligação.
Compor geração de média com conversa e fluxos
Onde esta arquitetura mais rende é nos fluxos de trabalho.
Um nó de fluxo é simplesmente um passo que declara o que precisa: um modelo com certas capacidades, um esquema de entrada e um esquema de saída. Um nó de música pode receber um pedido textual e uma duração e devolver um endereço de CDN Bunny para o áudio gerado. Um nó de imagem recebe um pedido, uma proporção e uma indicação de estilo e devolve um endereço de imagem. Estes nós compõem-se como qualquer outro passo.
Pode construir um único fluxo que:
- Recebe um briefing de produto como entrada.
- Chama um modelo de texto para gerar cinco variantes de slogan.
- Chama um modelo de imagem para produzir um visual principal por variante.
- Chama um modelo de voz para narrar o slogan escolhido.
- Devolve um artefacto estruturado com texto, endereços de imagem e áudio.
A faturação de toda essa execução reparte-se por cinco registos — um por chamada de modelo — todos ligados ao mesmo identificador de execução do fluxo. Vê a repartição de custo por passo. Os executores usam por omissão modelos de nível de qualidade porque o resultado importa; pode sobrepor-se por nó.
A mesma lógica aplica-se na conversa. Se a sua conversa desencadear uma chamada de geração de imagem — porque a pediu diretamente ou porque um fluxo associado a iniciou — essa chamada passa pelo canal de encaminhamento e aparece como linha na vista de custo da sessão. Nada se esconde numa tarifa fixa. Nada é gratuito primeiro e pago depois.
O que está ativo agora
A geração de imagem, de vídeo e de música/áudio está toda disponível na Fase 1. Passa pelo mesmo catálogo de fornecedores do texto, é faturada ao mesmo livro e compõe-se no mesmo construtor de fluxos. Que modelos estão concretamente disponíveis depende de quais fornecedores estão no catálogo num dado momento e de que capacidades declaram — a camada de encaminhamento reflete-o em tempo real.
Os preços estão em /pricing. Existe suporte BYOK se quiser encaminhar chamadas de média pela sua própria conta de fornecedor com comissões de plataforma reduzidas.