A maioria das plataformas de IA acrescenta a geração de mídia como algo pensado depois. Uma aba separada, uma chave de API separada, um modelo de cobrança que não tem nada a ver com o seu saldo de chat. 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 Chat ou Código — e passam exatamente pelo mesmo roteamento por capacidades e pelo mesmo pipeline de cobrança de qualquer outra chamada.
Este texto explica a mecânica e por que ela importa.
Como o pipeline de roteamento trata mídia
Cada solicitação no ToRun começa com um modo: Chat, Imagem, Vídeo, Música, Pesquisa 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. Uma solicitação que combina chat com saída de imagem — por exemplo produzir um esboço conceitual ao lado de uma explicação — exige text e image-gen ao mesmo tempo.
O pipeline de roteamento pega esse conjunto de capacidades, filtra o catálogo de modelos até os fornecedores que atendem a todas e então ordena os candidatos por preço e qualidade. O modelo escolhido não está fixado em nenhum ponto do seu fluxo; se um fornecedor cair ou ficar lento, a cadeia de fallback seleciona automaticamente o próximo modelo apto. Você não escreve código específico de fornecedor. Você não administra chaves de API separadas por modalidade (a menos que queira, via BYOK).
Isso importa principalmente quando você combina modalidades. Um nó de fluxo pode pedir a um modelo de texto que escreva a descrição de uma cena, passar essa saída para um modelo de geração de imagem e depois passar o endereço da imagem para um modelo de extensão de vídeo — tudo no mesmo DAG, tudo cobrado no mesmo livro.
Unidades de preço que realmente batem com o que os fornecedores cobram
A cobrança de mídia foi historicamente opaca porque as unidades não correspondem a tokens. O ToRun usa doze unidades de preço canônicas para cobrir cada modalidade com precisão:
- Por imagem — para modelos de difusão e de texto para imagem; o preço captura a geração, não os pixels.
- 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 caractere de síntese de voz — para APIs de voz que cobram por caractere.
Ao lado dessas, as unidades usuais de tokens (por milhão de tokens de entrada, de saída e de entrada em cache) cobrem os modelos de texto que participam de um pipeline de mídia.
Cada chamada grava exatamente um registro de cobrança. Esse registro congela o preço no momento da execução: a unidade de preço, a tarifa por unidade, a quantidade consumida, o valor 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, sua fatura de hoje continua plenamente recalculável a partir do livro. Você pode exportar as tarifas brutas e auditar cada centavo offline.
Compor geração de mídia com chat e fluxos
Onde essa arquitetura mais rende é nos fluxos de trabalho.
Um nó de fluxo é simplesmente uma etapa 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 prompt de texto e uma duração e devolver um endereço de CDN Bunny para o áudio gerado. Um nó de imagem recebe um prompt, uma proporção e uma dica de estilo e devolve um endereço de imagem. Esses nós se compõem como qualquer outra etapa.
Você pode construir um único fluxo que:
- Recebe um briefing de produto como entrada.
- Chama um modelo de texto para gerar cinco variações de slogan.
- Chama um modelo de imagem para renderizar um visual principal por variação.
- Chama um modelo de voz para narrar o slogan escolhido.
- Devolve um artefato estruturado com texto, endereços de imagem e áudio.
A cobrança dessa execução inteira se distribui em cinco registros — um por chamada de modelo — todos ligados ao mesmo identificador de execução do fluxo. Você vê o detalhamento de custo por etapa. Os executores usam por padrão modelos de nível de qualidade porque o resultado importa; você pode sobrescrever por nó.
A mesma lógica vale no chat. Se sua conversa dispara uma chamada de geração de imagem — porque você pediu diretamente ou porque um fluxo anexado a acionou — essa chamada passa pelo pipeline de roteamento e aparece como linha na visão de custo da sua sessão. Nada se esconde em uma taxa fixa. Nada é gratuito primeiro e cobrado depois.
O que está no ar agora
Geração de imagem, de vídeo e de música/áudio estão todas disponíveis na Fase 1. Elas passam pelo mesmo catálogo de fornecedores do texto, são cobradas no mesmo livro e se compõem no mesmo construtor de fluxos. Quais modelos estão concretamente disponíveis depende de quais fornecedores estão no catálogo em um dado momento e de quais capacidades eles declaram — a camada de roteamento reflete isso em tempo real.
Os preços estão em /pricing. Há suporte a BYOK se você quiser rotear chamadas de mídia pela sua própria conta de fornecedor com taxas de plataforma reduzidas.