Majoritatea platformelor de inteligență artificială înșurubează generarea de media ulterior. Filă separată, cheie API separată, model de facturare fără nicio legătură cu soldul tău de conversație. ToRun ia altă poziție: generarea de imagini, video și muzică sunt moduri — aceeași suprafață de produs deplină ca Conversația sau Codul — și trec exact prin aceeași direcționare după capabilități și același lanț de facturare ca orice alt apel.
Acest text explică mecanica și de ce contează.
Cum tratează lanțul de direcționare media
Fiecare cerere în ToRun începe cu un mod: Conversație, Imagine, Video, Muzică, Cercetare și așa mai departe. Fiecare mod declară capabilitățile pe care le cere. Generarea de imagini cere capabilitatea image-gen. Videoul cere video-gen. Sinteza de muzică și sunet cere audio-out. O cerere care leagă conversația de o ieșire de imagine — bunăoară o schiță de concept lângă o explicație — cere text și image-gen deodată.
Lanțul de direcționare ia acest set de capabilități, îngustează catalogul de modele la furnizorii care le îndeplinesc pe toate, apoi clasează candidații după preț și calitate. Modelul ales nu este scris fix nicăieri în fluxul tău; dacă un furnizor este scos din funcțiune sau lent, lanțul de rezervă alege automat următorul model apt. Nu scrii cod pentru un anume furnizor. Nu ții chei API separate pe modalitate (decât dacă vrei, prin BYOK).
Cel mai mult contează asta când combini modalități. Un nod de flux poate cere unui model de text să scrie descrierea unei scene, poate trece acea ieșire unui model de generare de imagini, apoi poate da adresa imaginii unui model de extindere video — totul în același graf, totul facturat pe același registru.
Unități de tarifare care chiar corespund cu ce facturează furnizorii
Facturarea media a fost dintotdeauna opacă fiindcă unitățile nu se mapează pe jetoane. ToRun folosește douăsprezece unități de tarifare canonice ca să acopere fiecare modalitate cu precizie:
- Pe imagine — pentru modele de difuzie și text-în-imagine; prețul prinde generarea, nu pixelii.
- Pe secundă de sunet — pentru sinteza vocală, ieșirea vorbită și generarea de muzică.
- Pe secundă de video — pentru modele care generează video; durata și varianta de rezoluție stau pe rândul de preț.
- Pe caracter de sinteză vocală — pentru interfețele vocale care taxează pe caracter.
Alături de ele, unitățile obișnuite de jetoane (pe milion de jetoane de intrare, de ieșire și din memoria intermediară de intrare) acoperă modelele de text care iau parte la un lanț media.
Fiecare apel scrie exact o înregistrare de facturare. Această înregistrare îngheață prețul în momentul execuției: unitatea de tarifare, tariful pe unitate, cantitatea consumată, suma în dolari după marja ToRun și instantaneul cursului de schimb dacă moneda contului tău nu este dolarul. Dacă un furnizor schimbă mâine tarifele, factura ta de azi rămâne pe deplin recalculabilă din registru. Poți exporta tarifele brute și verifica fiecare bănuț fără rețea.
Compunerea generării de media cu conversația și fluxurile
Cel mai mult se răsplătește această arhitectură în fluxurile de lucru.
Un nod de flux este pur și simplu un pas care declară ce îi trebuie: un model cu anumite capabilități, o schemă de intrare și o schemă de ieșire. Un nod de muzică poate primi o cerere text și o durată și poate întoarce o adresă Bunny CDN pentru sunetul generat. Un nod de imagine primește o cerere, un raport de aspect și un indiciu de stil și întoarce o adresă de imagine. Aceste noduri se compun ca orice alt pas.
Poți construi un singur flux care:
- Ia un rezumat de produs la intrare.
- Cheamă un model de text ca să genereze cinci variante de slogan.
- Cheamă un model de imagine ca să deseneze câte un vizual principal pentru fiecare variantă.
- Cheamă un model vocal ca să rostească sloganul ales.
- Întoarce un artefact structurat cu text, adrese de imagini și sunet.
Facturarea întregii rulări se împarte în cinci înregistrări — câte una pe apel de model — toate legate de același identificator de execuție a fluxului. Vezi defalcarea costului pe pași. Executanții iau implicit modele de nivel calitativ fiindcă rezultatul contează; poți trece peste asta la nivel de nod.
Aceeași logică se aplică în conversație. Dacă discuția ta declanșează un apel de generare de imagine — fiindcă ai cerut direct sau fiindcă l-a pornit un flux atașat — acel apel trece prin lanțul de direcționare și apare ca poziție în privirea de ansamblu a costului sesiunii. Nimic nu se ascunde într-un tarif fix. Nimic nu este întâi gratuit și apoi taxat.
Ce funcționează acum
Generarea de imagini, video și muzică sau sunet este disponibilă în Faza 1. Trece prin același catalog de furnizori ca textul, se facturează pe același registru și se compune în același constructor de fluxuri. Ce modele sunt disponibile concret depinde de furnizorii aflați în catalog la un moment dat și de capabilitățile pe care le declară — stratul de direcționare arată asta în timp real.
Prețurile sunt la /pricing. Sprijinul BYOK există dacă vrei să direcționezi apelurile de media prin propriul cont la furnizor cu comisioane de platformă mai mici.