De flesta AI-plattformar skruvar fast mediegenerering i efterhand. En separat flik, en separat API-nyckel, en faktureringsmodell utan något samband med ditt chattsaldo. ToRun intar en annan hållning: bild-, video- och musikgenerering är lägen — samma fullvärdiga produktyta som Chatt eller Kod — och de går genom exakt samma förmågestyrning och samma faktureringskedja som varje annat anrop.
Denna text förklarar maskineriet och varför det betyder något.
Hur styrningskedjan hanterar medier
Varje begäran i ToRun börjar med ett läge: Chatt, Bild, Video, Musik, Efterforskning och så vidare. Varje läge anger de förmågor det kräver. Bildgenerering kräver förmågan image-gen. Video kräver video-gen. Musik- och ljudsyntes kräver audio-out. En begäran som knyter chatt till bildutdata — säg en begreppsskiss vid sidan av en förklaring — kräver text och image-gen samtidigt.
Styrningskedjan tar denna förmågeuppsättning, smalnar av modellkatalogen till de leverantörer som uppfyller dem alla och rangordnar sedan kandidaterna efter pris och kvalitet. Den valda modellen är ingenstans fastskriven i ditt arbetsflöde; om en leverantör är ur drift eller långsam väljer reservkedjan automatiskt nästa dugliga modell. Du skriver ingen leverantörsspecifik kod. Du håller inga separata API-nycklar per modalitet (om du inte vill, via BYOK).
Mest betyder detta när du blandar modaliteter. En arbetsflödesnod kan be en textmodell skriva en scenbeskrivning, skicka den utdatan till en bildgenererande modell och sedan lämna bildens adress till en videoutvidgande modell — allt i samma graf, allt fakturerat till samma bok.
Prisenheter som verkligen motsvarar vad leverantörer tar betalt för
Mediefakturering har traditionellt varit ogenomskinlig eftersom enheterna inte avbildas på tecken. ToRun använder tolv kanoniska prisenheter för att täcka varje modalitet exakt:
- Per bild — för diffusionsmodeller och text-till-bild-modeller; priset fångar genereringen, inte bildpunkterna.
- Per ljudsekund — för talsyntes, talad utdata och musikgenerering.
- Per videosekund — för videogenererande modeller; längd och upplösningsvariant står på prisraden.
- Per tecken talsyntes — för röstgränssnitt som tar betalt per tecken.
Vid sidan av dem täcker de vanliga teckenenheterna (per miljon intecken, uttecken och tecken ur indatacachen) de textmodeller som deltar i en mediekedja.
Varje anrop skriver exakt en faktureringspost. Den posten fryser priset i utförandeögonblicket: prisenheten, priset per enhet, den förbrukade mängden, dollarbeloppet efter ToRuns marginal och växelkursens ögonblicksbild om ditt kontos valuta inte är dollar. Om en leverantör ändrar priser i morgon förblir dagens räkning fullt omräkningsbar ur boken. Du kan exportera råpriserna och granska varje öre utan nät.
Att foga mediegenerering till chatt och arbetsflöden
Mest lönar sig denna arkitektur i arbetsflöden.
En arbetsflödesnod är helt enkelt ett steg som anger vad det behöver: en modell med vissa förmågor, ett indataschema och ett utdataschema. En musiknod kan ta en textuppmaning och en längd och ge tillbaka en Bunny CDN-adress för det genererade ljudet. En bildnod tar en uppmaning, ett bildförhållande och en stilantydan och ger tillbaka en bildadress. Dessa noder fogas samman som varje annat steg.
Du kan bygga ett enda arbetsflöde som:
- Tar ett produktunderlag som indata.
- Anropar en textmodell för att skapa fem slagordsvarianter.
- Anropar en bildmodell för att rita en huvudbild per variant.
- Anropar en röstmodell för att läsa det valda slagordet.
- Ger tillbaka ett strukturerat alster med text, bildadresser och ljud.
Faktureringen av hela den körningen delas upp i fem poster — en per modellanrop — alla bundna till samma körnings-id för arbetsflödet. Du ser kostnadsuppdelningen per steg. Utförarna tar som standard modeller i kvalitetsklass eftersom resultatet betyder något; du kan åsidosätta det per nod.
Samma logik gäller i chatten. Om ditt samtal utlöser ett bildgenereringsanrop — för att du bad om det direkt eller för att ett bifogat arbetsflöde startade det — går det anropet genom styrningskedjan och dyker upp som en rad i sessionens kostnadsvy. Inget göms i en fast avgift. Inget är gratis först och betalt sedan.
Vad som är igång nu
Bild-, video- samt musik- och ljudgenerering är alla tillgängliga i fas 1. De går genom samma leverantörskatalog som text, faktureras till samma bok och fogas samman i samma arbetsflödesbyggare. Vilka modeller som konkret är tillgängliga beror på vilka leverantörer som råkar finnas i katalogen och vilka förmågor de anger — styrningsskiktet visar detta i realtid.
Priserna finns på /pricing. BYOK-stöd finns om du vill styra medieanrop via ditt eget leverantörskonto med lägre plattformsavgifter.