Bild och video

En enhetlig multimodal videomodell med gemensam generering av ljud och video, som ger kontroll på regissörsnivå över framförande, ljussättning, skuggor och kamerarörelser för ultrarealistiska, filmiska resultat.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta
• Bildreferenser
• Videoreferenser
• Ljudreferenser

Funktioner:

• Enhetlig multimodal arkitektur som genererar synkroniserat ljud och video i ett enda steg
• Branschledande multimodala referens- och redigeringsfunktioner som samtidigt tar emot text-, bild-, ljud- och videoindata
• Exceptionell rörelsestabilitet med filmisk realism enligt branschstandarder
• Kreativ kontroll på regissörsnivå över framförande, ljussättning, skuggor och kamerarörelser
• Flexibla genereringslängder från 4 s upp till 15 s
• Inbyggd ljudkontroll med ljud aktiverat eller inaktiverat per generering
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 480p, 720p, 1080p
• Bildförhållanden: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Filmisk storytelling som kräver synkroniserat ljud och bild
• Referensdrivet innehåll med strikt följsamhet till källbilder, videor eller ljud
• Professionella produktioner som kräver detaljerad kontroll över ljussättning och kameraarbete

Kostnad: Varierar beroende på valda inställningar och längd

API: bytedance-seedance-v2

En snabbare variant av Seedance 2.0 till lägre kostnad, med samma multimodala referensindata och utdata begränsad till 720p.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta
• Bildreferenser (upp till 9)
• Videoreferenser (upp till 3, sammanlagt 15 s)
• Ljudreferenser (upp till 3, sammanlagt 15 s)

Funktioner:

• Samma referenshantering som Seedance 2.0, med en sammanlagd gräns på 12 referenser per generering
• Bildrutor och referenser utesluter varandra: använd en start- eller slutbildruta, eller referenser, inte båda
• Flexibla genereringslängder från 4 s upp till 15 s
• Inbyggd ljudkontroll med ljud aktiverat eller inaktiverat per generering
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 480p, 720p
• Bildförhållanden: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Att iterera på Seedance 2.0-prompter före rendering i full upplösning
• Referensdrivna klipp där 720p-utdata räcker

Kostnad: Varierar beroende på valda inställningar och längd

API: bytedance-seedance-v2-fast

Den minsta Seedance 2.0-varianten: ungefär dubbelt så snabb som Seedance 2.0 till cirka halva kostnaden, med samma indata och 720p-utdata.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta
• Bildreferenser (upp till 9)
• Videoreferenser (upp till 3, sammanlagt 15 s)
• Ljudreferenser (upp till 3, sammanlagt 15 s)

Funktioner:

• Samma referenshantering som Seedance 2.0, med en sammanlagd gräns på 12 referenser per generering
• Bildrutor och referenser utesluter varandra: använd en start- eller slutbildruta, eller referenser, inte båda
• Flexibla genereringslängder från 4 s upp till 15 s
• Inbyggd ljudkontroll med ljud aktiverat eller inaktiverat per generering
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 480p, 720p
• Bildförhållanden: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Utkast och förhandsvisningar i stora volymer
• Kostnadskänsliga arbetsflöden som fortfarande behöver ljud- och referensindata

Kostnad: Varierar beroende på valda inställningar och längd

API: bytedance-seedance-v2-mini

Efterföljaren till Seedance 2.0 med skarpare realism, upp till 50 kombinerade bild-, video- och ljudreferenser samt genereringar på upp till 30 sekunder.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta
• Bildreferenser (upp till 30)
• Videoreferenser (upp till 10, sammanlagt 30 s)
• Ljudreferenser (upp till 10, sammanlagt 30 s)

Funktioner:

• Ingen sammanlagd gräns mellan referenstyper; enbart ljudreferenser accepteras utan bild eller video
• Bildrutor och referenser utesluter varandra
• Flexibla genereringslängder från 4 s upp till 30 s
• Bildförhållandet hämtas från startbildrutan eller referensvideon när en sådan anges
• Inbyggd ljudkontroll med ljud aktiverat eller inaktiverat per generering
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 480p, 720p
• Bildförhållanden: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Längre klipp som behöver vara konsekventa med många referenser
• Dialog- och prestationsscener som styrs av referensljud

Kostnad: Varierar beroende på valda inställningar och längd

API: bytedance-seedance-v2.5

Redigerar en befintlig video genom att du beskriver ändringarna. Utdatans längd och bildförhållande följer indatavideon.

Indata för generering:

• Video att redigera (krävs, upp till 30 s)
• Textprompt som beskriver redigeringarna
• Bildreferenser (upp till 30)
• Ytterligare videoreferenser (upp till 10, sammanlagt 30 s)
• Ljudreferenser (upp till 10, sammanlagt 30 s)

Funktioner:

• Ingen längdkontroll: utdatan matchar indatavideons längd
• Bildförhållandet hämtas från indatavideon
• Inbyggd ljudkontroll med ljud aktiverat eller inaktiverat per generering
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 480p, 720p

Passar bäst för:

• Att ändra kläder, rekvisita, ljussättning eller miljö i befintligt material
• Stilöverföring som bevarar den ursprungliga rörelsen

Kostnad: Varierar beroende på valda inställningar och längd

Fortsätter en befintlig video där den slutar, med vägledning från en prompt och valfria referenser.

Indata för generering:

• Video att förlänga (krävs, upp till 30 s)
• Textprompt som beskriver fortsättningen
• Bildreferenser (upp till 30)
• Ytterligare videoreferenser (upp till 10, sammanlagt 30 s)
• Ljudreferenser (upp till 10, sammanlagt 30 s)

Funktioner:

• Förlängningslängd från 4 s upp till 30 s
• Bildförhållandet hämtas från indatavideon
• Inbyggd ljudkontroll med ljud aktiverat eller inaktiverat per generering
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 480p, 720p

Passar bäst för:

• Att förlänga en tagning som slutar för tidigt
• Att kedja flera genereringar till en längre sekvens

Kostnad: Varierar beroende på valda inställningar och längd

En avancerad videomodell som fungerar som en AI-regissör och bevarar hög konsekvens för karaktärer, föremål och scener genom komplexa kamerarörelser.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta

Funktioner:

• Högfidelitetsbevarande av karaktärer och scener med bild- eller videoreferenser från flera vinklar
• Inbyggd gemensam ljud- och videogenerering med flerspråkig läppsynkning och omgivningsljud
• Flexibla genereringslängder från 3 s upp till 15 s
• Generera upp till 4 variationer samtidigt
• Förbättrad hantering av text, vätskedynamik och komplexa fysiska interaktioner

Utdataalternativ:

• Upplösningar: endast 1080p
• Bildförhållanden: 16:9, 1:1, 9:16

Passar bäst för:

• Karaktärsdriven storytelling som kräver visuell kontinuitet
• Reklam och material med specifika krav på textrendering

Kostnad: Varierar beroende på valda inställningar och längd

En videomodell med hög konsekvens som fungerar som en AI-regissör och bevarar identiteten hos karaktärer, föremål och scener genom komplexa kamerarörelser.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta
• Videoreferens
• Bildreferens

Funktioner:

• Bevarar exakt visuell identitet för huvudkaraktärer och föremål med referenser från flera vinklar
• Stöder sömlösa genereringslängder från 3 s upp till 15 s
• Generera upp till 4 variationer åt gången
• Exakt modellering av elementinteraktioner och sammanhängande rörelser
• Inbyggt stöd för aktiverat eller inaktiverat ljud per generering

Utdataalternativ:

• Upplösningar: endast 1080p
• Bildförhållanden: 16:9, 1:1, 9:16

Passar bäst för:

• Karaktärsdriven storytelling som kräver strikt visuell kontinuitet
• Professionell marknadsföring och varumärkesmaterial med konsekvent rendering av föremål

Kostnad: Varierar beroende på valda inställningar och längd

En språkstyrd video-till-video-redigeringsmodell baserad på O3-arkitekturen, som möjliggör komplexa visuella förändringar – till exempel byte av karaktärer och miljöer – utan manuell maskning eller justeringar bildruta för bildruta.

Indata för generering:

• Källvideo
• Bildreferenser (upp till 4 distinkta element/vinklar)
• Textbeskrivning (instruktioner på naturligt språk)

Funktioner:

• Tolkar samtalsbaserade prompter för att byta ut motiv eller miljöer samtidigt som den ursprungliga rörelsestrukturen bevaras
• Bevarar ursprungliga kameravinklar, rörelsemönster och rumsliga relationer genom hela redigeringen
• Kombinerar upp till 4 element totalt (inklusive frontala bilder och bilder från flera vinklar) för konsekventa karaktärer med hög kvalitet
• Alternativ för att bevara ursprungligt källjud eller generera tyst utdata per generering
• Generera upp till 4 redigerade variationer åt gången

Utdataalternativ:

• Upplösningar: Beror på källvideon
• Bildförhållanden: Matchar källvideon

Passar bäst för:

• Högfidelitetsbyte av karaktärer i befintligt material samtidigt som ursprungliga rörelser behålls
• Fullständiga förändringar av scenmiljön (t.ex. att ändra en stad i dagsljus till ett futuristiskt nattlandskap)
• Att tillämpa stilöverföringar som kräver strikt följsamhet till befintlig kameradynamik

Kostnad: Varierar beroende på videons längd och valda inställningar

En professionell modell för högkvalitativ, filmisk videogenerering.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta
• Bildreferenser

Funktioner:

• Utmärkt kvalitet och kreativ kontroll med negativa prompter
• Helt integrerat och synkroniserat ljud
• Realistisk dialog, läppsynkning och ljudeffekter
• Fasta längder: 4 s, 6 s och 8 s
• Batchskapande med upp till 4 genereringar åt gången
• Separat ljudkontroll

Utdataalternativ:

• Upplösningar: 720p, 1080p
• Bildförhållanden: 16:9, 9:16

Passar bäst för:

• Högkvalitativ, filmisk videogenerering med full kreativ kontroll

Kostnad: Varierar beroende på valda inställningar och längd

API: veo-3.1-generate-001

En höghastighetsmodell optimerad för snabba förhandsvisningar och genereringar, med skarpare bild och lägre latens.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta

Funktioner:

• Avancerad kreativ kontroll med negativa prompter och separat ljudkontroll
• Fasta längder: 4 s, 6 s och 8 s
• Batchskapande med upp till 4 genereringar åt gången
• Modellerar verklighetens fysik exakt för realistiska rörelser och interaktioner

Utdataalternativ:

• Upplösningar: 720p, 1080p
• Bildförhållanden: 16:9, 9:16

Passar bäst för:

• Snabb iteration och bilder för A/B-testning
• Snabb innehållsskapande för sociala medier

Kostnad: Varierar beroende på valda inställningar och längd

API: veo-3.1-fast-generate-001

En kostnadseffektiv höghastighetsvariant av Veo 3.1, optimerad för snabb generering med minskad beräkningskapacitet.

Indata för generering:

• Text-till-video
• Startbildruta

Funktioner:

• Detaljerad kreativ kontroll med negativa prompter och separat ljudkontroll
• Fasta längder: 4 s, 6 s och 8 s
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 720p
• Bildförhållanden: 16:9, 9:16

Passar bäst för:

• Innehållsskapande i stora volymer där snabbhet och kostnadseffektivitet prioriteras
• Snabb utforskning av koncept och förhandsvisningar

Kostnad: Varierar beroende på valda inställningar och längd

Googles fysikmedvetna videomodell med inbyggt ljud, utdata upp till 4K och både interpolering av bildrutor samt referensstyrd generering.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta
• Bildreferenser (upp till 10)
• Videoreferenser (upp till 3, vardera upp till 10 s)

Funktioner:

• Bildrutor och referenser utesluter varandra: interpolera mellan bildrutor eller styr med referenser
• Fasta längder från 3 s till 10 s; längden följer referensvideon när en är bifogad
• Stark rendering av kort text och etiketter på skärmen
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 360p, 720p, 1080p, 4K
• Bildförhållanden: 16:9, 9:16

Passar bäst för:

• Förklarande videor och kinetisk typografi med läsbar text
• Fysiskt förankrade rörelser med konsekventa motiv mellan referenser

Kostnad: Varierar beroende på valda inställningar och längd

Fortsätter en befintlig video där den slutar med Gemini Omni Flash 1.1, till en sammanlagd längd på upp till 40 sekunder.

Indata för generering:

• Video att förlänga (krävs, upp till 30 s)
• Textprompt som beskriver fortsättningen

Funktioner:

• Förlängningslängd från 3 s till 10 s
• Bildförhållandet följer indatavideon
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 360p, 720p, 1080p, 4K

Passar bäst för:

• Att förlänga Gemini Omni Flash-genereringar utan ett synligt klipp
• Att bygga sekvenser som är längre än en enskild generering tillåter

Kostnad: Varierar beroende på valda inställningar och längd

Den första Gemini Omni-videomodellen: fysikmedvetna rörelser, inbyggt ljud och den bästa textrenderingen på skärmen bland de tillgängliga videomodellerna, i 720p.

Indata för generering:

• Text-till-video
• Bildreferenser (upp till 8)
• Videoreferens (1, upp till 10 s)

Funktioner:

• Fasta längder från 3 s till 10 s; längden följer referensvideon när en är bifogad
• Ingen start- eller slutbildruta; använd bildreferenser för att i stället förankra ett motiv
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 720p
• Bildförhållanden: 16:9, 9:16

Passar bäst för:

• Korta bildtexter, titlar och förklarande videor med etiketter
• Konsekvens mellan flera bilder i 720p

Kostnad: Varierar beroende på valda inställningar och längd

En uppgraderad specialiserad modell för att skapa dynamiska sekvenser med hög återgivning, förbättrad tidsmässig stabilitet och exakt kontroll över övergångar mellan nyckelbilder.

Indata för generering:

• Text-till-video
• Startbild
• Slutbild

Funktioner:

• Sammanfogar start- och slutbilder sömlöst för sammanhängande sekvenser med flera tagningar
• Modellering med hög återgivning av komplexa handlingar och konsekventa miljöer
• Stöder fasta genereringslängder från 4 s upp till 12 s
• Generera upp till 4 variationer åt gången
• Inbyggt stöd för att aktivera eller inaktivera ljud för varje generering

Utdataalternativ:

• Upplösningar: 420p, 720p
• Bildformat: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Berättande och actionscener som kräver stabil fysik mellan specifika visuella riktmärken
• Filmiska övergångar och professionellt videomaterial med strikta krav på start och slut

Kostnad: Varierar beroende på valda inställningar och längd

Black Forest Labs videomodell med naturliga rörelser, scener med flera tagningar, genererat ljud och videoförlängning.

Indata för generering:

• Text-till-video
• Startbild
• Slutbild
• Video att förlänga (1, upp till 15 s)

Funktioner:

• Videoförlängning kan inte användas tillsammans med start- och slutbilder
• Flexibla genereringslängder från 5 s upp till 20 s
• Inbyggd ljudkontroll med ljud aktiverat eller inaktiverat för varje generering
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 720p, 1080p
• Bildformat: 21:9, 2:1, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Scener med flera tagningar från en enda prompt
• Att förlänga ett befintligt klipp med matchande rörelse och ljud

Kostnad: Varierar beroende på valda inställningar och längd

Redigerar en befintlig video utifrån en textprompt. Utdatalängd och bildutsnitt följer källvideon, upp till 15 s.

Indata för generering:

• Video att redigera (krävs, upp till 15 s)
• Textprompt som beskriver redigeringarna

Utdataalternativ:

• Upplösning och bildformat matchar källvideon

Passar bäst för:

• Promptbaserade ändringar av befintligt videomaterial

Kostnad: Varierar beroende på valda inställningar och längd

MiniMax flaggskeppsvideomodell med multimodala referenser, genererat ljud och utdata upp till 4K.

Indata för generering:

• Text-till-video
• Startbild
• Slutbild
• Bildreferenser (upp till 9)
• Videoreferenser (upp till 3, vardera 2 s till 15 s, totalt 15 s)
• Ljudreferenser (upp till 3, vardera 2 s till 15 s, totalt 15 s)

Funktioner:

• Sammanlagt högst 12 referenser per generering; ljudreferenser kräver minst en bild- eller videoreferens
• Bilder och referenser kan inte användas tillsammans
• Flexibla genereringslängder från 5 s upp till 15 s
• Genererar synkroniserat ljud
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 480p, 768p, 2K, 4K (2K och 4K skalas upp från 768p)
• Bildformat: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Referensdrivna scener som behöver levereras i hög upplösning
• Dialogklipp som drivs av referensljud

Kostnad: Varierar beroende på valda inställningar och längd

En nästan omedelbar variant av MiniMax H3 med samma indata och stark estetik, som renderas direkt i upp till 768p.

Indata för generering:

• Text-till-video
• Startbild
• Slutbild
• Bildreferenser (upp till 9)
• Videoreferenser (upp till 3, vardera 2 s till 15 s, totalt 15 s)
• Ljudreferenser (upp till 3, vardera 2 s till 15 s, totalt 15 s)

Funktioner:

• Sammanlagt högst 12 referenser per generering; ljudreferenser kräver minst en bild- eller videoreferens
• Bilder och referenser kan inte användas tillsammans
• Flexibla genereringslängder från 5 s upp till 15 s
• Genererar synkroniserat ljud
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 480p, 768p
• Bildformat: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Snabb iteration av promptar och referenser
• Förhandsvisningar före rendering med MiniMax H3

Kostnad: Varierar beroende på valda inställningar och längd

Byter ut personer i en källvideo med hjälp av 1 till 4 foton. Längden följer källan, upp till 30 s, och originalljudet behålls.

Indata för generering:

• Källvideo (upp till 30 s)
• Foton på personerna som ska bytas ut (1 till 4)

Funktioner:

• Utdatalängden följer källvideon
• Behåller källjudet

Utdataalternativ:

• Upplösningar: upp till 1080p
• Bildformatet följer källvideon

Passar bäst för:

• Att ersätta personer i befintligt videomaterial med motiv från referensfoton

Kostnad: Varierar beroende på valda inställningar och längd

En avancerad resonemangsmodell för video, utformad för överlägsen följsamhet till promptar och komplex simulering av den fysiska världen. Den använder avancerad logisk bearbetning för att tolka och utföra detaljerade instruktioner.

Indata för generering:

• Text-till-video (beskrivning)
• Startbild och slutbild
• Videoreferens
• Bildreferens

Funktioner:

• Exceptionell förmåga att tolka promptar med flera lager och utföra komplexa kronologiska handlingar
• Använder både bilder och videor som visuella ankare för att bibehålla hög konsekvens för karaktärer och scener
• Överlägsen modellering av fysiska interaktioner, orsak och verkan samt vätskedynamik
• Stöder högkvalitativ generering för klipp på 5 s och 10 s
• Generera upp till 4 variationer åt gången

Utdataalternativ:

• Upplösningar: Beror på indata
• Bildformat: 16:9, 1:1, 9:16

Passar bäst för:

• Mycket specifika kreativa koncept som kräver exakt följsamhet till långa, detaljerade beskrivningar
• Professionellt berättande där fysisk realism och konsekvens mellan flera referenser är avgörande

Kostnad: Varierar beroende på valda inställningar och längd

En videoredigeringsmodell som drivs av naturligt språk och möjliggör komplexa visuella förändringar – som att byta ut karaktärer och miljöer – utan manuell maskning eller justeringar bildruta för bildruta.

Indata för generering:

• Källvideo
• Bildreferenser (upp till 4 olika element/vinklar)
• Textbeskrivning (instruktioner på naturligt språk)

Funktioner:

• Tolkar konversationsbaserade promptar för att ersätta motiv eller miljöer samtidigt som den ursprungliga rörelsestrukturen respekteras
• Bibehåller ursprungliga kameravinklar, rörelsemönster och rumsliga relationer genom hela redigeringen
• Kombinerar upp till 4 element totalt (inklusive framifrån- och flervinkelbilder) för att säkerställa konsekventa karaktärer med hög återgivning
• Alternativ för att behålla ursprungligt källjud eller generera ljudlös utdata för varje generering
• Generera upp till 4 redigerade variationer åt gången

Utdataalternativ:

• Upplösningar: Beror på källvideon
• Bildformat: Matchar källvideon

Passar bäst för:

• Att ersätta karaktärer med hög återgivning i befintligt videomaterial och samtidigt behålla ursprungliga rörelser
• Fullständiga förändringar av scenmiljöer (t.ex. att ändra en stad i dagsljus till ett futuristiskt nattlandskap)
• Att tillämpa stilöverföringar som kräver strikt följsamhet till befintlig kameradynamik

Kostnad: Varierar beroende på videons längd och valda inställningar

En specialiserad modell för exakt rörelseöverföring som låter dig styra en karaktärsbild med en referensvideo för att återskapa specifika rörelser, gester och kameravinklar.

Indata för generering:

• Karaktärsbild (källa)
• Rörelsevideo (referens)
• Textbeskrivning (valfritt)

Funktioner:

• Välj “Match Video” för exakt rörelseåterskapning eller “Match Image” för att lägga till nya kreativa rörelser för en karaktär
• Stöder upp till 30 s i läget Match Video och 10 s i läget Match Image
• Kartläggning med hög återgivning av mänskliga rörelser från referensmaterial till en stillbild av en karaktär
• Inbyggt stöd för att aktivera eller inaktivera ljud för varje generering
• Generera upp till 4 variationer åt gången

Utdataalternativ:

• Upplösningar: Beror på källan
• Bildformat: Beror på källan

Passar bäst för:

• Att återskapa komplex koreografi eller specifika rörelser för en egen karaktär
• Längre karaktärsanimationer som kräver hög rörelseåtergivning
• Innehåll för sociala medier som drivs av populära videorörelser

Kostnad: Varierar beroende på valda inställningar och längd

En specialiserad modell för exakt rörelseöverföring, byggd på Kling 3.0-arkitekturen. Den låter dig styra en karaktärsbild med en referensvideo för att återskapa specifika rörelser, gester och kameravinklar med förbättrad återgivning.

Indata för generering:

• Karaktärsbild (källa)
• Rörelsevideo (referens)
• Textbeskrivning (valfritt)

Funktioner:

• Välj “Match Video” för exakt rörelseåterskapning eller “Match Image” för att lägga till nya kreativa rörelser för en karaktär
• Stöder upp till 30 s i läget Match Video och 10 s i läget Match Image
• Kartläggning med hög återgivning av mänskliga rörelser från referensmaterial till en stillbild av en karaktär
• Inbyggt stöd för att aktivera eller inaktivera ljud för varje generering
• Generera upp till 4 variationer åt gången

Utdataalternativ:

• Upplösningar: Beror på källan
• Bildformat: Beror på källan

Passar bäst för:

• Att återskapa komplex koreografi eller specifika rörelser för en egen karaktär
• Längre karaktärsanimationer som kräver hög rörelseåtergivning
• Innehåll för sociala medier som drivs av populära videorörelser

Kostnad: Varierar beroende på valda inställningar och längd

En optimerad generativ modell utformad för förbättrad rörelseåtergivning och mjukare övergångar, med balans mellan snabb iteration och visuella resultat av produktionskvalitet.

Indata för generering:

• Text-till-video
• Startbild (bild-till-video)

Funktioner:

• Förbättrad rörelsedynamik: Betydande förbättringar av rörelseflyt och realistiska fysikinteraktioner
• Flexibel ljudkontroll: Inbyggt stöd för att aktivera eller inaktivera ljud för varje generering
• Batchskapande: Generera upp till 4 variationer samtidigt
• Detaljerad förfining: Avancerad kreativ kontroll genom stöd för negativa promptar
• Fasta längder: Stöder genereringslängder på 5 s och 10 s

Utdataalternativ:

• Upplösningar: Beror på indata
• Bildformat: 16:9, 1:1, 9:16

Passar bäst för:

• Actionfyllda klipp som kräver smidiga karaktärsrörelser
• Professionellt innehåll för sociala medier med stark följsamhet till promptar

Kostnad: Varierar beroende på valda inställningar och längd

En balanserad och mångsidig modell för högkvalitativ videogenerering i full HD.

Indata för generering:

• Text-till-video
• Startbild

Funktioner:

• Utmärker sig vid simulering av komplexa rörelser och realistisk fysik
• Modellerar vätskedynamik och uttryck på ett korrekt sätt
• Fasta längder: 5 s och 10 s
• Batchskapande med upp till 4 genereringar åt gången

Utdataalternativ:

• Upplösningar: 1080p
• Bildformat: 16:9, 1:1, 9:16

Passar bäst för:

• Realistiska fysiksimuleringar och komplexa rörelser

Kostnad: Varierar beroende på valda inställningar och längd

Toppmodern rörelsekvalitet, följsamhet till promptar och visuell återgivning för filmisk, mycket realistisk video.

Indata för generering:

• Text-till-video
• Startbild (bild-till-video)

Funktioner:

• Exceptionell rörelsekvalitet med branschledande realism och fysiksimulering
• Överlägsen följsamhet till promptar för exakt kreativ kontroll över komplexa scener
• Hög visuell återgivning som ger utdata i filmisk kvalitet
• Generera upp till 4 variationer samtidigt

Utdataalternativ:

• Upplösningar: 720p
• Bildformat: 16:9, 9:16

Passar bäst för:

• Filmiskt innehåll som kräver högsta rörelsekvalitet och realism
• Professionella produktioner som kräver exakt följsamhet till promptar
• Visuellt berättande med hög återgivning

Kostnad: Varierar beroende på valda inställningar och längd

En avancerad videomodell utformad för snabb iteration och kostnadseffektivt skapande, som kan producera videor av hög kvalitet.

Indata för generering:

• Text-till-video
• Startbild (bild-till-video)

Funktioner:

• Optimerad för ultrasnabb generering och ger resultat upp till fyra gånger snabbare än tidigare versioner
• Möjliggör exakt styrning av karaktärsrörelser, kameravinklar och scenkompositioner
• Utmärker sig vid att bibehålla visuell sammanhållning och stabilitet i dynamiska scener
• Stöder genereringslängder från 2 s upp till 10 s
• Generera upp till 4 variationer samtidigt

Utdataalternativ:

• Upplösningar: 720p
• Bildformat: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Snabb prototypframtagning och kreativa experiment som kräver nästan omedelbar återkoppling
• Professionella projekt som behöver snabba leveranser av marknadsföringsmaterial i hög upplösning
• Filmiskt innehåll med specifika krav på kamerarörelser

Kostnad: Varierar beroende på valda inställningar och längd

En toppmodern videomodell för in-context-användning, utformad för visuell generering av flera uppgifter och kapabel att utföra komplexa redigeringar samtidigt som den underliggande strukturen i källmaterialet behålls.

Indata för generering:

• Källvideo
• Referensbild
• Textbeskrivning

Funktioner:

• Lägg sömlöst till, ta bort eller omvandla objekt och motiv i en scen med naturlig belysning, skuggor och perspektiv
• Ändra platser, årstider och tid på dagen (t.ex. genom att omvandla molnigt material till en dramatisk solnedgång) med realistiska uppdateringar av färgtemperatur
• Ändra skådespelares ålder och utseende eller ge kläder och motiv nya texturer genom enkla promptar på naturligt språk
• Tillämpa en referensvideos specifika rörelse och kamerabana på en stillbild för exakt animationskontroll
• Generera helt nya kameravinklar, som omvända bilder eller låga vinklar, från en enda befintlig videosekvens
• Innehåller exakt green screen-arbete (isolering med kantdetektering), generering av nästa bild för att fortsätta berättelsen och estetisk stilöverföring
• Generera upp till 4 variationer samtidigt

Utdataalternativ:

• Upplösningar: 720p
• Bildformat: Auto

Passar bäst för:

• Professionella visuella effektuppgifter som digital föryngring, ombelysning och borttagning av objekt
• Snabb filmisk prototypframtagning och generering av alternativa kamerabilder från en enda tagning
• Kreativt marknadsföringsinnehåll som kräver stora förändringar av miljö eller stil

Kostnad: Varierar beroende på valda inställningar och längd

Runways videoredigeringsmodell: omvandlar en befintlig video mot ett önskat utseende samtidigt som rörelse och konsekvens bevaras.

Indata:

• Källvideo (krävs, 2 s till 30 s)
• Bild med önskat utseende (krävs)
• Textprompt som beskriver redigeringarna

Funktioner:

• Utdatalängd och bildutsnitt följer källvideon
• Stilöverföring styrd av bilden med önskat utseende
• Batchskapande med upp till 4 genereringar åt gången

Passar bäst för:

• Att ändra belysning, stil eller miljö i befintligt videomaterial
• Att tillämpa en referensbilds utseende på ett helt klipp

Kostnad: Varierar beroende på valda inställningar och längd

En specialiserad modell för rörelseöverföring som animerar karaktärer genom att överföra rörelse, tal och ansiktsuttryck från en styrande video till en bild- eller videoreferens av en karaktär.

Indata för generering:

• Styrande framträdande (video)
• Karaktärsindata (bild eller video)

Funktioner:

• Överför nyanserade ansiktsuttryck, läppsynkronisering och synkroniserat ljud direkt från en källskådespelare till valfri karaktär
• Lägger automatiskt till sekundära rörelser och subtila kameraskakningar i statiska karaktärsbilder för ett mer naturligt utseende
• Exakt reglage för att aktivera eller inaktivera kropps- och handrörelser när du använder en karaktärsbild
• Justerbara inställningar för att balansera mellan intensivt känslomässigt framförande och karaktärens visuella konsekvens
• Möjlighet att ändra karaktärens röst efter generering och samtidigt behålla perfekt synkronisering med det styrande framförandet

Utdataval:

• Upplösningar: 720p
• Bildförhållanden: Auto

Passar bäst för:

• Att väcka statiska karaktärsporträtt till liv med realistiska mänskliga rörelser och tal
• Att animera icke-mänskliga karaktärer eller stiliserade avatarer med uttryck med hög precision
• Att snabbt skapa talking-head-innehåll med integrerade kroppsgester

Kostnad: Varierar beroende på valda inställningar och längd

En specialiserad modell för att skapa dynamiska sekvenser med flera tagningar, omfattande rörelser och action.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta

Funktioner:

• Mycket stabil fysik och sömlösa övergångar mellan tagningar
• Fasta längder: 3 s, 4 s, 5 s, 6 s, 7 s, 8 s, 9 s, 10 s, 11 s och 12 s
• Batchskapande med upp till 4 genereringar åt gången
• Maximal kreativ flexibilitet med många alternativ för bildförhållande

Utdataval:

• Upplösningar: 480p, 720p, 1080p
• Bildförhållanden: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Berättande och actionscener som kräver stabil fysik

Kostnad: Varierar beroende på valda inställningar och längd

En DiT-baserad grundmodell som är utformad för att generera synkroniserad video och ljud i ett enda steg, vilket ger sammanhängande tal och realistiska rörelser.

Indata för generering:

• Text-till-video
• Bild-till-video
• Ljud-till-video
• Djup-till-video

Funktioner:

• Genererar dialog, läpprörelser och bakgrundsljud samtidigt för perfekt synkronisering utan externa verktyg
• Dynamiska scener med stabila rörelser, konsekvent identitet och stark sammanhållning mellan bildrutor
• Stöder synkroniserad generering med hög precision i upp till 20 sekunder
• Avancerad kreativ styrning genom detaljerat stöd för negativa prompter
• Generera upp till 4 variationer åt gången

Utdataval:

• Upplösningar: 720p, 1080p
• Bildförhållanden: 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Sammanhängande tal och uttrycksfulla karaktärsframträdanden
• Berättande innehåll som kräver integrerat bakgrundsljud och konsekvent tajming
• Dynamiska scener med komplex rörelselogik som tar hänsyn till kameran

Kostnad: Varierar beroende på valda inställningar och längd

En generativ modell med hög precision som är optimerad för maximal visuell detaljrikedom och strukturell stabilitet och kan skapa 4K-utdata i produktionskvalitet med mjuka rörelser.

Indata för generering:

• Text-till-video
• Startbildruta (bild-till-video)

Funktioner:

• Prioriterar visuell kvalitet och konsekvens framför hastighet, vilket ger stabila resultat i längre sekvenser
• Stöder både 25 FPS och 50 FPS för exceptionellt mjuka och professionella rörelser
• Integrerad audiovisuell generering med ett reglage för att slå på eller av ljud
• Byggd för att hantera inbyggda utdata i 1080p, 2k och 4k utan detaljförlust
• Generera upp till 4 variationer åt gången

Utdataval:

• Upplösningar: 1080p, 2k, 4k
• Bildfrekvenser: 25 FPS, 50 FPS
• Bildförhållande: 16:9 (standard)
• Längder: 6 s, 8 s, 10 s

Passar bäst för:

• Filmisk produktion med hög upplösning som kräver 4K-skärpa
• Professionellt innehåll som kräver mjuka rörelser i 50 FPS
• Detaljerade sekvenser där visuell stabilitet och strukturell integritet är avgörande

Kostnad: Varierar beroende på valda inställningar och längd

Ett exakt AI-regiverktyg som gör det möjligt att ändra dialog, känslor och handling i befintliga tagningar utan att bryta kontinuiteten eller generera om hela sekvensen.

Indata för generering:

• Källvideo
• Textbeskrivning

Funktioner:

• Ändra specifika segment samtidigt som kontexten från omgivande bildrutor bevaras väl
• Omformulera repliker och behåll samtidigt karaktärens röst, framträdande och miljö konsekventa
• Flera redigeringslägen: Välj mellan “Audio & Video”, “Audio only” eller “Video only” för att isolera och generera om specifika delar av tagningen
• Nytt innehåll ärver naturligt originalets rörelser, ljussättning och ton för sömlösa övergångar
• Experimentera direkt med alternativa karaktärsreaktioner, känslomässiga ögonblick eller kamerarörelser i en enda tagning
• Generera upp till 4 variationer samtidigt för kreativ jämförelse sida vid sida

Utdataval:

• Bildförhållanden: endast 16:9

Passar bäst för:

• Att justera manus och finslipa dialog utan nyinspelning eller ominspelning av ljud
• Att åtgärda problem med känslomässiga ögonblick eller tempo i efterproduktionen
• Att testa flera varumärkesbudskap och uppmaningar till handling i ett och samma marknadsföringsmaterial

Kostnad: Varierar beroende på valda inställningar och längd

En hastighetsoptimerad generativ modell som är byggd för snabba återkopplingsloopar och snabb innehållsproduktion och levererar högupplösta bilder med betydligt kortare renderingstider.

Indata för generering:

• Text-till-video
• Startbildruta (bild-till-video)

Funktioner:

• Konstruerad för hastighet och snabba iterationer, vilket möjliggör snabb visuell experimentering och nästan omedelbara förhandsvisningar
• Stöder inbyggda utdata i 1080p, 2k och 4k med lägre beräkningskostnad än Pro-modellen
• Stöder både 25 FPS och 50 FPS för mjuka rörelser i hög hastighet
• Möjliggör snabb generering av synkroniserat audiovisuellt innehåll med längder på upp till 20 sekunder
• Inbyggt stöd för att aktivera eller inaktivera ljud för varje generering
• Generera upp till 4 variationer samtidigt

Utdataval:

• Upplösningar: 1080p, 2k, 4k
• Bildfrekvenser: 25 FPS, 50 FPS
• Bildförhållande: 16:9 (standard)
• Längder: 6 s, 8 s, 10 s, 12 s, 14 s, 16 s, 18 s, 20 s

Passar bäst för:

• Snabb prototypframtagning och kreativ utforskning där hastighet prioriteras framför maximal detaljrikedom
• Stora mängder innehåll för sociala medier som kräver snabb leverans
• A/B-testning av olika visuella koncept och rörelsestilar

Kostnad: Varierar beroende på valda inställningar och längd

En filmisk videomodell med bild-, video- och ljudreferenser, genererat ljud och genereringar på upp till 30 sekunder.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta
• Bildreferenser (upp till 10)
• Videoreferenser (upp till 5, sammanlagt 15 s)
• Ljudreferenser (upp till 5, sammanlagt 15 s)

Funktioner:

• Bildrutor och referenser kan inte användas samtidigt
• Fasta längder: 5 s, 10 s, 15 s, 20 s och 30 s
• Inbyggd ljudstyrning med ljud aktiverat eller inaktiverat per generering
• Valfri promptförbättring
• Batchskapande med upp till 4 genereringar åt gången

Utdataval:

• Upplösningar: 480p, 720p, 1080p
• Bildförhållanden: Auto, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Längre filmiska tagningar med hög följsamhet till prompten
• Referensdrivna scener med ljud

Kostnad: Varierar beroende på valda inställningar och längd

En snabbare variant av Wan 3.0 med samma indata och utdataval, anpassad för idéutveckling.

Indata för generering:

• Text-till-video
• Startbildruta
• Slutbildruta
• Bildreferenser (upp till 10)
• Videoreferenser (upp till 5, sammanlagt 15 s)
• Ljudreferenser (upp till 5, sammanlagt 15 s)

Funktioner:

• Ungefär halva genereringstiden jämfört med Wan 3.0
• Fasta längder: 5 s, 10 s, 15 s, 20 s och 30 s
• Inbyggd ljudstyrning med ljud aktiverat eller inaktiverat per generering
• Batchskapande med upp till 4 genereringar åt gången

Utdataval:

• Upplösningar: 480p, 720p, 1080p
• Bildförhållanden: Auto, 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Att utforska idéer före en slutlig rendering i Wan 3.0
• Arbetsflöden där snabb leverans är viktig

Kostnad: Varierar beroende på valda inställningar och längd

En filmisk videoplattform av nästa generation som använder en enhetlig multimodal arkitektur för att leverera produktionsklart innehåll i 1080p med inbyggd ljudsynkronisering och intelligent sekvensering av flera tagningar.

Indata för generering:

• Text-till-video
• Startbildruta (bild-till-video)
• Videoreferens (video-till-video)
• Ljudreferens (valfritt bakgrundsljud eller dialog)

Funktioner:

• Enhetligt multimodalt system: Bearbetar text, bilder, video och ljud via ett enda integrerat ramverk för konsekvent utdatakvalitet
• Inbyggd ljudsynkronisering: Genererar och synkroniserar automatiskt dialog, berättarröst och miljöljudeffekter med rörelserna på skärmen
• Intelligent sekvensering av flera tagningar: Organiserar automatiskt sammanhängande videosekvenser till tydliga berättelsebågar och bibehåller samtidigt konsekventa karaktärer
• Förlängda längder: Stöder stabil generering med hög kvalitet i fasta längder på 5 s, 10 s och 15 s
• Avancerad kreativ styrning: Stöder negativa prompter för detaljerad hantering och batchskapande av upp till 4 variationer

Utdataval:

• Upplösningar: 720p, 1080p
• Bildförhållanden: 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Professionellt berättande och komplexa filmiska sekvenser med flera tagningar
• Annonser i sociala medier och marknadsföringsinnehåll som kräver integrerat ljud med hög precision
• Karaktärsdrivet innehåll som kräver strikt visuell konsekvens och konsekventa rörelser via videoreferenser

Kostnad: Varierar beroende på valda inställningar och längd

En mångsidig modell som levererar filmiska rörelser och hög följsamhet till prompten från text eller en startbild.

Indata för generering:

• Text-till-video
• Startbildruta (bild-till-video)

Funktioner:

• Detaljerad kreativ styrning med negativa prompter och särskild ljudstyrning
• Fasta längder: 5 s och 10 s
• Batchskapande med upp till 4 genereringar åt gången

Utdataval:

• Upplösningar: 480p, 720p, 1080p
• Bildförhållanden: 16:9, 1:1, 9:16

Passar bäst för:

• Filmiskt innehåll med hög följsamhet till prompten

Kostnad: Varierar beroende på valda inställningar och längd

OpenAI:s bildmodell i produktionskvalitet för mycket detaljerade resultat och exakt redigering.

Indata för generering:

• Text-till-bild
• Bildreferenser (upp till 10)

Funktioner:

• Fem kvalitetsnivåer från låg till maximal
• Anpassad upplösning på upp till 3840 px per sida, med bildförhållanden på upp till 3:1
• Batchskapande med upp till 4 genereringar åt gången

Utdataval:

• Upplösningar: 1K, 2K, 4K eller anpassad
• Bildförhållanden: 3:1, 21:9, 2:1, 16:9, 3:2, 4:3, 5:4, 1:1, 4:5, 3:4, 2:3, 9:16, 1:2, 1:3

Passar bäst för:

• Slutliga material där detaljer och precision är viktigast
• Exakta redigeringar av befintliga bilder

Kostnad: Varierar beroende på valda inställningar och antal variationer

API: gpt-image-2.5-sunburst

En snabb GPT Image 2.5-variant med samma reglage som Sunburst, anpassad för vardaglig generering i stora volymer.

Indata för generering:

• Text-till-bild
• Bildreferenser (upp till 10)

Funktioner:

• Fem kvalitetsnivåer från låg till maximal
• Anpassad upplösning på upp till 3840 px per sida, med bildförhållanden på upp till 3:1
• Batchskapande med upp till 4 genereringar åt gången

Utdataval:

• Upplösningar: 1K, 2K, 4K eller anpassad
• Bildförhållanden: 3:1, 21:9, 2:1, 16:9, 3:2, 4:3, 5:4, 1:1, 4:5, 3:4, 2:3, 9:16, 1:2, 1:3

Passar bäst för:

• Bildgenerering i stora volymer
• Snabba iterationer som ändå behöver 4K och anpassade storlekar

Kostnad: Varierar beroende på valda inställningar och antal variationer

API: gpt-image-2.5-flare

En avancerad AI-modell som är utformad för exakt bildgenerering med förbättrad textåtergivning och funktioner för högupplösta utdata.

Funktioner:

• Exakt textstyrning för att skapa bilder med korrekt typografi och tydlighet
• Högupplöst PNG-utdata som passar professionell och kommersiell användning
• Stöder flera bildreferenser för att styra stil och komposition
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildförhållanden: 3:2, 1:1, 2:3
• Kvalitetsalternativ: låg, medel, hög

Passar bäst för:

• Marknadsföringsbilder och designmaterial som kräver exakt textplacering
• Professionellt innehåll med krav på hög upplösning
• Kreativa projekt som behöver exakt textbaserad bildstyrning

Kostnad: Varierar beroende på valda inställningar och antal variationer

API: gpt-image-2

En bildmodell med inbyggd 4K-utdata och upp till 14 bildreferenser.

Indata för generering:

• Text-till-bild
• Bildreferenser (upp till 14)

Utdataval:

• Upplösningar: 4K
• Bildförhållanden: 8:1 till 1:8 samt auto

Passar bäst för:

• Referensstyrda bilder som behöver inbyggd 4K

Kostnad: Varierar beroende på valda inställningar och antal variationer

En avancerad AI-modell för bildgenerering som kombinerar produktionsklar kvalitet med ultrasnabb bearbetning, förbättrad kunskap om världen och konsekventa motiv.

Funktioner:

• Inbyggd 4K-upplösning utan uppskalning för kristallklara detaljer
• Blixtsnabb bildgenerering på så lite som 1–2 sekunder
• Överlägsen följsamhet till prompten genom avancerat resonemang och instruktionsefterlevnad
• Skarp och korrekt textåtergivning på flera språk för mockups, skyltar och infografik
• Konsekvent stil för flera motiv som bevarar identiteten för flera karaktärer och objekt
• Förbättrad kunskap om världen för mer exakt generering av scener
• Stöder flera bildreferenser för att styra genereringen
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildförhållanden: 21:9, 16:9, 5:4, 4:3, 3:2, 1:1, 2:3, 3:4, 4:5, 9:16
• Upplösningar: Upp till 4K

Passar bäst för:

• Snabba kreativa arbetsflöden som kräver iterationer i realtid
• Varumärkesinnehåll och berättande med konsekvent karaktärsidentitet
• Professionella bilder med korrekt text och typografi

Kostnad: Varierar beroende på valda inställningar och antal variationer

API: gemini-3.1-flash-image

En snabb och billig variant av Nano Banana 2 för snabb generering och redigering i 1K.

Indata för generering:

• Text-till-bild
• Bildreferenser (upp till 14)

Funktioner:

• Fast 1K-utdata för konsekvent hastighet och kostnad
• Samma kapacitet för 14 bildreferenser som Nano Banana 2
• Batchskapande med upp till 4 genereringar åt gången

Utdataval:

• Upplösningar: 1K
• Bildförhållanden: 21:9, 16:9, 5:4, 4:3, 3:2, 1:1, 2:3, 3:4, 4:5, 9:16

Passar bäst för:

• Snabba iterationer och utkast
• Massredigeringar där 1K räcker

Kostnad: Varierar beroende på valda inställningar och antal variationer

API: gemini-3.1-flash-lite-image

En mångsidig, produktionsklar modell för bildgenerering från Krea AI som balanserar kvalitet och hastighet för många olika kreativa arbetsflöden.

Funktioner:

• Bildgenerering med hög precision och hög följsamhet till prompten
• Stöder flera bildreferenser för att styra genereringen
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildförhållanden: 16:9, 4:3, 1:1, 3:4, 9:16

Passar bäst för:

• Professionell innehållsproduktion som kräver jämn kvalitet
• Snabba iterationer av olika kreativa koncept

Kostnad: Varierar beroende på valda inställningar och antal variationer

Krea AI:s flaggskeppsmodell för bildgenerering, med högsta möjliga visuella exakthet och avancerad kreativ kontroll för professionella produktionsflöden.

Funktioner:

• Enastående detaljrikedom och realism för resultat i professionell kvalitet
• Avancerad stilkontroll med stöd för flera bildreferenser
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildformat: 16:9, 4:3, 1:1, 3:4, 9:16

Passar för:

• Exklusiv kommersiell och redaktionell bildproduktion
• Komplexa kreativa kompositioner som kräver maximal exakthet

Kostnad: Varierar beroende på valda inställningar och antal variationer

En designfokuserad text-till-bild-modell med bra promptkontroll och rena kompositioner.

Indata för generering:

• Text-till-bild

Funktioner:

• 2K-utdata använder Pro-modellvarianten
• Batchskapande med upp till 4 genereringar åt gången

Utdataval:

• Upplösningar: 1K, 2K
• Bildformat: 2:1, 16:9, 3:2, 14:10, 4:3, 5:4, 1:1, 4:5, 3:4, 10:14, 2:3, 6:10, 9:16, 1:2

Passar för:

• Layoutdriven grafik, ikoner och affischer
• Rena kompositioner enbart från text

Kostnad: Varierar beroende på valda inställningar och antal variationer

En snabb, designfokuserad text-till-bild-modell.

Indata för generering:

• Text-till-bild

Utdataval:

• Bildformat: 16 format

Passar för:

• Layoutdriven grafik enbart från text

Kostnad: Varierar beroende på valda inställningar och antal variationer

En designfokuserad bildmodell som kan matcha stilen i referensbilder.

Indata för generering:

• Text-till-bild
• Stilreferenser (upp till 10)

Funktioner:

• Kontroll för stilmatchning: Precise följer referensstilen nära, Flexible matchar det övergripande utseendet
• 2K-utdata använder Pro-modellvarianten
• Batchskapande med upp till 4 genereringar åt gången

Utdataval:

• Upplösningar: 1K, 2K
• Bildformat: 2:1, 16:9, 3:2, 14:10, 4:3, 5:4, 1:1, 4:5, 3:4, 10:14, 2:3, 6:10, 9:16, 1:2

Passar för:

• Varumärkeskonsekvent grafik från en uppsättning stilreferenser
• Illustrations- och designarbete

Kostnad: Varierar beroende på valda inställningar och antal variationer

En lättviktig bildmodell från ByteDance med snabb generering, som ger resultat av hög kvalitet med lägre beräkningskrav.

Funktioner:

• Snabb generering för snabb kreativ iteration
• Stöder flera bildreferenser för att vägleda genereringen
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildformat: 16:9, 4:3, 1:1, 3:4, 9:16

Passar för:

• Arbetsflöden för bildskapande i stora volymer som kräver snabbhet
• Snabb utforskning av koncept och förhandsvisningar

Kostnad: Varierar beroende på valda inställningar och antal variationer

API: bytedance-seedream-5-lite

Varianten Seedream 5 med högre exakthet för precis redigering, flerspråkig text och detaljrika infografiker.

Indata för generering:

• Text-till-bild
• Bildreferenser (upp till 10)

Funktioner:

• Exakt återgivning av flerspråkig text
• Hanterar detaljrika layouter som infografiker och affischer
• Batchskapande med upp till 4 genereringar åt gången

Utdataval:

• Upplösningar: 1K, 2K
• Bildformat: 16:9, 4:3, 1:1, 3:4, 9:16

Passar för:

• Texttunga designer på flera språk
• Redigering med flera bilder och strikt följsamhet till referenser

Kostnad: Varierar beroende på valda inställningar och antal variationer

API: bytedance-seedream-5-pro

En snabb flaggskeppsmodell för precis textbaserad bildgenerering och komplex, icke-destruktiv fotoredigering som bevarar originaldetaljer.

Funktioner:

• Utför pålitligt begärda ändringar samtidigt som ljussättning, komposition och motivets utseende i källbilder bevaras
• Stöder komplexa redigeringsuppgifter, inklusive att lägga till, ta bort, kombinera och blanda element
• Levererar resultat upp till 4 gånger snabbare än tidigare iterationer
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildformat: 3:2, 1:1, 2:3
• Kvalitetsalternativ: låg, medel, hög

Passar för:

• Praktiska fotojusteringar och realistisk virtuell provning av kläder eller frisyrer
• Konceptuella omvandlingar och stilistiska filter som behåller kärnan i indatabilden
• Snabb iteration av text-till-bild-koncept

Kostnad: Varierar beroende på valda inställningar och antal variationer

API: gpt-image-1.5

OpenAI:s första generationens bildmodell med bra promptföljsamhet, läsbar text och detaljerad redigering.

Indata för generering:

• Text-till-bild
• Bildreferenser (upp till 5)

Funktioner:

• Tre kvalitetsnivåer: låg, medel, hög
• Batchskapande med upp till 4 genereringar åt gången

Utdataval:

• Bildformat: 3:2, 1:1, 2:3

Passar för:

• Arbetsflöden som redan bygger på utdata från GPT Image 1
• Enkla redigeringar och text-i-bild-uppgifter i standardupplösning

Kostnad: Varierar beroende på valda inställningar och antal variationer

API: gpt-image-1

En högpresterande multimodal grundmodell som samlar text-till-bild-syntes, precis bildredigering och komplex komposition med flera bilder i ett enda effektivt ramverk.

Funktioner:

• Inbyggt stöd för snabb generering av högupplösta bilder upp till 4K
• Exceptionellt bevarande av ansiktsdrag, ljussättning, färgton och fina detaljer vid redigeringsuppgifter baserade på referensindata
• Identifierar och blandar korrekt målelement i flera indatabilder för kontrollerbara, konsekventa resultat
• Erbjuder kompositionsmöjligheter på designernivå med tydlig, exakt återgivning av liten text för affischer och varumärkesbilder
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildformat: 16:9, 4:3, 1:1, 3:4, 9:16
• Upplösningar: 2K, 4K

Passar för:

• Professionella arbetsflöden för grafisk design som kräver exakt layout och typografi
• Komplex fotoredigering som kräver strikt följsamhet till referensidentitet och ljussättning
• Kreativ komposition i hög upplösning med flera visuella källor

Kostnad: Varierar beroende på valda inställningar och antal variationer

En bildgenereringsmodell med hög exakthet och avancerad slutledningsförmåga, utformad för överlägsen promptföljsamhet och precis visuell konsekvens i komplexa kompositioner.

Funktioner:

• Enastående förmåga att tolka och utföra detaljerade textbeskrivningar med flera lager med hög precision
• Använder bildreferenser för att behålla motivets identitet, ljussättning och estetiska stil mellan genereringar
• Optimerad för realistiska texturer, komplexa rumsliga relationer och ljuseffekter i professionell kvalitet
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildformat: Auto, 16:9, 9:16, 1:1, 4:3, 3:4, 3:2, 2:3, 21:9
• Upplösningar: 1K, 2K

Passar för:

• Professionella kreativa tillgångar som kräver strikt följsamhet till detaljerade och tekniska textprompter
• Bildredigering med hög konsekvens och karaktärsdesign med visuella referenser

Kostnad: Varierar beroende på valda inställningar och antal variationer

En produktionsklar modell för bildgenerering och redigering, utformad för professionella arbetsflöden och med toppmodern visuell kvalitet med fokus på snabbhet, precision och konsekvens.

Funktioner:

• Referera till flera bilder samtidigt för branschledande konsekvens för karaktärer och identitet i hundratals tillgångar
• Ger ett aldrig tidigare skådat lyft i detaljkvalitet och minskar skillnaden mot verklig fotografering, från tygtexturer till arkitektoniska element
• Levererar produktionsklar textåtergivning för komplex typografi, UI-mockups och infografiker
• Stöder exakt specifikation av varumärkesfärger via hexkoder utan approximation
• Säkerställer korrekt objektplacering, realistisk fysik, sammanhängande ljussättning och rätt perspektiv i komplexa scener
• Optimerad för bättre precision och respons på strukturerade, komplexa instruktioner
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildformat: 16:9, 4:3, 1:1, 3:4, 9:16
• Upplösningar: 720p, 1080p, 2K

Passar för:

• Kampanjer med konsekventa karaktärer och exakt placering av produkter i valfri miljö
• Att skapa gränssnittsmockups med läsbar text och konsekventa visuella designsystem
• Att generera produktfotografi i stor skala och kontextuella livsstilsbilder

Kostnad: Varierar beroende på valda inställningar och antal variationer

En professionell, resonemangsbaserad modell för bildgenerering och redigering, utformad för tillgångsproduktion med hög exakthet, avancerad kreativ kontroll och precis instruktionsefterlevnad.

Indata:

• Bildreferens
• Textbeskrivning (stöder komplexa prompter med flera lager)

Funktioner:

• Planerar scener före rendering för att ge fysiskt korrekt ljussättning, korrekta objektrelationer och överlägsen promptföljsamhet
• Genererar skarp, läsbar flerspråkig text i olika typsnitt och handstilar för slagkraftiga affischer och produktmockups
• Bibehåller hög exakthet och likhet för upp till 5 personer och flera objekt i olika kreativa resultat
• Integrerar Google Search för att förbättra bilder med faktiska data, verklig kunskap och realtidsinformation som väder eller sport
• Justera kameravinklar, fokuspunkter och scenljus (t.ex. från dag till natt) med avancerade lokala redigeringsverktyg
• Överlägsen rumsuppfattning möjliggör generering av exakta infografiker, tekniska diagram och presentationsbilder
• Genererar upp till 4 variationer åt gången

Utdataval:

• Upplösningar: 1K, 2K, 4K
• Bildformat: Auto, 21:9, 16:9, 5:4, 4:3, 3:2, 1:1, 2:3, 3:4, 4:5, 9:16

Passar för:

• Professionell annonsering, varumärkestillgångar och exklusiv produktfotografi för e-handel
• Pedagogiska förklaringar, datadrivna infografiker och komplex teknisk dokumentation
• Snabb prototypframtagning av högupplösta visuella designer med konsekvent karaktärs- eller varumärkesidentitet

Kostnad: Varierar beroende på valda inställningar och antal variationer

API: gemini-3-pro-image

En snabb modell för snabb bildgenerering och redigering av hög kvalitet direkt från textprompter.

Funktioner:

• Stöder flera bildreferenser för att vägleda genereringen
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildformat: 21:9, 16:9, 5:4, 4:3, 3:2, 1:1, 2:3, 3:4, 4:5, 9:16

Passar för:

• Snabbt bildskapande och iteration

Kostnad: Varierar beroende på valda inställningar och antal variationer

API: gemini-2.5-flash-image

En avancerad grundmodell för bildgenerering med hög exakthet, som erbjuder oöverträffad stilkontroll och visuellt minne för att behålla konsekvens mellan scener.

Funktioner:

• Förankra karaktärer, stilar eller specifika objekt med indatabilder för konsekvens i professionell kvalitet mellan flera resultat
• Optimerad för att tolka komplexa beskrivningar på naturligt språk för precis kontroll över visuella detaljer, ljussättning och känslor
• Kan generera visuellt material av hög kvalitet för många användningsområden, från filmiska storyboards till professionell produktfotografi
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildformat: 16:9, 4:3, 1:1, 3:4, 9:16
• Upplösningar: 720p, 1080p

Passar för:

• Att säkerställa att huvudpersoner behåller sitt utseende i olika miljöer och ljussättningar
• Snabb produktion av högupplösta varumärkestillgångar, virtuella provningar och skalbara produktvisualiseringar
• Att utforska olika konstnärliga riktningar medan den visuella kärnidentiteten låses med bildreferenser

Kostnad: Varierar beroende på valda inställningar och antal variationer

En optimerad bildgenereringsmodell utvecklad för snabbhet, som levererar resultat 2,5 gånger snabbare än standardmodellen Gen-4 Image med samma utdatakvalitet.

Funktioner:

• Optimerad bearbetning möjliggör snabb kreativ utforskning och genererar bilder med hög exakthet på en bråkdel av tiden
• Ladda upp upp till tre referensbilder för att vägleda modellens förståelse av specifika karaktärer, miljöer och konstnärliga stilar
• Löser problemet med visuell avdrift genom att koda specifika visuella egenskaper från referensbilder för att behålla identiteten mellan flera genereringar
• Tillämpa enkelt estetiken, ljussättningen och texturen från en referensbild på helt nya motiv och scener
• Använd seed-parametrar för att systematiskt utforska variationer eller återskapa specifika resultat med precision
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildformat: 16:9, 4:3, 1:1, 3:4, 9:16
• Upplösningar: 720p, 1080p

Passar för:

• Snabb produktion i stor skala av plattformsoptimerade bilder för Instagram Stories (9:16) eller vanliga inlägg (1:1)
• Att behålla strikt visuell identitet mellan kampanjer genom att använda varumärkets stilguider som referensbilder
• Att utveckla konsekventa karaktärsposer och miljöer samtidigt som huvudpersonen förblir igenkännbar
• Att skapa varierade livsstils- och säsongsbilder av produkter exakt med referensbaserad vägledning

Kostnad: Varierar beroende på valda inställningar och antal variationer

En specialiserad bildmodell för att generera sekvenser med flera bilder eller scener med stora rörelser och mycket action.

Funktioner:

• Utmärker sig vid skapande av bilder med stabil fysik och sammanhängande övergångar
• Stöder flera bildreferenser för att vägleda genereringen
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildformat: auto, 16:9, 4:3, 1:1, 3:4, 9:16

Passar för:

• Actionscener och dynamiska kompositioner

Kostnad: Varierar beroende på valda inställningar och antal variationer

Bildvarianten av Wan 2.5, med hög promptföljsamhet och stöd för referensbilder.

Indata för generering:

• Text-till-bild
• Bildreferenser (upp till 2)

Funktioner:

• Kontroller för negativ prompt och seed
• Batchskapande med upp till 4 genereringar åt gången

Utdataval:

• Bildformat: 16:9, 4:3, 1:1, 3:4, 9:16

Passar för:

• Stillbilder som matchar utseendet på Wan-videogenereringar
• Konceptbilder som följer prompten

Kostnad: Varierar beroende på valda inställningar och antal variationer

En bildmodell med upp till 10 bildreferenser och 4K-utdata.

Indata för generering:

• Text-till-bild
• Bildreferenser (upp till 10)

Utdataval:

• Upplösningar: 4K
• Bildformat: 16 format

Passar för:

• Referensstyrda bilder i 4K

Kostnad: Varierar beroende på valda inställningar och antal variationer

En professionell modell för avancerad bildgenerering och redigering, med stark scenkonsekvens och stilkontroll.

Funktioner:

• Bildbaserad stilkontroll som kräver en referensbild för att vägleda det visuella uttrycket
• Genererar upp till 4 bilder åt gången

Utdataval:

• Bildformat: 21:9, 16:9, 4:3, 3:2, 1:1, 2:3, 3:4, 4:5, 9:16, 9:21

Passar för:

• Professionellt innehåll med exakta stilkrav

Kostnad: Varierar beroende på valda inställningar och antal variationer

En avancerad diffusion transformer-modell (DiT) som är utformad för att rendera ultrarealistiska, reaktiva avatarer som styrs av ljud- och textinstruktioner.

Inmatning för generering:

• Avatar (källbild)
• Tal (ljudfil)
• Textbeskrivning (instruktion)

Funktioner:

• Går längre än grundläggande läppsynkning med kontextmedvetna blinkningar, andning och naturliga ansiktsuttryck
• Synkroniserar automatiskt hand- och helkroppsrörelser utifrån röstton och betoning för ett resultat i studiokvalitet
• Tolkar exakt röstintensitet och tonhöjd för att ge känslouttryck som stämmer med framförandet
• Bibehåller hög karaktärstrohet och konsekvent beteende även i längre dialoger eller musikframträdanden
• Optimerad för olika upplägg, bland annat presentationer från sidan, dialoger i podcaststil och stiliserade animationer
• Generera upp till 4 variationer åt gången

Utalternativ:

• Upplösningar: 480p, 720p

Passar för:

• Professionella videoannonser och marknadsföringsinnehåll med avatarer
• Virtuellt berättande med hög detaljrikedom och uttrycksfulla musikframträdanden
• Långa utbildnings- eller träningsvideor som kräver en konsekvent karaktärsnärvaro

Kostnad: Varierar beroende på inmatning, inställningar och längd

API: creatify-aurora

En snabb och exakt bild-till-video-modell för läppsynkning som animerar en stillbild för att matcha angivet ljud.

Inmatning:

• Källbild
• Talljudfil

Funktioner:

• Animerar munnen och ansiktsuttrycken i källbilden så att de matchar angivet ljud
• Skapar högkvalitativ “talande” video från stillbilder
• Ett specifikt verktyg för läppsynkning, inte en fullständig videogenereringsmodell

Passar för:

• Skapa talande avatarer från stillbilder
• Lägga till dialog i karaktärsporträtt
• Professionella arbetsflöden för avatarbaserat innehåll

Kostnad: Varierar beroende på inmatning, inställningar och längd

HeyGens senaste avatarmodell för att skapa mycket realistiska och uttrycksfulla videor med talande personer från en enda bild och ljudinmatning.

Inmatning:

• Källbild
• Talljudfil

Funktioner:

• Animerar ansiktsuttryck och läpprörelser så att de matchar angivet ljud med hög precision
• Skapar naturliga huvudrörelser och subtila mikrouttryck för verklighetstrogna resultat
• Ett specifikt verktyg för läppsynkning, inte en fullständig videogenereringsmodell

Passar för:

• Professionella videor med talespersoner och presentatörer
• Skapa personligt avatarinnehåll i stor skala
• Marknadsförings- och utbildningsvideor med konsekvent karaktärsnärvaro

Kostnad: Varierar beroende på inmatning, inställningar och längd

Den senaste generationens modell för videoläppsynkning från Sync, som ger synkning i studiokvalitet för många olika typer av innehåll.

Inmatning för generering:

• Källvideo
• Talljud

Funktioner:

• Läppsynkning med hög precision som bevarar unika ansiktsdetaljer, naturliga tänder och hudtextur
• Optimerad för alla innehållstyper, inklusive live action, 3D-animation och AI-genererad video
• Ett video-till-video-verktyg för läppsynkning, inte en fullständig videogenerator

Passar för:

• Professionell dubbning och lokalisering för film och reklam
• Förbättra eller korrigera dialog i alla videoformat
• Arbetsflöden för översättning av stora mängder innehåll

Kostnad: Varierar beroende på inmatning, inställningar och längd

En avancerad videoredigeringsmodell för läppsynkning i studiokvalitet som bevarar unika ansiktsdetaljer och kan skalas till utdata med hög upplösning.

Inmatning för generering:

• Källvideo
• Talljud

Funktioner:

• Har avancerad uppskalning som stöder 4K-utdata och samtidigt behåller skarpa, naturliga texturer
• Skyddar unika ansiktsdrag som naturliga tänder, fräknar, smink och komplex ansiktsbehåring utan att tydligheten försämras
• Optimerad för alla innehållstyper, inklusive live action, 3D-animation och AI-genererad video
• Ger uttrycksfulla, synkroniserade resultat direkt utan träning för en specifik talare eller finjustering av modellen
• Generera upp till 4 variationer samtidigt

Passar för:

• Dubbning i professionell kvalitet och lokaliserat innehåll för film och exklusiv reklam
• Förbättra eller korrigera dialog för 3D-animerade och AI-genererade karaktärer
• Projekt i hög upplösning som kräver pixelperfekt konsekvens och detaljrikedom i ansiktet

Kostnad: Varierar beroende på inmatning, inställningar och längd

En specialiserad verktygsmodell för att skapa exceptionellt realistisk, människolik läppsynkning.

Inmatning:

• Statisk källbild
• Talljudfil

Funktioner:

• Animerar munnen i källbilden så att den matchar angivet ljud
• Skapar högkvalitativ “talande” video från stillbilder
• Ett specifikt verktyg för läppsynkning, inte en fullständig videogenereringsmodell

Passar för:

• Skapa talande avatarer
• Lägga till dialog i stillbilder
• Professionella arbetsflöden för dubbning

Kostnad: Varierar beroende på inmatning, inställningar och längd

Animerar en stillbild utifrån ett talklipp, med utdata upp till 2K.

Inmatning:

• Källbild
• Talljud (5 s till 14,8 s)

Funktioner:

• Ett specifikt verktyg för läppsynkning, inte en fullständig videogenereringsmodell

Passar för:

• Talande porträtt från en stillbild och ett kort ljudklipp

Kostnad: Varierar beroende på inmatning, inställningar och längd

En snabb, prisvärd och exakt verktygsmodell för att lägga till realistisk läppsynkning i videor.

Inmatning:

• Källvideo
• Ny talljudfil

Funktioner:

• Animerar om munrörelserna i källvideon så att de matchar det nya ljudet
• Ett video-till-video-verktyg för läppsynkning, inte en fullständig videogenerator

Passar för:

• Kostnadseffektiv dubbning i stora volymer
• Översätta innehåll
• Korrigera ljud i videoklipp med realistiska resultat

Kostnad: Varierar beroende på inmatning, inställningar och längd

Uppföljaren till Veed Lipsync med högre kvalitet för att lägga till realistisk läppsynkning i befintliga videor.

Inmatning:

• Källvideo
• Ny talljudfil

Funktioner:

• Animerar om munrörelserna i källvideon så att de matchar det nya ljudet
• Ett video-till-video-verktyg för läppsynkning, inte en fullständig videogenerator
• Batchskapande med upp till 4 genereringar åt gången

Passar för:

• Dubbning och översättning där utdatakvalitet är viktigare än kostnad
• Korrigera dialog i färdiga klipp

Kostnad: Varierar beroende på inmatning, inställningar och längd

Ökar upplösningen på en bild samtidigt som detaljerna bevaras.

Inmatning:

• Källbild

Funktioner:

• Uppskalningsfaktorer: 1.25x, 1.5x, 2x, 3x, 4x

Passar för:

• Förbereda bilder för skärmar med hög upplösning

Kostnad: Varierar beroende på inmatning

Ökar upplösningen på en video samtidigt som detaljerna bevaras.

Inmatning:

• Källvideo

Funktioner:

• Uppskalningsfaktorer: 1.25x, 1.5x, 2x, 3x, 4x
• Snabba och exakta bearbetningslägen
• Valfri konvertering av bildfrekvens till 24, 25, 30, 48, 50 eller 60 fps

Passar för:

• Förbereda video för skärmar med hög upplösning

Kostnad: Varierar beroende på inmatning

Tar bort bakgrunden från en bild och returnerar den med alfatransparens.

Inmatning:

• Källbild

Funktioner:

• Ingen prompt krävs
• En utdata per körning

Passar för:

• Produktfriläggning och kompositering
• Förbereda motiv för användning som referenser i andra genereringar

Kostnad: Varierar beroende på inmatning

Tar bort bakgrunden från en video.

Inmatning:

• Källvideo

Funktioner:

• Ingen prompt krävs
• Utdatabakgrunden kan vara transparent, svart eller grön

Passar för:

• Frilägga ett motiv från befintligt videomaterial
• Förbereda video för kompositering

Kostnad: Varierar beroende på inmatning

Konverterar video med standarddynamiskt omfång till HDR.

Inmatning:

• Källvideo (upp till 30 s)

Funktioner:

• Ingen prompt krävs
• En utdata per körning; längd och bildutsnitt följer källan

Passar för:

• Förbereda videomaterial för HDR-skärmar
• Färgkorrigera genererad video på nytt inför leverans

Kostnad: Varierar beroende på videons längd