Модели

Gemini Omni Flash 1.1 — мультимодальная видеомодель Google. Этот эндпоинт превращает статичное изображение в видео с синхронизированным звуком: один кадр развивается в связное движение, соответствующее логике реального мира.

Gemini Omni Flash 1.1 — мультимодальная видеомодель Google. Эндпоинт генерирует видео по комбинации мультимодальных референсов: изображений, видео и текста. Модель рассуждает над всеми входными данными и выдаёт единый связный результат, а персонажи сохраняют лицо, одежду и голос на протяжении всего ролика.

Gemini Omni Flash 1.1 — мультимодальная модель Google для генерации видео. Этот эндпоинт создаёт видео со встроенным синхронным звуком по текстовому промпту, опираясь на знания Gemini о реальном мире и понимание физики; кинематографичным управлением камерой можно задавать на естественном языке.

Мультимодальная видеомодель Google. Эндпоинт редактирует видео по инструкциям на естественном языке: вносит нужные изменения, сохраняет те части сцены, которые должны остаться прежними, и поддерживает согласованность персонажей и сцены при последовательных правках.

Превращает статичное изображение в видео со звуком. Развивает один кадр в связное движение, опираясь на понимание Gemini того, как ведут себя сцены и объекты в физическом мире.

Создаёт видео с синхронизированным звуком по тексту. Опирается на знания Gemini о реальном мире и лучше понимает физику, благодаря чему движение и взаимодействие объектов выглядят более связно.

Генерация видео со звуком по комбинированным мультимодальным референсам. На вход можно подавать текст, изображения, аудио и видео одновременно, чтобы задать объект, движение, стиль и звук в результате.

Редактирует сгенерированное видео в несколько диалоговых шагов, сохраняя целостность сцены. Вносит изменения последовательно по инструкциям на естественном языке, не генерируя весь ролик заново.

Генерация видео со звуком из изображений с помощью модели xAI Grok Imagine Video.

Генерация видео из изображений со звуком с помощью модели Grok Imagine 1.5 Video от xAI.

Генерация видео из изображений с помощью модели Grok Imagine Video 1.5 Lite от xAI.

Генерация видео со звуком по тексту с помощью Grok Imagine Video.

Генерация видео по изображениям и аудиореференсам с помощью модели Grok Imagine 1.5 Video от xAI.

Генерация видео по нескольким референсным изображениям с помощью модели Grok Imagine от xAI.

Генерация видео со звуком по текстовому запросу с помощью модели Grok Imagine 1.5 Video от xAI.

Редактирование видео с помощью Grok Imagine от xAI

Генерация видео по тексту с помощью модели Grok Imagine Video 1.5 Lite от xAI.

Продление видео с помощью видеомодели Grok Imagine от xAI.

Универсальная базовая модель для сегментации изображений и видео по запросу. Обнаруживает, сегментирует и отслеживает объекты по текстовым или визуальным подсказкам: точкам, рамкам и маскам.

SAM 3 — универсальная базовая модель для сегментации изображений и видео по запросу. Обнаруживает, сегментирует и отслеживает объекты по текстовым и визуальным подсказкам: точкам, рамкам и маскам.

В SAM 3.1 появился Object Multiplex — подход с общей памятью для совместного отслеживания нескольких объектов, который работает быстрее при большом числе отслеживаемых объектов.

В SAM 3.1 появился Object Multiplex — подход с общей памятью для совместного отслеживания нескольких объектов, который работает быстрее при большом числе отслеживаемых объектов.

SAM 2 — модель для сегментации изображений и видео в реальном времени.

H3 Max от fal — дообученный вариант MiniMax H3 с более точным следованием промпту и лучшей эстетикой. Он совместно оптимизирован с нашим собственным стеком инференса для более высокой пропускной способности без компромиссов в качестве результата

H3 Max Turbo от fal — дообученный вариант MiniMax H3, настроенный на более точное следование промпту и лучшую эстетику. Он совместно оптимизирован с нашим собственным стеком инференса ради большей пропускной способности без потери качества результата.

H3 Max от fal — дообученный вариант MiniMax H3 с более точным следованием промптам и лучшей эстетикой. Оптимизирован вместе с собственным стеком инференса fal для более высокой пропускной способности без потери качества результата.

H3 Max от fal — дообученная версия MiniMax H3: точнее следует промпту и лучше справляется с эстетикой. Оптимизирована вместе с собственным стеком инференса fal для более высокой пропускной способности без потери качества результата.

MiniMax H3 — передовая видеомодель. Этот эндпоинт превращает загруженное изображение в видео 2K: изображение служит первым кадром, а при указании первого и последнего кадров модель управляет переходом между двумя картинками. Соотношение сторон определяется входным изображением.

Передовая видеомодель MiniMax H3. Эндпоинт генерирует видео в 2K по мультимодальным референсам: до 9 изображений для объекта и стиля, 3 видеоклипа для движения и 3 аудиоклипа, на которые в промпте ссылаются по порядку. Объекты остаются согласованными, а движение и звук соответствуют референсам.

H3 Max Turbo от fal — вариант MiniMax H3 с дополнительным пост-обучением: точнее следует промптам и выдаёт более эстетичный результат. Совместно оптимизирован с нашим собственным стеком инференса, поэтому работает с более высокой пропускной способностью без компромиссов в качестве.

H3 Max Lip Sync создаёт видео из изображения и загруженного аудио, синхронизируя движения губ со звуковой дорожкой. Поддерживает необязательную подсказку в виде транскрипции и разрешение от 480p до 2K.

Замена людей в видео по референсным фотографиям с помощью H3 Max с сохранением исходного движения, камеры, склеек и звука.

MiniMax Hailuo-02 Image To Video API (Standard, 768p, 512p): продвинутая модель для генерации видео из изображения с разрешением 768p и 512p.

MiniMax H3 — передовая модель для генерации видео. Этот эндпоинт создаёт видео только по текстовому промпту: разрешение 2K, длительность от 5 до 15 секунд, семь соотношений сторон.

MiniMax Hailuo-2.3-Fast Image To Video API (Standard, 768p): быстрая модель для генерации видео из изображения с разрешением 768p.

H3 Max Multi Angle превращает одно изображение в видео с точным управлением по ключевым кадрам орбитой, высотой и расстоянием камеры в 3D-пространстве.