xAI Speech with Subsecond Latency
Opracowana przez xAI rodzina modeli mowy xAI tworzy naturalny dźwięk o wysokiej jakości przy opóźnieniu poniżej sekundy. Znaczniki ekspresji kształtują pauzy, szepty, akcentowanie i tempo w 20 językach, a regulowana szybkość mowy oraz normalizacja tekstu zapewniają większą kontrolę nad sposobem przekazu. Atlas Cloud udostępnia ujednolicony endpoint audio ze spójnym rozliczaniem znaków Unicode i przejrzystym standardowym cennikiem na potrzeby produkcyjnych przepływów pracy.
xAI został opracowany przez xAI. Atlas Cloud (prowadzona przez Atlas Cloud AI LLC) zapewnia dostęp do modelu, ale nie jest jego właścicielem. Wszystkie znaki towarowe należą do ich odpowiednich właścicieli.
AI Video Models by xAI
Twórz filmowe, wysokiej jakości materiały wideo z tekstu i obrazów dzięki najnowszym modelom AI do generowania wideo w Atlas Cloud.
Grok Imagine Video
Grok Imagine Video zapewnia deweloperom dostęp do rodziny modeli wideo xAI do tworzenia, animowania, wydłużania i edytowania klipów. Generuj filmy o długości od 1 do 15 sekund na podstawie promptów, steruj postaciami, obiektami lub stylami, korzystając z maksymalnie siedmiu obrazów referencyjnych, i pracuj w rozdzielczości 480p lub 720p. Atlas Cloud udostępnia te możliwości za pośrednictwem endpointów zgodnych z OpenAI, oferując przejrzyste rozliczanie pay-as-you-go. Zacznij tworzyć już dziś.
Grok Imagine Video 1.5 Lite
Grok Imagine Video 1.5 Lite to najtańszy model firmy xAI w rodzinie modeli wideo Grok Imagine, przeznaczony do zintegrowanego generowania obrazu i dźwięku na podstawie promptów lub obrazów źródłowych. Obsługuje mowę zsynchronizowaną z ruchem ust oraz możliwość wyboru jakości wyjściowej, w tym 1080p skalowane z 720p. Uzyskaj dostęp do obu trybów generowania w Atlas Cloud, korzystając z rozliczenia za rzeczywiste użycie w cenie $0.02 za sekundę i jednego klucza zgodnego z OpenAI. Zacznij tworzyć już dziś.
xAI TTS V1
xAI TTS v1 to wysokiej wierności model syntezy mowy firmy xAI, który przekształca treści pisemne w naturalny, ekspresyjny dźwięk. Obsługuje 20 języków i zapewnia precyzyjną kontrolę nad sposobem przekazywania mowy, dzięki czemu można dostosować jej brzmienie do różnych zastosowań. Uzyskaj dostęp do modelu za pośrednictwem Atlas Cloud, korzystając z jednego klucza zgodnego z OpenAI i przejrzystego rozliczenia pay-as-you-go. Zacznij tworzyć już dziś.
Grok Imagine Video 1.5
Grok Imagine Video 1.5 to rodzina modeli xAI do generowania wideo dla deweloperów, którzy potrzebują kontrolowanego ruchu na podstawie promptów i danych wizualnych. Ożywiaj klatkę początkową za pomocą instrukcji ruchu w języku naturalnym, wybieraj 480p lub 720p na potrzeby przepływów pracy z materiałem referencyjnym i dodawaj opcjonalny głos referencyjny, aby sterować wynikiem. Korzystaj z obsługiwanych trybów za pomocą jednego klucza Atlas Cloud zgodnego z OpenAI, z przejrzystym rozliczaniem zgodnie z użyciem. Zacznij tworzyć już dziś.
AI Image Models by xAI
Generuj zachwycające, gotowe do produkcji grafiki z promptów i referencji, korzystając z najnowocześniejszych modeli AI do generowania obrazów w Atlas Cloud.
Grok Imagine Image 2.0
Stworzony przez xAI model Grok Imagine Image 2.0 łączy dopracowane generowanie obrazów na podstawie tekstu z edycją w języku naturalnym na potrzeby przepływów pracy opartych na obrazach referencyjnych. Twórz obrazy w rozdzielczości 1K lub 2K, przechodź od promptu do gotowej grafiki i udoskonalaj istniejące obrazy za pomocą bezpośrednich instrukcji. Atlas Cloud udostępnia wszystkie obsługiwane endpointy w ramach jednego klucza API zgodnego z OpenAI, z przejrzystym rozliczaniem za użycie i prostą integracją. Zacznij tworzyć już dziś.
Grok Imagine
Grok Imagine API obejmuje modele obrazu, wideo i mowy xAI, od Image 2.0 do Video 1.5 i xAI TTS v1. Renderuj statyczne obrazy w rozdzielczości 1K lub 2K w 14 proporcjach, przesuń scenę do 15 sekund ruchu w 1080p, steruj zdjęciami za pomocą do 7 obrazów referencyjnych lub narruj je w 20 językach. Atlas Cloud uruchamia każdy tryb na jednym endpoincie, wyceniony na zasadzie płatności za użycie od $0.02 za obraz i $0.05 za sekundę. Zacznij budować dzisiaj.
Large Language Models by xAI
Napędzaj czat, rozumowanie i agentów na dużą skalę dzięki wiodącym dużym modelom językowym, dostarczanym szybko i przystępnie cenowo w Atlas Cloud.
xAI Models API Pricing Details
Compare standard vs. our pricing across every xAI model.
| Model | Standard Price (USD) | Our Price (USD) | Discount | |
|---|---|---|---|---|
| Grok Imagine Image 2.0 Developer Edit | $0.04/pic | Start from$0.014/pic | -65% | View |
| Grok Imagine Image 2.0 Developer Text-to-Image | $0.04/pic | Start from$0.014/pic | -65% | View |
| Grok Imagine Video V1.5 Lite Developer Image-to-Video | $0.02 | Start from$0.007/s video | -65% | View |
| Grok Imagine Video V1.5 Lite Developer Text-to-Video | $0.02 | Start from$0.007/s video | -65% | View |
| Grok Imagine Video v1.5 Developer Reference-to-Video | $0.08 | Start from$0.028/s video | -65% | View |
| Grok Imagine Video v1.5 Developer Text-to-Video | $0.08 | Start from$0.028/s video | -65% | View |
Explore models from other providers
Instantly explore and experiment with 400+ production-ready models in the Atlas Playground. Start customizing with one click.
Przypadki użycia xAI API, które można zbudować w Atlas Cloud
Endpointy obrazu i wideo Grok Imagine obsługują generowanie, edycję i animację z poziomu jednego API. Zespoły używają ich do przekształcania zasobów statycznych w treści wideo z dźwiękiem oraz do tworzenia kreacji wizualnych w tempie i przy kosztach, które wcześniej były nieosiągalne.
Zautomatyzowane filmy produktowe e-commerce
Zespoły e-commerce budują potoki, które animują zdjęcia produktów w krótkie klipy wideo przy użyciu Grok Imagine Video v1.5, z dźwiękiem otoczenia i dźwiękiem kontekstowym produktu generowanymi w tym samym wywołaniu. Pojedyncze zdjęcie produktu staje się udźwiękowionym klipem gotowym do reklam i stron produktów bez kręcenia wideo czy edycji dźwięku. Przy 0,096 USD za sekundę w Atlas Cloud, 10-sekundowe wideo produktu kosztuje mniej niż dolara.
Kreacja reklamowa marki ze statycznych zasobów
Zespoły ds. marek używają Grok Imagine Video v1.5, aby przekształcać zatwierdzone fotografie z kampanii w animowane reklamy społecznościowe z natywnie generowanym dźwiękiem. Ponieważ tokeny audio i wideo są tworzone w tym samym przebiegu wnioskowania (inference pass), dialogi, efekty dźwiękowe i muzyka w tle synchronizują się z obrazem bez konieczności postprodukcji. To całkowicie eliminuje etap produkcji dźwięku z przepływu pracy przy tworzeniu reklam.
Storyboarding w preprodukcji filmowej
Reżyserzy i operatorzy używają Grok Imagine Image do generowania wizualnych scenopisów, które pokazują kompozycję kadru, kąt kamery i oświetlenie przed rozpoczęciem produkcji. Wynik w rozdzielczości 2K jest na tyle szczegółowy, że można się nim podzielić z ekipą jako wizualnym briefem dla każdej sceny. Przy cenie 0,06 USD za obraz, iterowanie przez wiele opcji ujęć kosztuje mniej niż jedna godzina czasu produkcji.
Wideo Lifestylowe Nieruchomości
Deweloperzy nieruchomości używają Grok Imagine Video v1.5 do generowania kinowych klipów lifestylowych z wizualizacji architektonicznych lub zdjęć wnętrz. Wizualizacja balkonu staje się klipem z widokiem na zachód słońca i dźwiękiem otoczenia, a zdjęcie kuchni staje się poranną sceną z naturalnym dźwiękiem. Zastępuje to drogie sesje fotograficzne typu lifestyle dla ofert i materiałów marketingowych w przedsprzedaży.
Wieloreferencyjna kompozycja obrazu
Zespoły kreatywne wykorzystują 3-źródłowe dane wejściowe Grok Imagine Image Edit do komponowania elementów z wielu obrazów referencyjnych w jeden wynik — łącząc zdjęcie produktu, tło i referencję oświetlenia w jednym wywołaniu API. Umożliwia to w praktyczny sposób tworzenie wariantów kampanii, które zachowują spójność marki w różnych ustawieniach sceny. Każda kompozycja kosztuje 0,06 USD za obraz w Atlas Cloud.
Grafika Koncepcyjna i Zwiastuny Gier Niezależnych
Małe studia gier używają Grok Imagine Image do generowania grafik koncepcyjnych podczas preprodukcji, a następnie przekazują klatki kluczowe do Grok Imagine Video v1.5 w celu wyprodukowania animowanych sekwencji zwiastunów. Funkcja rozszerzania wideo pozwala zespołom łączyć klipy od pojedynczej klatki początkowej, aby budować dłuższe sekwencje kinowe wykraczające poza limit 15 sekund na wywołanie. Ten przepływ pracy zastępuje zewnętrznych wykonawców animacji w przypadku treści marketingowych na wczesnym etapie.
Zamień wizję swojej firmy w rzeczywistość dzięki Atlas Cloud AI.
Skontaktuj się ze sprzedażąPytania i odpowiedzi dotyczące API xAI TTS v1
xAI TTS v1 to model text-to-speech firmy xAI, który konwertuje treści pisemne na naturalny, ekspresyjny dźwięk. Atlas Cloud udostępnia go jako model xai/tts-v1 za pośrednictwem wspólnego endpointu generowania dźwięku.
Model może generować narrację, lektora do produktów, dźwięk dla funkcji ułatwień dostępu, mowę zlokalizowaną oraz dialogi na potrzeby aplikacji głosowych. Tagi ekspresji i regulowane ustawienia sposobu mówienia pomagają dopasować generowaną mowę do różnych scen i odbiorców.
Wyślij żądanie POST do https://api.atlascloud.ai/api/v1/model/generateAudio z uwierzytelnianiem Bearer, wartością modelu xai/tts-v1, tekstem oraz ustawieniem języka. Następnie odpytuj endpoint predykcji, używając zwróconego identyfikatora zadania, albo zarejestruj webhook informujący o zakończeniu.
Atlas Cloud udostępnia ponad 80 głosów i 20 opcji językowych, a automatyczne wykrywanie języka jest dostępne za pomocą ustawienia auto. Wielojęzyczne głosy Ara, Eve, Leo, Rex i Sal obsługują każdy język wymieniony w schemacie endpointu.
Dodaj tagi w tekście, takie jak [pause], [laugh] i [sigh], albo otocz tekst tagami, takimi jak <whisper> i <slow>, aby kształtować sposób mówienia. Szybkość mowy można regulować w zakresie od 0.7 do 1.5, a opcjonalna normalizacja tekstu poprawia sposób odczytywania liczb, skrótów i symboli.
W zależności od wymagań dotyczących odtwarzania lub telefonii wybierz wyjście MP3, WAV, PCM, μ-law albo A-law. Obsługiwane częstotliwości próbkowania mieszczą się w zakresie od 8,000 do 48,000 Hz, a wyjście MP3 oferuje przepływności od 32,000 do 192,000 bps.
Atlas Cloud rozlicza xAI TTS v1 według standardowej stawki $0.015 za 1,000 znaków wejściowych. Rozliczane są znaki Unicode, więc jeden znak CJK jest liczony tak samo jak jedna litera alfabetu łacińskiego.
Każde żądanie Atlas Cloud może zawierać maksymalnie 15,000 znaków tekstu. Dłuższe skrypty podziel na osobne żądania i zachowaj ten sam głos, język, szybkość oraz ustawienia wyjściowe, aby uzyskać spójny sposób mówienia we wszystkich segmentach.
Aktualna dokumentacja Atlas Cloud opisuje asynchroniczny przepływ pracy, w którym przesyłasz zadanie, a następnie pobierasz wynik przez odpytywanie lub webhook. Schemat żądania obejmuje trzy poziomy optymalizacji opóźnień, ale publiczna dokumentacja nie potwierdza bezpośredniego endpointu WebSocket Atlas Cloud.
Poznaj Więcej Rodzin
Kling 4.0
Interfejs API Kling 4 udostępnia Kling 4.0, model wideo wydany przez Kuaishou 15 października 2026 r. Generuje do 30 sekund w jednym przebiegu, podąża za maksymalnie 10 klatkami kluczowymi, łączy 15 obrazów, filmów i obiektów za pośrednictwem Omni Reference oraz dodaje dźwięk stereo z synchronizacją ruchu warg. Atlas Cloud obsługuje wszystkie cztery punkty końcowe, w tym edycję wideo, za pomocą jednego klucza kompatybilnego z OpenAI w cenie od 0,11 USD za sekundę. Rozpocznij budowanie już dziś.
Seedance 2.5
API Seedance 2.5 udostępnia programistom wspólny model audio i wideo ByteDance Seed, generujący od 4 do 30 sekund w jednym przejściu na podstawie tekstu, pierwszej klatki lub do 50 odniesień z obrazów, wideo i audio. Edytuje wybrane obszary, wydłuża klipy i podąża za wejściami typu white-model oraz green-screen. Atlas Cloud, autoryzowany sprzedawca w USA, dodaje tryb roboczy 480p, natywne wersje końcowe 1080p oraz ulepszone dostarczanie 4K w modelu cenowym pay-as-you-go.
Wan 3.0
Wan 3.0 to najnowszy model wideo od Alibaba, generujący do 30 sekund wideo 1080p przy 30fps z dźwiękiem w jednym procesie generowania. Steruj nim za pomocą promptu tekstowego, pierwszej klatki, do 10 obrazów referencyjnych lub dokumentu. Wersja Standard kosztuje mniej za sekundę, podczas gdy Prime zachowuje te same możliwości i szybciej zwraca wyniki. Obie wersje działają na tym samym kluczu Atlas Cloud co Wan 2.7, 2.6 i 2.5.
MiniMax H3
MiniMax H3 to multimodalna rodzina modeli wideo MiniMax do tworzenia na podstawie tekstu, obrazu i materiałów referencyjnych. We wszystkich obsługiwanych trasach zachowuje obiekty z materiałów referencyjnych, oferuje elastyczne proporcje obrazu i łączy wygenerowany dźwięk z obrazem za pośrednictwem H3 Developer, a profile wynikowe są wybierane na poziomie endpointu. Atlas Cloud udostępnia całą rodzinę za pomocą jednego klucza zgodnego z OpenAI, z przejrzystym rozliczeniem pay-as-you-go według standardowej stawki $0.038 za sekundę. Zacznij tworzyć już dziś.
GPT Image 2.5
GPT Image 2.5 to model OpenAI do generowania i edycji obrazów, wydany 8 września 2026 roku w dwóch wersjach API. Flare to wersja domyślna, charakteryzująca się o 50% niższą latencją niż GPT Image 2, podczas gdy Sunburst działa wolniej, aby zapewnić bardziej precyzyjną kontrolę nad szczegółowymi edycjami. Obie wersje obsługują do 16 obrazów referencyjnych, pięć poziomów jakości, przezroczyste tła oraz niestandardowe rozmiary do 3840px. Atlas Cloud udostępnia API GPT Image 2.5 według stawek za token OpenAI lub w cenie stałej za obraz w podziale na poziomy 1K, 2K lub 4K.
Seedream 5.0 Pro
Seedream 5.0 Pro API udostępnia programistom sterowalny model edycji obrazów firmy ByteDance w Atlas Cloud. Precyzyjnie rozmieszcza edycje za pomocą kotwic i współrzędnych, dzieli obrazy na edytowalne warstwy, łączy wiele odniesień oraz dopasowuje dokładne kolory i materiały, z wielojęzycznym tekstem w rozdzielczościach 2K i 3K. W Atlas Cloud można uzyskać do niego dostęp za pomocą jednego klucza!
Seedance 2.0
Seedance 2.0 to produkcyjny model wideo firmy ByteDance, umożliwiający precyzyjne tworzenie ujęć. Zamieniaj polecenia na wideo, animuj obraz pierwszej klatki z opcjonalnym wskazaniem ostatniej klatki lub kształtuj wyniki za pomocą materiałów referencyjnych i opcjonalnego wyszukiwania w sieci. Atlas Cloud łączy te procesy w jeden ujednolicony interfejs API, oferując przejrzyste rozliczanie zgodnie z użyciem oraz jeden klucz kompatybilny z OpenAI. Zacznij tworzyć już dziś.
Kling V3.0
Rodzina API Kling V3 firmy Kuaishou obsługuje przepływy pracy z tekstem, obrazami i wideo referencyjnym. Przenoś ruch, zachowując tożsamość postaci, kieruj generowaniem za pomocą odniesień wizualnych i edytuj filmy poleceniami w języku naturalnym. Atlas Cloud oferuje endpointy Standard i Pro dostosowane do różnych potrzeb produkcyjnych. Aktualizacja: Kling V4 jest już dostępny w Atlas Cloud. Poznaj go na stronie [Kling V4](https://www.atlascloud.ai/zh/models/kling-v4).
Grok Imagine Video
Grok Imagine Video zapewnia deweloperom dostęp do rodziny modeli wideo xAI do tworzenia, animowania, wydłużania i edytowania klipów. Generuj filmy o długości od 1 do 15 sekund na podstawie promptów, steruj postaciami, obiektami lub stylami, korzystając z maksymalnie siedmiu obrazów referencyjnych, i pracuj w rozdzielczości 480p lub 720p. Atlas Cloud udostępnia te możliwości za pośrednictwem endpointów zgodnych z OpenAI, oferując przejrzyste rozliczanie pay-as-you-go. Zacznij tworzyć już dziś.
Vidu Q4 Preview
Vidu Q4 to najnowszy flagowy model wideo firmy Vidu, przeznaczony do generowania wideo na podstawie obrazu oraz referencji. Potrafi animować pojedynczy obraz nieruchomy i automatycznie tworzyć przejścia między scenami, oferując deweloperom dwie ścieżki wejściowe na potrzeby różnych przepływów pracy produktu. Atlas Cloud udostępnia dedykowane endpointy API z opublikowanymi schematami parametrów w zweryfikowanej standardowej cenie $0.04 za sekundę. Zacznij tworzyć już dziś.
Gemini Omni 1.1 Flash
Gemini Omni 1.1 Flash to natywnie multimodalna rodzina modeli wideo Google DeepMind, przeznaczona do elastycznych procesów produkcyjnych. Edytuj istniejący materiał za pomocą instrukcji tekstowych, zachowuj spójność wizualną dzięki maksymalnie 10 obrazom referencyjnym i 3 klipom wideo lub wydłużaj ujęcia w łączonych segmentach do 40 sekund. Uzyskaj dostęp do wszystkich procesów w Atlas Cloud za pomocą jednego klucza API zgodnego z OpenAI, z rozliczaniem według zużycia i dostępnością od pierwszego dnia. Zacznij tworzyć już dziś.
Nano Banana 2.1
Nano Banana 2.1 to rodzina modeli obrazowych firmy Google, zbudowana na bazie Gemini 3.6 Flash. Zapewnia generowanie i edycję na poziomie Pro z szybkością Flash, obsługuje edycję w języku naturalnym oraz łączenie od 1 do 14 obrazów wejściowych, a także zachowuje spójność do 4 postaci i 10 obiektów. Dzięki Atlas Cloud deweloperzy mogą korzystać z tej rodziny za pomocą jednego klucza zgodnego z OpenAI, niezawodnej dostępności i dostępności od Day-0. Zacznij tworzyć już dziś.
Polecane artykuły
Poradniki, samouczki i nowości produktowe, dzięki którym w pełni wykorzystasz Atlas Cloud.
