Herramientas de medios

    Genera imágenes y vídeos con más de 40 modelos de IA. Llama siempre primero a get_models para ver modelos disponibles, costes y si un modelo necesita imagen de entrada.

    Clientes HTTP REST: los mismos límites están documentados en Requisitos por modelo (API REST) (y devueltos por modelo desde GET /v1/models).

    #generate_media

    Inicia una generación de imagen o vídeo.

    Parámetros:

    ParámetroTipoObligatorioDescripción
    promptstringSíQué generar (p. ej. «Un coche rojo en una carretera de montaña»).
    modelstringSíID de modelo (desde get_models). Ejemplos: nano-banana, kling-2-6-image-to-video.
    generation_typestringNotext-to-image, text-to-video, image-to-video o image-to-image. Predeterminado: text-to-image.
    negative_promptstringNoQué evitar en la salida.
    source_media_urlsstring o arrayNoObligatorio para imagen a vídeo e imagen a imagen. URL(s) de imagen(es), o para algunos modelos (p. ej. Kling 2.6 Motion) imagen + vídeo. Ver límites de entrada abajo. Omite en texto a imagen y texto a vídeo.
    aspect_ratiostringNop. ej. 1:1, 16:9, 9:16, 4:5, 21:9. Predeterminado: 1:1. Nota: cada modelo solo acepta un subconjunto — get_models devuelve la lista permitida.
    durationstringNoDuración del vídeo. Solo ciertos modelos de vídeo la usan. Ver abajo.
    qualitystringNop. ej. fast, standard, pro. Predeterminado: standard.
    resolutionstringNoNivel de resolución de salida. Solo ciertos modelos de imagen lo usan: gpt-image-2 (1K/2K/4K), gpt-image-2-5-flare/gpt-image-2-5-sunburst (1K/2K/4K), gpt-image-2-6-flare/gpt-image-2-6-sunburst (1K/2K/4K), gpt-image-2-6-economy (1K), nano-banana-pro/nano-banana-2/nano-banana-2-1 (1K/2K/4K), flux-2 (1K/2K), flux-3-klein (1K/2K/4K), seedream-5-5 (1.5K/2K). Cada nivel es un SKU de precio independiente; get_models devuelve el coste en créditos por nivel. Un id de nivel concreto, como nano-banana-2-1-4K, conserva su propio nivel e ignora este parámetro. nano-banana-2-lite tiene un solo nivel y no admite resolution. Se ignora en modelos donde la resolución está codificada en el model_id de la variante (Seedance, Kling, Veo, P-Video, FLUX 3). Ver la tabla Niveles de resolución más abajo para las restricciones por modelo.
    backgroundstringNoSolo GPT Image 2.6. transparent, opaque o auto (por defecto). Se aplica en 1K; MCP lo descarta en 2K/4K con una nota y REST lo rechaza ahí. Usa transparent para recortes, stickers e iconos (PNG con canal alfa real).
    output_formatstringNoSolo GPT Image 2.6. png (por defecto), jpeg (también se acepta jpg), webp o gif. Economy texto a imagen admite png/gif, la edición Economy solo png y la edición Flare/Sunburst png/jpeg/webp. gif es solo texto a imagen: si adjuntas imágenes con gif, la petición se rechaza.
    frame_countinteger o stringCon gif en Flare/SunburstFotogramas del GIF. Flare y Sunburst: obligatorio, un número entero de 2 a 16 (auto se rechaza). Economy: opcional, uno de auto, 4, 9, 16, 25, 36, 64. El precio del GIF depende del número de fotogramas, ver GPT Image 2.6.
    frame_duration_msintegerNoSolo GIF. Milisegundos por fotograma, de 20 a 2000, redondeados a 10 ms. Omítelo para que el modelo elija.
    reference_image_urlsarrayNoImágenes de referencia para Kling 4.0 (@image_1, @image_2, numeradas después de las imágenes de source_media_urls), Wan 3.0 (Image1, Image2) y OmniHuman 2.0 (un retrato). Hasta 10. Los demás modelos lo ignoran.
    reference_video_urlsarrayNoClips de referencia para Kling 4.0 (@video_1, MP4/MOV, de 3 a 30 s cada uno, 30 s en total; Flash de 2 a 20 s, 20 s en total) y Wan 3.0. Hasta 5. Los clips de Kling 4.0 deben subirse antes a Kubeez y sus segundos se cobran además de la duración del resultado.
    first_frame_urlstringNoSolo Kling 4.0 Flash. Una imagen desde la que arranca el vídeo, @first_frame en el prompt. No se combina con referencias ni elementos. Ver Kling 4.0 Flash.
    keep_original_soundbooleanNoKling 4.0 y Flash. Conserva el audio propio de los clips de referencia. Por defecto false. Solo tiene efecto con al menos un clip de referencia.
    elementsarrayNoKling 4.0 y Flash. Hasta 7 sujetos con nombre, cada uno @nombre en el prompt. Campos en Elementos y voces. Los demás modelos lo rechazan.
    voicesarrayNoSolo Kling 4.0 (Flash lo rechaza). Hasta 3 muestras de voz con nombre, cada una @nombre en el prompt. Campos en Elementos y voces.
    soundbooleanNoCon true, solicita vídeo con audio generado. Solo ciertos modelos de vídeo. Predeterminado: true, así que el audio queda activado en todo modelo que lo admita salvo que pases false para un clip sin sonido. En algunos modelos el audio cuesta más (Kling 2.6, Kling 3.0, Kling 3.0 Omni Frames y References); en Seedance 2, Seedance 2.5, Seedance 2.5 Flash y FLUX 3 es gratis. Ver abajo.
    seednumberNoSemilla para resultados reproducibles.

    Ejemplo (texto a imagen):

    {
      "prompt": "Ciudad futurista al atardecer con coches voladores",
      "model": "nano-banana",
      "generation_type": "text-to-image",
      "aspect_ratio": "16:9",
      "quality": "pro"
    }
    

    Ejemplo (imagen a vídeo, se requiere una imagen):

    {
      "prompt": "Movimiento suave y sutil",
      "model": "kling-2-6-image-to-video",
      "generation_type": "image-to-video",
      "source_media_urls": ["https://example.com/your-image.jpg"],
      "aspect_ratio": "16:9",
      "duration": "5s"
    }
    

    Respuesta: Incluye generation_id, status (p. ej. pending), y a menudo estimated_time_seconds y estimated_cost_credits. Consulta con get_status hasta que el estado sea completed o failed.

    Modelos que admiten duration:

    Modelo(s)Valores admitidosNotas
    kling-2-6-text-to-video, kling-2-6-image-to-video5s, 10sOpcional con/sin audio (variante del modelo).
    wan-2-7-720p, wan-2-7-1080p (texto a vídeo, imagen a vídeo)2s–15s (entero, por segundo)Precio POR SEGUNDO; la resolución va codificada en el model_id. Pasa duration (2–15) + generation_type.
    wan-3-0-480p, wan-3-0-720p, wan-3-0-1080p, wan-3-0-prime-480p, wan-3-0-prime-720p, wan-3-0-prime-1080p (texto a vídeo, imagen a vídeo, referencia a vídeo)2s–30s (entero, por segundo)Precio POR SEGUNDO en ambos niveles; el nivel y la resolución van codificados en el model_id. Pasa duration (2–30) + generation_type. Con vídeos de referencia, el proveedor también limita la duración de entrada más la de salida a 30s.
    grok-imagine-video-1-5-preview-480p, grok-imagine-video-1-5-preview-720p (imagen a vídeo)De 2s a 15s (entero, por segundo)Precio POR SEGUNDO; la resolución va codificada en el model_id. Solo imagen a vídeo: requiere exactamente 1 URL de imagen en source_media_urls. Pasa duration (de 2 a 15); aspect_ratio opcional (auto por defecto).
    v1-pro-fast-i2v5s, 10s
    seedance-2 (Standard) / seedance-2-fast (Fast)Entero 4s–15sByteDance Seedance 2. El nivel es la familia de modelo en sí — usa seedance-2-fast para el nivel económico y rápido, seedance-2 para el de mayor calidad. Cada familia expone model_ids concretos por resolución y combinación con vídeo de referencia (p. ej. seedance-2-fast-480p, seedance-2-480p-video-ref). Pasa el id de variante completo a generate_media; una etiqueta de familia sola devuelve un error variant_required con las opciones. Admite referencias multimodales en texto a vídeo (hasta 9 imágenes + 3 vídeos + 3 audios). Facturación con vídeo de referencia: credits = (ref_s + output_s) × rate/s.
    gemini-omni-video (Google)4, 6, 8, 10 (incluidos en el id de variante)Solo duraciones discretas — el parámetro duration se ignora; la resolución también va en el id de variante (gemini-omni-video-720p-6s, gemini-omni-video-1080p-6s, gemini-omni-video-4k-10s, etc.). Tres variantes video-ref (gemini-omni-video-720p-video-ref, gemini-omni-video-1080p-video-ref, gemini-omni-video-4k-video-ref) toman la duración del clip fuente recortado (≤ 10s). Pasar la etiqueta de familia gemini-omni-video devuelve un error variant_required con las 15 opciones.
    gemini-omni-1-2-flashde 3 a 15 (cualquier número entero de segundos)Envía duration como "6", "6s" o 6; por defecto 5. Con fotograma inicial y final a la vez, el máximo es 10. Al editar un vídeo no envíes duration (se rechaza): el resultado dura lo mismo que el clip subido (hasta 15 s). La resolución va en el id de variante (gemini-omni-1-2-flash-360p, -720p, -1080p, -4k); gemini-omni-1-2-flash a secas devuelve variant_required.
    grok-text-to-video-6sFijo 6sSe ignora el parámetro duration.
    kling-3-0-std, kling-3-0-pro3s–15sModo toma única. Máx. 2500 caracteres; admite referencias @element_name.
    kling-3-0-turbo-720p, kling-3-0-turbo-1080p (texto a vídeo, imagen a vídeo)3s–15s (entero, por segundo)Hermano más rápido y simple de Kling 3.0. Precio POR SEGUNDO; la resolución va codificada en el model_id. Pasa duration (3–15) + generation_type. Incluye audio sincronizado (siempre activo); sin multitoma, sin @elementos.
    kling-3-0-4k (texto a vídeo, imagen a vídeo)De 3s a 15s (entero, por segundo)El nivel de Kling 3.0 con mayor resolución. El audio va incluido con una única tarifa por segundo, así que sound no cambia el precio y no existe fila -audio.
    kling-3-0-omni-frames-720p, -1080p, -4k (cada uno también con -audio) y kling-3-0-omni-ref-720p, -1080p, -4k (cada uno también con -audio o -video)De 3s a 15s (entero, por segundo)Carriles Frames y References de Kling 3.0 Omni. Se factura la duración que pasas. Excepción: una petición References que solo lleva un vídeo no admite duration y factura la duración del clip.
    kling-3-0-omni-720p, kling-3-0-omni-1080p, kling-3-0-omni-4k (vídeo a vídeo)No configurableCarril Transform de Kling 3.0 Omni. La salida dura lo mismo que el clip fuente (de 3 a 15s), y eso es lo que se factura, redondeado al alza al segundo entero. Un duration que pases se ignora.
    kling-4-0-720p, kling-4-0-1080p (cada uno también con -video) (texto a vídeo, referencia a vídeo)De 3s a 30s (entero, por segundo)Kling 4.0. Precio POR SEGUNDO; la resolución va codificada en el model_id. Sin vídeo de referencia se factura la duración que pasas. Con uno, consulta Kling 4.0 para ver cómo la duración del clip se suma al coste.
    kling-4-0-flash-720p (también con -video) (texto a vídeo, referencia a vídeo, imagen a vídeo)De 3s a 20s (entero, por segundo)Kling 4.0 Flash, una versión aparte de Kling 4.0, solo en 720p. Precio POR SEGUNDO, facturado igual que Kling 4.0. Consulta Kling 4.0 Flash.
    omnihuman-2-0 (audio a vídeo)No configurableOmniHuman 2.0. El vídeo dura exactamente lo mismo que el audio que envías (de 4 a 300 segundos), y esa duración es lo que se factura, por segundo. Consulta OmniHuman 2.0.
    seedance-2-5-480p, -720p, -1080p (cada uno también con -video-ref)De 4s a 30s (entero)Seedance 2.5, un modelo distinto de la familia Seedance 2.0. Hasta 30 segundos en una sola generación. Ver Seedance 2.5 más abajo.
    seedance-2-5-flash-480p, -720p (cada uno también con -video-ref)De 4s a 30s (entero)Seedance 2.5 Flash, un nivel más económico de Seedance 2.5, solo en 480p y 720p. Se factura igual que Seedance 2.5. Ver Seedance 2.5 Flash.
    flux-3-720p, flux-3-1080p, flux-3-720p-draft y las filas de continuación flux-3-v2v-720p, flux-3-v2v-1080p, flux-3-v2v-720p-draftDe 5s a 20s (entero, obligatorio)FLUX 3. Precio POR SEGUNDO. La duración automática del proveedor no está expuesta, así que pasa siempre duration. Ver FLUX 3 más abajo.
    Veo 3.1 (todos los ids veo3-1-*, veo3-1-fast-* y veo3-1-lite-*)Fija de 8sNo configurable. Ajusta el prompt, voz en off incluida, a 8 segundos; para piezas más largas encadena clips con generation_type: "extend".
    grok-image-to-videoNo configurableLa duración no se define con este parámetro.

    En modelos solo imagen, duration se ignora.

    Modelos que admiten negative_prompt:

    Modelo(s)Notas
    wan-2-7-720p, wan-2-7-1080p (texto a vídeo, imagen a vídeo)Hasta 500 caracteres.
    wan-3-0-480p, wan-3-0-720p, wan-3-0-1080p, wan-3-0-prime-480p, wan-3-0-prime-720p, wan-3-0-prime-1080pNo compatible.

    El resto de modelos ignoran negative_prompt.

    Modelos que admiten quality (o equivalente):

    Modelo(s)Cómo funcionaValores
    seedream-v4-5, seedream-v4-5-editUsa quality directamente.basic (2K, predeterminado), high (4K).
    5-lite-text-to-image, 5-lite-image-to-imageUsa quality directamente.basic (2K, predeterminado), high (4K).
    Veo 3.1 calidad vs fast vs liteDistintos IDs de modelo, no un único parámetro quality.El nivel se elige por el prefijo del id: veo3-1-* (calidad), veo3-1-fast-* (más rápido y barato), veo3-1-lite-* (económico). Ver ids de Veo 3.1.
    flux-2, flux-3-klein, nano-banana-pro, nano-banana-2, nano-banana-2-1Resolución (1K/2K/4K), no un string genérico «quality».Pasa mediante el parámetro dedicado resolution, ver abajo.
    seedream-5-5Resolución (1.5K/2K), no un string genérico «quality».Pasa mediante el parámetro dedicado resolution, ver abajo.
    flux-3quality elige resolución y modo borrador.720p (predeterminado), 1080p, 720p-draft (draft a secas es sinónimo). No hay borrador en 1080p.
    seedance-2-5-480pquality: "draft" genera una vista previa a 480p que luego puedes finalizar a 1080p.Ver Seedance 2.5.
    seedance-2-5-flash (todas las variantes)No tiene modo borrador: quality: "draft" devuelve draft_unavailable.Ver Seedance 2.5 Flash.
    gpt-image-2 (t2i + i2i)Resolución mediante el parámetro resolution.Ver Niveles de resolución abajo.
    gpt-image-2-5-flare, gpt-image-2-5-sunburst (t2i + i2i)Resolucion mediante el parametro resolution. La division Flare / Sunburst es el id del modelo, no un parametro de calidad.Ver Niveles de resolución abajo.

    En otros modelos, quality se ignora.

    <a id="niveles-resolucion"></a>

    Niveles de resolución (parámetro resolution):

    ModeloValoresPrecioRestricción
    gpt-image-2 (t2i + i2i)1K (predeterminado), 2K, 4KVer get_models2K y 4K requieren un aspect_ratio explícito, no cuadrado y no auto — uno de 9:16, 16:9, 4:3, 3:4. Llamar a 2K/4K con aspect_ratio=auto o aspect_ratio=1:1 devuelve HTTP 400 (error: "aspect_ratio_incompatible_with_high_res") y los créditos NO se retienen. 1K acepta todas las relaciones, incluso auto/1:1.
    gpt-image-2-5-flare, gpt-image-2-5-sunburst (t2i + i2i)1K (por defecto), 2K, 4KVer get_modelsSin restriccion de relacion de aspecto en ningun nivel: las 13 relaciones funcionan igual en 1K, 2K y 4K. Los dos carriles cobran lo mismo, asi que la eleccion es velocidad frente a calidad de render, no precio.
    gpt-image-2-6-flare, gpt-image-2-6-sunburst (t2i + i2i)1K (por defecto), 2K, 4KVer get_modelsLas 16 relaciones en cada nivel: auto, 1:1, 3:2, 2:3, 4:3, 3:4, 5:4, 4:5, 16:9, 9:16, 2:1, 1:2, 21:9, 9:21, 3:1, 1:3. Los dos carriles cobran lo mismo.
    gpt-image-2-6-economy (t2i + i2i)Solo 1KVer get_models8 relaciones: auto, 1:1, 16:9, 9:16, 3:2, 2:3, 21:9, 4:3 (sin 3:4 ni 4:5). 2K/4K se rechazan antes de cobrar nada.
    nano-banana-21K (predeterminado), 2K, 4KVer get_modelsCada nivel es un SKU de precio independiente. La lista de aspect_ratio no cambia entre niveles.
    nano-banana-2-11K (predeterminado), 2K, 4KVer get_modelsNano Banana 2.1, un modelo distinto de nano-banana-2 con precios propios. Los ids concretos nano-banana-2-1-2K / nano-banana-2-1-4K conservan su nivel e ignoran resolution. Añade las relaciones extremas 1:4, 4:1, 1:8, 8:1.
    nano-banana-pro1K (predeterminado), 2K, 4KVer get_modelsMismo patrón que nano-banana-2.
    flux-2, flux-2-edit1K (predeterminado), 2KVer get_modelsSolo dos niveles.
    seedream-5-51.5K (predeterminado), 2KVer get_modelsSeedream 5.5, un modelo distinto de seedream-5-pro con precios propios. El id concreto seedream-5-5-2K conserva su nivel. Cualquier otro valor se rechaza antes de cobrar nada. Relaciones de aspecto 1:1, 4:3, 3:4, 16:9, 9:16.
    flux-3-klein, flux-3-klein-edit1K (predeterminado), 2K, 4KVer get_modelsFLUX 3 Klein, un modelo de IMAGEN (no la familia de vídeo FLUX 3). Si adjuntas de 1 a 10 imágenes, la llamada pasa a las filas flux-3-klein-edit*. Un id de nivel concreto como flux-3-klein-4K conserva su nivel.
    nano-banana-2-liteNingunoVer get_modelsUn solo nivel, sin parámetro resolution. El modelo Nano Banana más rápido y económico.

    Cuándo elegir cada nivel (GPT Image 2):

    • 1K — predeterminado. Úsalo para publicaciones sociales, miniaturas, conceptos, vistas previas en app, cualquier cosa ≤ 1024 × 1024. El más barato; sin complicaciones de aspect ratio.
    • 2K — úsalo cuando el cliente necesita un hero web nítido, portada de newsletter, ilustración in-product a densidad retina. Debes elegir un aspecto direccional (landscape o portrait).
    • 4K — úsalo para impresión, publicidad exterior, banners, o cualquier caso en el que el usuario pida explícitamente el tamaño máximo. Confirma el aspecto con el usuario primero; 1:1 / auto no funcionarán.

    Flare frente a Sunburst (GPT Image 2.5):

    • gpt-image-2-5-flare es el carril rapido. Opcion por defecto para exploracion, iteracion de prompts y generacion en volumen.
    • gpt-image-2-5-sunburst es el carril de calidad. Mas lento, detalle mas limpio y tipografia mas estable. Uselo para renders finales e imprenta 4K.
    • Los dos carriles admiten los mismos parametros, las mismas 16 imagenes de referencia, el mismo prompt de 20.000 caracteres y las mismas 13 relaciones de aspecto, y cuestan lo mismo en cada nivel de resolucion.
    • Ninguno de los dos admite 4:5. Use nano-banana-2 cuando un emplazamiento lo requiera.

    <a id="gpt-image-2-6"></a>

    GPT Image 2.6 (Economy, Flare, Sunburst):

    • gpt-image-2-6-economy es el carril de menor coste: un único precio fijo por imagen o GIF, solo 1K, 8 relaciones.
    • gpt-image-2-6-flare es el carril rápido y gpt-image-2-6-sunburst el carril de detalle, con más coherencia entre ediciones. Ambos funcionan en 1K/2K/4K, con las 16 relaciones incluida 4:5, y cuestan lo mismo.
    • Edición (imágenes en source_media_urls, hasta 16): Flare y Sunburst cobran el precio de la resolución más un cargo por cada imagen de referencia (los duplicados cuentan). estimate y get_models (cost_note) muestran los importes exactos; en MCP pasa reference_image_count a estimate. La edición Economy mantiene un único precio fijo.
    • GIF (output_format: "gif", solo texto a imagen): el precio depende solo de frame_count (Flare/Sunburst tienen un precio hasta 8 fotogramas y otro de 9 a 16), no de la resolución, la relación, la velocidad ni el fondo. Los GIF de Economy tienen un único precio fijo. Un carril cuyo precio de GIF aún no está publicado responde gif_unavailable sin cobrar nada.
    • background: "transparent" y los formatos png/jpeg/webp no cambian el precio.
    • Los prompts admiten hasta 8.000 caracteres en todos los carriles.

    Los modelos no listados ignoran resolution. Para familias de vídeo (Seedance, Kling, Veo, P-Video, FLUX 3, Gemini Omni) la resolución forma parte del model_id de la variante concreta. Pasa la variante (p. ej. seedance-2-fast-480p, veo3-1-fast-text-to-video-1080p, p-video-1080p, gemini-omni-video-1080p-6s), no este parámetro.

    Límites de caracteres del prompt:

    Algunos modelos aplican longitud máxima. Superarla puede devolver error o truncar.

    Modelo(s)Máx. caracteres
    wan-2-7-720p, wan-2-7-1080p5.000
    wan-3-0-480p, wan-3-0-720p, wan-3-0-1080p, wan-3-0-prime-480p, wan-3-0-prime-720p, wan-3-0-prime-1080p20.000
    kling-2-6 (texto a vídeo, imagen a vídeo)2.500
    kling-3-0-std, kling-3-0-pro2.500
    seedance-2 (Fast + Standard + Mini)4.000
    seedance-2-5 (todas las variantes)10.000
    seedance-2-5-flash (todas las variantes)10.000
    kling-3-0-4k2.500
    kling-3-0-omni (todas las variantes Transform, Frames y References)3.072
    kling-4-0 (todas las variantes)8.000
    kling-4-0-flash (ambas variantes)8.000
    gpt-image-2-6-economy, gpt-image-2-6-flare, gpt-image-2-6-sunburst8.000
    omnihuman-2-0300
    flux-3 (todas las variantes)5.000
    flux-3-klein (todas las variantes)5.000
    seedream-v4-5, seedream-v4-5-edit3.000
    5-lite-text-to-image, 5-lite-image-to-image2.995
    seedream-5-pro (todas las variantes)2.995
    seedream-5-5 (ambos niveles)2.995
    gpt-1.5-image-medium, gpt-1.5-image-high3.000
    nano-banana, flux-2, Veo 3.1 (todos los ids veo3-1-*), v1-pro-fast-i2v, grok (imagen/vídeo), p-image-edit5.000
    nano-banana-pro (todas las variantes)20.000
    nano-banana-2 (todas las variantes)20.000
    nano-banana-2-1 (todas las variantes), nano-banana-2-lite20.000

    Otros pueden no tener límite documentado o usar predeterminados del servidor.

    Límites de archivos de entrada (imagen y vídeo):

    Para imagen a vídeo e imagen a imagen, source_media_urls es una lista de URLs. La mayoría aceptan solo imágenes (JPEG, PNG, WebP, típicamente 10 MB máx. por archivo). Algunos también aceptan vídeo; entonces aplican formato y tamaño (p. ej. MP4, duración máx.).

    Modelo(s)Tipo de entradaLímiteNotas
    kling-2-6-motion-control-720p, kling-2-6-motion-control-1080pImagen + vídeo1 imagen + 1 vídeoMotion Control: el vídeo de referencia guía el movimiento. Vídeo máx. 30 s; archivo típ. hasta 100 MB (MP4/WebM).
    kling-3-0-motion-control-720p, kling-3-0-motion-control-1080pImagen + vídeo1 imagen + 1 vídeoMotion Control Kling 3.0: igual que Kling 2.6. Facturación por segundo — consulta la tabla de Motion Control más abajo. Vídeo máx. 30 s; típ. hasta 100 MB (MP4/WebM).
    kling-2-6-image-to-video, grok-image-to-video, v1-pro-fast-i2vSolo imágenes1 imagenExactamente una imagen de entrada.
    wan-2-7-720p, wan-2-7-1080p (imagen a vídeo)Solo imágenes1 imagenPrimer fotograma en source_media_urls; opcional last_frame_url para una transición primer+último fotograma.
    wan-3-0-480p, wan-3-0-720p, wan-3-0-1080p, wan-3-0-prime-480p, wan-3-0-prime-720p, wan-3-0-prime-1080pImágenes, vídeo, audio, documentos10 imágenes + 5 vídeos + 5 pistas de audio, O 1 documento, O 1 enlaceCinco modos mutuamente excluyentes. Fotogramas: primer fotograma en source_media_urls, opcional last_frame_url. Referencias: reference_image_urls (≤10), reference_video_urls (≤5, 1–15s cada uno, ≤15s en total), reference_audio_urls (≤5, mismos límites) — mencionados en el prompt como Image1, Video1, Audio1, en el orden del array. Documento: una entrada reference_file_urls (docx, doc, xlsx, xls, pptx, ppt, pdf, txt, key, pages, numbers, md; ≤100MB, ≤50 páginas). Enlace: una entrada reference_link_urls, una página pública sin inicio de sesión. Un fotograma no puede ir con ninguna referencia, y un documento no puede ir con un enlace.
    grok-imagine-video-1-5-preview-480p, grok-imagine-video-1-5-preview-720pSolo imágenes1 imagenExactamente una imagen de entrada (el fotograma inicial). Relación de aspecto: auto (predeterminado, se toma de la imagen), 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3. La salida incluye audio.
    seedance-2Imagen + vídeo + audioSegún modoTexto a vídeo: hasta 9 imágenes + 3 vídeos + 3 audios de referencia, todas opcionales. Duración combinada de vídeos de referencia ≤ 15s; duración combinada de audios de referencia ≤ 15s. Imagen a vídeo: 1 imagen obligatoria (primer frame) + 1 imagen opcional (último frame) + hasta 3 audios de referencia opcionales; no se admiten vídeos de referencia en este modo. Mete todas las URLs en source_media_urls — el backend clasifica cada URL por extensión (.jpg/.png/.webp → imagen; .mp4/.mov/.webm → vídeo; .mp3/.wav/.m4a → audio).
    gemini-omni-video (todas las variantes)Imágenes + vídeo7 slots de referenciaUn único vídeo de referencia consume 2 slots; las imágenes ocupan el resto. Máximo 1 vídeo por petición; los primeros 10 segundos del clip se usan como clip director (sin parámetros de recorte expuestos). Un vídeo de referencia requiere una variante -video-ref — llamar a una variante de duración con una URL de vídeo devuelve variant_mismatch. No se admiten URLs de archivos de audio; la voz de salida se controla con el parámetro voice_id (una de las 29 voces built-in).
    gemini-omni-1-2-flash (todas las variantes)Imágenes, o fotogramas, o un clip con imágenesHasta 6 imágenes en source_media_urls y/o reference_image_urls; un clip en source_media_urls o reference_video_urls (subido a Kubeez, hasta 15 s, deja sitio para 5 imágenes)Un solo modo por solicitud. first_frame_url (con last_frame_url opcional) no se combina con imágenes de referencia ni con un clip, y last_frame_url necesita un fotograma inicial. Se usa el clip completo y no hay campos de recorte: si pasa de 15 s, pásalo antes por trim_video. Sin referencias de audio, voces ni personajes guardados.
    kling-3-0-std, kling-3-0-proSolo imágenes1–2 imágenesFotograma inicial, o inicio + fin. PNG/JPG/JPEG. Admite elementos (ver abajo).
    kling-3-0-turbo-720p, kling-3-0-turbo-1080p (imagen a vídeo)Solo imágenes1 imagenSolo fotograma inicial. PNG/JPG/JPEG. Sin elementos.
    kling-3-0-4k (imagen a vídeo)Solo imágenes1 o 2 imágenesFotograma inicial, o inicial + final. Omítelas para texto a vídeo.
    kling-3-0-omni-720p, -1080p, -4k (Transform)Vídeo + imágenes1 vídeo + hasta 4 imágenesEl vídeo fuente va PRIMERO en source_media_urls. Solo vídeo: aspect_ratio es siempre auto. Vídeo + imágenes: 16:9, 9:16 o 1:1, y auto se rechaza. Clip fuente: MP4 o MOV, como máximo 200 MB, de 3 a 15 segundos; recorta uno más largo con trim_video antes.
    kling-3-0-omni-frames-* (Frames)Solo imágenesExactamente 2 imágenesPrimer fotograma y luego el último. Una sola imagen no se acepta. La relación de aspecto es siempre auto.
    kling-3-0-omni-ref-* (References)Imágenes, o vídeo + imágenesHasta 7 imágenes, O 1 vídeo + hasta 4 imágenes, O solo 1 vídeoSolo las filas -video aceptan un clip, y un clip desactiva el sonido, así que -audio y -video nunca se combinan. Imágenes de referencia: JPG o PNG, como máximo 50 MB cada una, al menos 300 px por lado. Ningún carril Omni tiene texto a vídeo: un source_media_urls vacío se rechaza.
    kling-4-0-*Imágenes + vídeoHasta 10 imágenes + hasta 5 vídeos, todo opcionalSin media es texto a vídeo. Cada vídeo de referencia dura entre 3 y 30 segundos, con un máximo de 30 segundos en total. Las imágenes necesitan al menos 300 px por lado y una relación de aspecto entre 0,4 y 2,5. Las imágenes se numeran @image_1, @image_2 y los vídeos @video_1, @video_2, en el orden en que los envías. Cualquier petición con vídeo se factura en la fila -video.
    kling-4-0-flash-*Imágenes + vídeo, o un fotograma inicialHasta 10 imágenes + hasta 5 vídeos, todo opcional, O un único first_frame_urlIgual que Kling 4.0, salvo que cada vídeo de referencia dura entre 2 y 20 segundos y los vídeos junto con los elementos de vídeo no pasan de 20 segundos en total. first_frame_url no se combina con referencias ni elementos.
    omnihuman-2-0Imagen + audioExactamente 1 imagen + 1 audioUn retrato (JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC o HEIF, de menos de 30 MB, entre 300 y 6000 px por lado y una relación de aspecto entre 0,4 y 2,5) y un audio MP3 o WAV (de menos de 15 MB, de 4 a 300 segundos). Envía ambos en source_media_urls (cada uno se clasifica por la extensión del archivo) o repártelos entre reference_image_urls y reference_audio_urls. El audio debe subirse antes a Kubeez.
    seedance-2-5 (todas las variantes)Imagen + vídeo + audioSegún el modoTexto a vídeo: hasta 30 imágenes, 10 vídeos (en total ≤ 30s) y 10 clips de audio (en total ≤ 30s), todo opcional; también se admite una referencia de audio sola. Imagen a vídeo: 1 imagen (primer fotograma) o 2 (primero + último), más hasta 10 clips de audio. Sin vídeos de referencia en este modo, y 3 o más imágenes se rechazan con too_many_images.
    seedance-2-5-flash (todas las variantes)Imagen + vídeo + audioSegún el modoLos mismos modos que Seedance 2.5, con topes más bajos. Texto a vídeo: hasta 10 imágenes, 5 vídeos (en total ≤ 30s) y 5 clips de audio (en total ≤ 30s), todo opcional; también se admite una referencia de audio sola. Imagen a vídeo: 1 imagen (primer fotograma) o 2 (primero + último), más hasta 5 clips de audio, sin vídeos de referencia.
    flux-3 (todas las variantes)Imágenes O vídeoDe 0 a 10 imágenes, o 1 vídeoEl modo se deduce de la entrada: sin media = texto a vídeo; 1 imagen abre el clip; 2 imágenes = primer + último fotograma; de 3 a 10 imágenes = storyboard; 1 MP4 (máx. 50 MB, 15s) continúa ese clip en las filas flux-3-v2v-*. Las imágenes y un vídeo no pueden ir juntos.
    flux-3-klein (todas las variantes)Solo imágenesDe 0 a 10Sin imagen = texto a imagen; de 1 a 10 imágenes = edición, y aspect_ratio=auto sigue a la imagen 1. JPEG, PNG o WebP, máximo 30 MB cada una. Las imágenes de referencia extra no cuestan nada.
    5-lite-text-to-image, 5-lite-image-to-imageSolo imágenes10Para edición (imagen a imagen).
    seedream-5-5, seedream-5-5-2KSolo imágenesDe 0 a 10Sin imagen = texto a imagen; de 1 a 10 imágenes = edición con el mismo id (no hay un id de edición aparte). Cada imagen de referencia suma el cargo credits_per_reference_image que indica get_models, la primera incluida, y los duplicados también cuentan.
    seedream-5-pro-edit, seedream-5-pro-edit-2KSolo imágenes10Edición / multirreferencia de Seedream 5.0 Pro. Usa generation_type: "image-to-image". El nivel es el propio model_id (seedream-5-pro-edit = 1.5K, -edit-2K = 2K); no hay parámetro quality/resolution. La primera imagen de referencia está incluida; cada referencia adicional añade +1 crédito.
    nano-banana, nano-banana-editSolo imágenes10
    nano-banana-pro (todas las variantes)Solo imágenes8
    nano-banana-2 (todas las variantes)Solo imágenes8
    nano-banana-2-1 (todas las variantes)Solo imágenes10JPEG, PNG o WebP, máx. 30 MB cada una.
    nano-banana-2-liteSolo imágenes10
    p-image-editSolo imágenes1–8Pruna AI P Image Edit. Solo imagen a imagen — usa generation_type: "image-to-image". Pasa 1–8 URLs en source_media_urls. aspect_ratio: auto coincide con la primera imagen de entrada, o 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3. turbo opcional (activo por defecto). disable_safety_checker: true por defecto (moderación desactivada); false activa el comprobador. seed opcional.
    flux-2-edit (imagen a imagen)Solo imágenes8
    gpt-1.5-image (imagen a imagen)Solo imágenes16
    Veo 3.1, ids *-text-to-videoSolo imágenes0 o 1Una imagen opcional para fijar el fotograma inicial. Nunca 2 o más.
    Veo 3.1, ids *-first-and-last-framesSolo imágenesExactamente 2Fotograma inicial y luego el final.
    Veo 3.1, ids *-reference-to-videoSolo imágenesDe 1 a 3Imágenes de referencia que guían el aspecto visual. La relación de aspecto está fijada en 16:9.

    Usa get_models para confirmar input_media_types y capacidades. Consulta Herramientas de cuenta para lista y precios.

    Kling 3.0 – elementos (opcional):

    Los elementos permiten referenciar imágenes o vídeos en el prompt con @element_name. Pasa kling_elements como array de objetos con name, description, y element_input_urls (2–4 URLs de imagen) o element_input_video_urls (1 URL de vídeo). Las imágenes de referencia de cada elemento provienen de su propio element_input_urls; el image_urls principal puede ir vacío para texto-a-vídeo, o contener cuadros de inicio/fin opcionales para imagen-a-vídeo. Cada elemento requiere título (name) y descripción. Elementos imagen: JPG/PNG, mín. 300×300px, máx. 10MB cada uno. Elementos vídeo: MP4/MOV, máx. 50MB.

    Seedance 2 – dos familias de modelo, dos modos, dos vías de facturación:

    Seedance 2 (ByteDance) se expone como tres familias de modelos separadas: seedance-2-fast (económico, rápido), seedance-2 (estándar, mayor calidad) y seedance-2-mini (el más barato, ~50% por debajo de Fast, solo 480p/720p). Cada familia expone model_ids concretos por resolución y combinación con vídeo de referencia; pasa la variante completa (p. ej. seedance-2-fast-480p, seedance-2-mini-720p, seedance-2-720p-video-ref). Pasar solo el nombre de familia devuelve un error variant_required con las opciones disponibles. Standard cubre 480p, 720p, 1080p y 4K (ids de variante seedance-2-480p / -720p / -1080p / -4k, cada una con su forma -video-ref); Fast y Mini, solo 480p y 720p. Duración: entero de 4 a 15 segundos. Aspect ratios admitidos: 1:1, 4:3, 3:4, 16:9, 9:16, 21:9, adaptive. Máximo de prompt: 4000 caracteres. El audio se activa con el toggle gratuito generate_audio (por defecto true). A diferencia de Kling 3.0, no hay recargo por audio.

    Modos:

    Modogeneration_typeReferencias admitidas
    Texto a vídeo (multimodal)"text-to-video"Hasta 9 imágenes + 3 vídeos + 3 audios de referencia. Todas opcionales.
    Imagen a vídeo (keyframes)"image-to-video"1 imagen obligatoria (primer frame) + 1 imagen opcional (último frame) + hasta 3 audios de referencia opcionales. No se admiten vídeos de referencia en este modo — se rechazan con error.

    En ambos modos, mete todas las URLs de referencia en source_media_urls. El backend clasifica cada URL por extensión (.jpg/.png/.webp → imagen; .mp4/.mov/.webm → vídeo; .mp3/.wav/.m4a → audio) y la enruta al cubo correcto automáticamente.

    Vías de facturación (importante):

    • Sin vídeo de referencia: credits = output_s × base_credits/s
    • Con vídeo de referencia (vía proveedor upstream): credits = (ref_s + output_s) × base_credits/s, donde ref_s es la duración combinada de todos los vídeos de referencia, limitada a 15 segundos por petición.

    Nota para usuarios de API REST / MCP: el backend no puede consultar remotamente la duración de un vídeo desde su URL, así que factura en el peor caso pesimista (15s) para peticiones con vídeo de referencia enviadas desde MCP o la API REST. La web UI mide localmente y factura las duraciones exactas — si trabajas con clips de referencia cortos y quieres optimizar coste, recomendamos usar la web UI.

    Tarifas por segundo en vivo (extraídas del catálogo ai_models_config — siempre al día):

    ModeloNombreTarifaUnidad
    seedance-2-1080pSeedance 2 (1080p)87créditos / s
    seedance-2-1080p-video-refSeedance 2 (1080p, video ref)55créditos / s
    seedance-2-480pSeedance 2 (480p)22créditos / s
    seedance-2-480p-video-refSeedance 2 (480p, video ref)17créditos / s
    seedance-2-4kSeedance 2 (4K)260créditos / s
    seedance-2-4k-video-refSeedance 2 (4K, video ref)165créditos / s
    seedance-2-5-1080pSeedance 2.5142créditos / s
    seedance-2-5-1080p-video-refSeedance 2.5 (video ref)85créditos / s
    seedance-2-5-480pSeedance 2.529créditos / s
    seedance-2-5-480p-video-refSeedance 2.5 (video ref)17créditos / s
    seedance-2-5-720pSeedance 2.561créditos / s
    seedance-2-5-720p-video-refSeedance 2.5 (video ref)36créditos / s
    seedance-2-720pSeedance 2 (720p)39créditos / s
    seedance-2-720p-video-refSeedance 2 (720p, video ref)29créditos / s
    seedance-2-fast-480pSeedance 2.0 Fast19créditos / s
    seedance-2-fast-480p-video-refSeedance 2.0 Fast (video ref)15créditos / s
    seedance-2-fast-720pSeedance 2.0 Fast31créditos / s
    seedance-2-fast-720p-video-refSeedance 2.0 Fast (video ref)22créditos / s
    seedance-2-mini-480pSeedance 2 Mini12créditos / s
    seedance-2-mini-480p-video-refSeedance 2 Mini (video ref)8créditos / s
    seedance-2-mini-720pSeedance 2 Mini24créditos / s
    seedance-2-mini-720p-video-refSeedance 2 Mini (video ref)15créditos / s

    Límites estrictos (se aplican con errores 400):

    • Más de 3 vídeos de referencia → too_many_videos.
    • Más de 3 audios de referencia → too_many_audios.
    • Más de 9 imágenes de referencia → too_many_images.
    • Duración combinada de vídeos de referencia > 15s → rechazado.
    • Duración combinada de audios de referencia > 15s → rechazado.
    • Cualquier archivo individual de vídeo o audio de referencia > 15s → rechazado.

    <a id="seedance-2-5"></a>

    Seedance 2.5: planos largos de una sola toma y muchas referencias:

    Seedance 2.5 es la generación más reciente de Seedance y un modelo distinto de la familia Seedance 2.0 descrita arriba, con sus propias reglas. Elígelo para un clip largo de una sola toma (hasta 30 segundos en una generación, sin empalmes), para trabajo intensivo con referencias o cuando el usuario quiera el modelo más nuevo. Elige un nivel 2.0 si hace falta 4K o la tarifa por segundo más baja.

    • Ids de variante: seedance-2-5-480p, seedance-2-5-720p, seedance-2-5-1080p y los mismos tres con -video-ref para peticiones con vídeo de referencia. Un seedance-2-5 a secas devuelve variant_required. 2.5 no tiene 4K.
    • Duración: entero de 4 a 30 segundos. Relaciones de aspecto: 1:1, 4:3, 3:4, 16:9, 9:16, 21:9, adaptive. Prompt: hasta 10.000 caracteres.
    • Texto a vídeo: hasta 30 imágenes, 10 vídeos y 10 clips de audio, todo opcional. Pon todas las URLs en source_media_urls; cada una se clasifica por su extensión. En el prompt se citan como @Image 1, @Video 1, @Audio 1, numeradas por orden dentro de cada tipo.
    • Imagen a vídeo: 1 imagen (primer fotograma) o 2 (primero + último), más hasta 10 clips de audio. La salida hereda siempre la relación de aspecto del primer fotograma, así que aspect_ratio se ignora, y no se aceptan otras imágenes ni vídeos de referencia. A diferencia de Seedance 2.0, la petición nunca se redirige en silencio a texto a vídeo. Para fijar un primer fotograma y conservar referencias extra, usa texto a vídeo y describe ese fotograma en el prompt.
    • Audio: activado por defecto y gratis; sound: false cuesta lo mismo y solo quita la pista.
    • Facturación: por segundo de salida si no hay vídeo de referencia. Con vídeo de referencia el proveedor cuenta también los segundos de entrada, con un mínimo de dos tercios de la duración de salida, es decir output + max(segundos del clip, ceil(output x 2/3)). Los segundos del clip los mide el servidor, así que los clips de referencia deben subirse a Kubeez (get_upload_url); un clip que no puede medir se rechaza, nunca se factura a ojo. Pide siempre antes una cotización con estimate.

    Modo borrador (primero una vista previa, pagas 1080p solo cuando el plano funciona):

    1. Genera un borrador con model: "seedance-2-5-480p" (o seedance-2-5 a secas) y quality: "draft". Es una vista previa a 480p que se factura como un render normal a 480p. quality: "draft" en un id de 720p o 1080p se rechaza.
    2. Cuando el borrador esté completed, llama de nuevo a generate_media con draft_generation_id: "<generation_id del borrador>". En esa llamada se ignoran el prompt y el modelo: la versión final reutiliza el prompt, las referencias, la duración y la relación de aspecto del borrador, se renderiza a 1080p y se factura en la fila seedance-2-5-1080p (o -1080p-video-ref). Un borrador se puede finalizar durante 7 días, y finalizar dos veces el mismo borrador devuelve la versión ya existente sin un segundo cobro.
    ModeloNombreTarifaUnidad
    seedance-2-5-1080pSeedance 2.5142créditos / s
    seedance-2-5-1080p-video-refSeedance 2.5 (video ref)85créditos / s
    seedance-2-5-480pSeedance 2.529créditos / s
    seedance-2-5-480p-video-refSeedance 2.5 (video ref)17créditos / s
    seedance-2-5-720pSeedance 2.561créditos / s
    seedance-2-5-720p-video-refSeedance 2.5 (video ref)36créditos / s

    <a id="seedance-2-5-flash"></a>

    Seedance 2.5 Flash:

    Seedance 2.5 Flash es un nivel más económico de Seedance 2.5, con su propio id de modelo y sus propias tarifas, pensado para los mismos planos largos de una sola toma y el mismo trabajo con referencias. Elige Seedance 2.5 si hace falta 1080p, el modo borrador o más de 10 imágenes, 5 vídeos o 5 clips de audio de referencia.

    • Ids de variante: seedance-2-5-flash-480p, seedance-2-5-flash-720p y los mismos dos con -video-ref para peticiones con vídeo de referencia. Un seedance-2-5-flash a secas devuelve variant_required, con seedance-2-5-flash-720p como variante recomendada. No hay 1080p ni 4K.
    • Igual que Seedance 2.5: duración entera de 4 a 30 segundos, prompts de hasta 10.000 caracteres, los modos texto a vídeo e imagen a vídeo, una referencia de audio sola, el modo video_edit (un único clip, y el resultado conserva su duración y su encuadre), clips de referencia MP4 o MOV, y sound activado por defecto y gratis.
    • Referencias: hasta 10 imágenes, 5 vídeos (en total ≤ 30s) y 5 clips de audio (en total ≤ 30s). Imagen a vídeo admite 1 o 2 imágenes, más hasta 5 clips de audio.
    • Sin modo borrador: quality: "draft" devuelve draft_unavailable, y draft_generation_id se rechaza. Para una vista previa a 480p que luego finalizas a 1080p, usa Seedance 2.5.
    • Facturación: por segundo de salida, en las filas propias de Flash. Con vídeo de referencia se cuentan los segundos de salida más el mayor valor entre los segundos del clip y dos tercios de la salida redondeados hacia arriba, es decir output + max(segundos del clip, ceil(output x 2/3)). Una petición con clip pasa sola a la fila -video-ref. Pide siempre antes una cotización con estimate.
    ModeloNombreTarifaUnidad
    seedance-2-5-flash-480pSeedance 2.5 Flash21créditos / s
    seedance-2-5-flash-480p-video-refSeedance 2.5 Flash (video ref)14créditos / s
    seedance-2-5-flash-720pSeedance 2.5 Flash40créditos / s
    seedance-2-5-flash-720p-video-refSeedance 2.5 Flash (video ref)25créditos / s

    <a id="flux-3"></a>

    FLUX 3: vídeo con audio sincronizado:

    FLUX 3 genera un clip con audio sincronizado (ambiente, voz, efectos) a partir de un solo prompt. No hay parámetro de modo: el modo sale de lo que pongas en source_media_urls (ver la tabla de límites de entrada de arriba).

    • Ids: pasa flux-3 a secas y la fila se elige por ti a partir de quality (720p por defecto, 1080p, 720p-draft o draft) y de si adjuntas un vídeo. También puedes pasar un id concreto: flux-3-720p, flux-3-1080p, flux-3-720p-draft para entrada de texto e imagen, flux-3-v2v-720p, flux-3-v2v-1080p, flux-3-v2v-720p-draft para continuar un vídeo. Una petición con vídeo se factura siempre en una fila flux-3-v2v-*, sea cual sea el id que pases.
    • Continuar cuesta más. Las filas -v2v- son filas aparte y más caras. Consulta cada tarifa en get_models o con estimate, nunca la supongas.
    • Duración: entero de 5 a 20 segundos, obligatorio. Pasa una duración explícita también para storyboards.
    • Relaciones de aspecto: auto (por defecto), 21:9, 2:1, 16:9, 4:3, 1:1, 3:4, 9:16.
    • Audio: activado por defecto; sound: false cuesta lo mismo y solo quita la pista.
    ModeloNombreTarifaUnidad
    flux-3-1080pFLUX 382créditos / s
    flux-3-720pFLUX 348créditos / s
    flux-3-720p-draftFLUX 3 Draft17créditos / s
    flux-3-v2v-1080pFLUX 3149créditos / s
    flux-3-v2v-720pFLUX 3115créditos / s
    flux-3-v2v-720p-draftFLUX 3 Draft34créditos / s

    <a id="kling-3-0-omni"></a>

    Kling 3.0 Omni: Transform, Frames y References:

    Kling 3.0 Omni es un solo modelo con tres carriles, y el id de variante elige el carril. No hay texto a vídeo: todos los carriles necesitan media en source_media_urls. Los storyboards y los elements de Kling 3.0 no están disponibles aquí.

    CarrilIds de varianteEntradaDuraciónAudio
    Transform (reestiliza un vídeo)kling-3-0-omni-720p, -1080p, -4kPrimero el vídeo fuente, luego hasta 4 imágenes de referenciaNinguna: se factura la duración del clip fuentesound: true añade una banda sonora generada
    Frames (anima entre dos imágenes)kling-3-0-omni-frames-720p, -1080p, -4k, cada uno también con -audioExactamente 2 imágenes: primer fotograma, último fotogramaDe 3 a 15sCon audio cuesta más por segundo, de ahí los ids -audio
    References (clip nuevo guiado por referencias)kling-3-0-omni-ref-720p, -1080p, -4k, cada uno también con -audio o -videoHasta 7 imágenes, o 1 vídeo + hasta 4 imágenes, o solo 1 vídeoDe 3 a 15s; un vídeo solo no admite duración y se factura el clipSolo imágenes es lo más barato, -audio cuesta más, -video cuesta aún más y desactiva el sonido

    Todos los carriles se facturan por segundo con su propia tarifa, y Frames es más barato que Transform. Consulta la tarifa exacta en get_models o con estimate.

    <a id="kling-4-0"></a>

    Kling 4.0:

    Kling 4.0 es un solo modelo para texto a vídeo y referencia a vídeo. No envíes media para un clip que parte solo del prompt, o adjunta hasta 10 imágenes de referencia y hasta 5 vídeos de referencia (de 3 a 30 segundos cada uno, 30 segundos en total como máximo), combinados como quieras. La salida dura de 3 a 30 segundos, en 720p o 1080p, con aspect_ratio auto, 16:9, 9:16, 1:1 o 21:9. Si no lo indicas, es auto cuando hay referencias y 16:9 cuando no las hay.

    En el prompt, señala tus archivos con @image_1, @image_2 y @video_1, @video_2, numerados en el orden en que los envías. Una mención que no corresponde a ningún archivo adjunto (por ejemplo @image_3 con dos imágenes) se rechaza antes de descontar créditos. También puedes enviar elements con nombre (un sujeto descrito con 2 o más imágenes o con un vídeo) y hasta 3 voices (muestras de 5 a 30 segundos), y mencionarlos en el prompt como @nombre; solo se envían los que el prompt menciona. Un elemento de vídeo cuenta como vídeo de entrada: pasa la petición a la fila -video y sus segundos se suman a los de los vídeos de referencia. Los elementos de imagen y las voces no cuestan más.

    Entradas: envía imágenes y vídeos en source_media_urls, o repártelos entre reference_image_urls y reference_video_urls. Los vídeos deben ser MP4 o MOV y estar subidos antes a Kubeez (get_upload_url en MCP, POST /v1/upload/media en REST). Un vídeo enlazado desde otro sitio se rechaza con clip_not_uploaded antes de descontar créditos, porque cada vídeo se factura según la duración que mide Kubeez. Conserva el audio original de los vídeos con keep_original_sound: true. kling-4-0 a secas devuelve variant_required; pasa uno de los cuatro ids de abajo.

    <a id="kling-4-0-elements"></a>

    Elementos y voces (Kling 4.0):

    CampoObligatorioReglas
    elements[].nameSíCómo lo nombra el prompt, como @nombre. De 1 a 20 letras o caracteres chinos (sin números ni guiones bajos, el modelo falla con ellos), único entre elements y voices (sin distinguir mayúsculas). Reservados: image_N, video_N, keyframe_N, object_N, audio_N, first_frame, last_frame.
    elements[].image_urlsUno de los dosDe 2 a 4 URL públicas de imágenes del sujeto; la primera es la vista principal.
    elements[].video_urlUno de los dosUn clip de un personaje en una sola toma, de 3 a 8 segundos, MP4 o MOV, subido a Kubeez. Se cobra como un clip de referencia. Como máximo 3 elementos de vídeo.
    elements[].tagNocharacter, animal, prop, costume, scene, effect u others. Un elemento de vídeo siempre es character.
    elements[].descriptionNoDescripción breve del sujeto, como máximo 100 caracteres.
    elements[].voice_urlNoUna muestra de voz de 5 a 30 segundos para un elemento character (o sin etiqueta). En Flash es la única forma de dar voz a un sujeto.
    voices[].nameSíLas mismas reglas que el nombre de un elemento.
    voices[].audio_urlSíURL pública de una muestra de voz de 5 a 30 segundos.

    Solo se envían y cuentan los elementos y voces que menciona el prompt. Clips de referencia más elementos de vídeo: como máximo 5 archivos y 30 segundos en total (20 en Flash). Imágenes, clips, elementos y voces juntos: como máximo 15. Los elementos de imagen y las voces no se cobran. Los elementos guardados en el estudio aparecen en list_assets y se pueden crear con manage_library(kind='kling_element' | 'kling_voice') en MCP.

    Ids de varianteCuándoSegundos facturados
    kling-4-0-720p, kling-4-0-1080pSin vídeo de referencia (solo prompt, o imágenes)La duración que pasas
    kling-4-0-720p-video, kling-4-0-1080p-videoAl menos un vídeo de referenciaLa duración que pasas, más el mayor valor entre esa duración y la duración total de tus vídeos

    Las filas -video tienen una tarifa por segundo más baja porque la duración del clip también se factura. Ejemplo: 10s de salida con un vídeo de 5s factura 20 segundos; con un vídeo de 15s, 25. Varios vídeos se suman.

    Audio: sin vídeo de referencia el clip siempre trae sonido generado. Con uno, la banda sonora se genera salvo que pidas conservar el audio original de tus vídeos.

    ModeloNombreTarifaUnidad
    kling-4-0-1080pKling 4.0 (1080p)58créditos / s
    kling-4-0-1080p-videoKling 4.0 (1080p, with video)35créditos / s
    kling-4-0-720pKling 4.0 (720p)39créditos / s
    kling-4-0-720p-videoKling 4.0 (720p, with video)23créditos / s

    <a id="kling-4-0-flash"></a>

    Kling 4.0 Flash:

    Kling 4.0 Flash es una versión aparte de Kling 4.0, con su propio id de modelo y sus propias tarifas. Acepta el mismo prompt, las mismas referencias y los mismos elements que Kling 4.0, con límites más ajustados: el clip dura de 3 a 20 segundos y solo en 720p (un resolution de 1080p se rechaza), cada vídeo de referencia dura de 2 a 20 segundos, y los vídeos de referencia junto con los elementos de vídeo no pasan de 20 segundos en total. Una duración por encima de 20 se ajusta a 20, igual que Kling 4.0 ajusta todo lo que pasa de 30.

    Voces: Flash no admite voices sueltas, y una petición que las envía se rechaza antes de descontar créditos. Para darle voz a un personaje, pon voice_url (una muestra de 5 a 30 segundos) en un elemento de tipo character. Los elementos guardados para Kling 4.0 también sirven en Flash.

    Fotograma inicial: Flash también acepta first_frame_url, una imagen desde la que arranca el vídeo, que se menciona en el prompt como @first_frame. Va sola: no se combina con imágenes de referencia, vídeos de referencia ni elementos, y no hay fotograma final. El vídeo toma la forma del fotograma, así que aspect_ratio no se aplica.

    Ids de varianteCuándoSegundos facturados
    kling-4-0-flash-720pSin vídeo de referencia (solo prompt, imágenes, elementos de imagen o un fotograma inicial)La duración que pasas
    kling-4-0-flash-720p-videoAl menos un vídeo de referencia o un elemento de vídeoLa duración que pasas, más el mayor valor entre esa duración y la duración total de tus vídeos

    Pasa kling-4-0-flash-720p; una petición con vídeo pasa sola a kling-4-0-flash-720p-video. kling-4-0-flash a secas devuelve variant_required.

    ModeloNombreTarifaUnidad
    kling-4-0-flash-720pKling 4.0 Flash (720p)25créditos / s
    kling-4-0-flash-720p-videoKling 4.0 Flash (720p, with video)18créditos / s

    <a id="omnihuman-2-0"></a>

    OmniHuman 2.0:

    OmniHuman 2.0 hace que un retrato hable o cante. Envías una imagen de una persona y un archivo de audio (voz o una canción) y recibes un vídeo de esa persona con sincronización labial, en 720p y con la misma duración que el audio. No hay duración, resolución ni relación de aspecto que elegir. El prompt es opcional (hasta 300 caracteres) y orienta la escena, el movimiento de la persona y la cámara.

    El audio debe ser MP3 o WAV, de menos de 15 MB y de 4 a 300 segundos, y tiene que subirse antes a Kubeez (get_upload_url en MCP, POST /v1/upload/media en REST). Kubeez mide el audio por su cuenta y factura según esa duración: segundos enteros, redondeados hacia arriba, con un pequeño margen para que un archivo de 5,02 segundos se facture como 5. Si en ese momento no se puede medir el audio, la solicitud se rechaza antes de cobrar ningún crédito; vuelve a intentarlo en un minuto.

    ModeloNombreTarifaUnidad
    omnihuman-2-0OmniHuman 2.019créditos / s

    <a id="veo-3-1"></a>

    Ids de Veo 3.1:

    Veo 3.1 no tiene un id de familia: veo3-1, veo3-1-fast y veo3-1-lite por sí solos no se pueden llamar, así que pasa siempre un id completo. El id se forma con tres partes:

    ParteOpciones
    Nivelveo3-1 (calidad), veo3-1-fast, veo3-1-lite (económico)
    Modo-text-to-video (0 o 1 imagen), -first-and-last-frames (exactamente 2 imágenes), -reference-to-video (de 1 a 3 imágenes, solo 16:9)
    Resoluciónnada para 720p, -1080p, -4k

    Ejemplos: veo3-1-text-to-video, veo3-1-fast-first-and-last-frames-1080p, veo3-1-lite-reference-to-video-4k. Cada clip dura 8 segundos fijos con audio incluido, en 16:9 o 9:16. Cada combinación de nivel, modo y resolución es una fila con precio propio en get_models. Para continuar un clip terminado, usa generation_type: "extend" con source_task_id y extend_model (lite, fast o quality).

    Etiquetas de familia: pasar solo un nombre de familia, como seedance-2, seedance-2-5, seedance-2-5-flash, kling-3-0-omni, kling-4-0, gemini-omni-flash, gemini-omni-1-2-flash o wan-3-0, devuelve el error variant_required con available_variants y recommended_variant, sin descontar créditos. Excepciones: p-video y flux-3 aceptan el id a secas y eligen la fila a partir de quality, y seedance-2-5 a secas con quality: "draft" pasa a seedance-2-5-480p (seedance-2-5-flash a secas no tiene borrador y devuelve draft_unavailable).

    Gemini Omni Video — el modelo multi-modal de Google:

    Gemini Omni Video produce salida de vídeo con audio integrado (29 voces nombradas) y acepta entradas multi-modales (texto, referencias de imagen, una referencia de vídeo opcional). El modelo viene en 15 variantes concretas — elige la que coincida con la resolución y duración objetivo. 720p y 1080p tienen precio idéntico; 4K es un nivel de precio separado.

    Ids de variante (pasados a generate_media como model):

    Resolución4s6s8s10sVideo-ref (plano)
    720pgemini-omni-video-720p-4sgemini-omni-video-720p-6sgemini-omni-video-720p-8sgemini-omni-video-720p-10sgemini-omni-video-720p-video-ref
    1080pgemini-omni-video-1080p-4sgemini-omni-video-1080p-6sgemini-omni-video-1080p-8sgemini-omni-video-1080p-10sgemini-omni-video-1080p-video-ref
    4Kgemini-omni-video-4k-4sgemini-omni-video-4k-6sgemini-omni-video-4k-8sgemini-omni-video-4k-10sgemini-omni-video-4k-video-ref

    Las variantes video-ref toman la duración del clip fuente recortado (se usan los primeros 10s; sin parámetros de recorte expuestos). Las variantes basadas en duración aceptan 1–7 referencias de imagen; las variantes video-ref aceptan 1 clip fuente (consume 2 slots) + hasta 5 referencias de imagen.

    Tarifa plana por tarea. Tarifas en vivo (720p y 1080p comparten cada fila — Google las factura idénticamente):

    ModeloNombreTarifaUnidad
    gemini-omni-video-4k-10sGemini Omni Video (4K)320créditos
    gemini-omni-video-4k-4sGemini Omni Video (4K)230créditos
    gemini-omni-video-4k-6sGemini Omni Video (4K)260créditos
    gemini-omni-video-4k-8sGemini Omni Video (4K)290créditos
    gemini-omni-video-4k-video-refGemini Omni Video (video ref, 4K)380créditos
    gemini-omni-video-hd-10sGemini Omni Video200créditos
    gemini-omni-video-hd-4sGemini Omni Video110créditos
    gemini-omni-video-hd-6sGemini Omni Video140créditos
    gemini-omni-video-hd-8sGemini Omni Video170créditos
    gemini-omni-video-hd-video-refGemini Omni Video (video ref)260créditos

    #Gemini Omni 1.1 Flash

    gemini-omni-flash-* es la versión 1.1 de la misma familia, con su propia función edge y sus propias filas de precio. Lee las mismas referencias de imagen, vídeo y personaje y usa el mismo catálogo de 29 voces. Lo que añade:

    • un nivel 360p. A diferencia de 1.0, aquí cada resolución tiene su propia fila, así que 360p es a la vez el render más rápido y el más barato, y 1080p cuesta más que 720p
    • un modo de primer y último fotograma: pasa el fotograma inicial en source_media_urls y el final en last_frame_url. El modo es exclusivo: no puede combinarse con imágenes de referencia adicionales, un vídeo de referencia ni character_ids, y enviarlos juntos devuelve variant_mismatch.

    Ids de variante (se pasan a generate_media como model):

    Resolución4s6s8s10sVideo-ref (plano)
    360pgemini-omni-flash-360p-4sgemini-omni-flash-360p-6sgemini-omni-flash-360p-8sgemini-omni-flash-360p-10sgemini-omni-flash-360p-video-ref
    720pgemini-omni-flash-720p-4sgemini-omni-flash-720p-6sgemini-omni-flash-720p-8sgemini-omni-flash-720p-10sgemini-omni-flash-720p-video-ref
    1080pgemini-omni-flash-1080p-4sgemini-omni-flash-1080p-6sgemini-omni-flash-1080p-8sgemini-omni-flash-1080p-10sgemini-omni-flash-1080p-video-ref
    4Kgemini-omni-flash-4k-4sgemini-omni-flash-4k-6sgemini-omni-flash-4k-8sgemini-omni-flash-4k-10sgemini-omni-flash-4k-video-ref
    ModeloNombreTarifaUnidad
    gemini-omni-flash-1080p-10sGemini Omni 1.1 Flash (1080p)220créditos
    gemini-omni-flash-1080p-4sGemini Omni 1.1 Flash (1080p)130créditos
    gemini-omni-flash-1080p-6sGemini Omni 1.1 Flash (1080p)160créditos
    gemini-omni-flash-1080p-8sGemini Omni 1.1 Flash (1080p)190créditos
    gemini-omni-flash-1080p-video-refGemini Omni 1.1 Flash (video ref, 1080p)280créditos
    gemini-omni-flash-360p-10sGemini Omni 1.1 Flash (360p)200créditos
    gemini-omni-flash-360p-4sGemini Omni 1.1 Flash (360p)110créditos
    gemini-omni-flash-360p-6sGemini Omni 1.1 Flash (360p)140créditos
    gemini-omni-flash-360p-8sGemini Omni 1.1 Flash (360p)170créditos
    gemini-omni-flash-360p-video-refGemini Omni 1.1 Flash (video ref, 360p)260créditos
    gemini-omni-flash-4k-10sGemini Omni 1.1 Flash (4K)320créditos
    gemini-omni-flash-4k-4sGemini Omni 1.1 Flash (4K)230créditos
    gemini-omni-flash-4k-6sGemini Omni 1.1 Flash (4K)260créditos
    gemini-omni-flash-4k-8sGemini Omni 1.1 Flash (4K)290créditos
    gemini-omni-flash-4k-video-refGemini Omni 1.1 Flash (video ref, 4K)380créditos
    gemini-omni-flash-720p-10sGemini Omni 1.1 Flash (720p)210créditos
    gemini-omni-flash-720p-4sGemini Omni 1.1 Flash (720p)120créditos
    gemini-omni-flash-720p-6sGemini Omni 1.1 Flash (720p)150créditos
    gemini-omni-flash-720p-8sGemini Omni 1.1 Flash (720p)180créditos
    gemini-omni-flash-720p-video-refGemini Omni 1.1 Flash (video ref, 720p)270créditos

    Parámetros específicos de Gemini Omni Video y 1.1 Flash (1.2 Flash tiene sus propias reglas, ver Gemini Omni 1.2 Flash):

    ParámetroTipoNotas
    resolution—Ignorado — incluido en el id de variante.
    duration—Ignorado — incluido en el id de variante. Las variantes video-ref toman la duración del clip fuente recortado.
    aspect_ratiostringEstrictamente 16:9 o 9:16. Cualquier otro valor devuelve aspect_ratio_invalid_for_model.
    voice_idstring (opcional)Una de las 29 voces built-in (p. ej. kore, puck, achernar, zephyr). Descubre la lista completa con la herramienta list_gemini_omni_voices — los ids desconocidos se rechazan client-side antes de cobrar créditos. Omítelo para usar la voz predeterminada del modelo.
    character_idsstring[] (opcional)Uno o varios personajes guardados de la biblioteca del usuario (creados con manage_library(kind="character", action="create", ...), listados con list_gemini_omni_characters). Cada uno consume 1 de los 7 slots de referencia. El proveedor renderiza una identidad consistente en varios clips.
    video_trim_start_snumber (opcional)Inicio de la ventana de recorte (segundos) para el vídeo de referencia. Predeterminado 0.
    video_trim_end_snumber (opcional)Fin de la ventana de recorte (segundos) para el vídeo de referencia. Predeterminado: min(duración_fuente, start+10) cuando la URL está en media_upload_metadata, si no start+10. Límites estrictos del proveedor: range ≤ 10s, ends ≤ 30s.
    seednumber (opcional)Resultados reproducibles.
    negative_prompt—No soportado. Se elimina silenciosamente.
    sound—No soportado — el audio es intrínseco a cada salida.

    Media fuente (source_media_urls): 7 slots de referencia en total. Un único vídeo de referencia consume 2 slots; cada character_id consume 1 slot; las imágenes ocupan el resto. Máximo 1 vídeo por petición; pasar una URL de vídeo requiere una variante -video-ref (variante de duración + vídeo devuelve variant_mismatch). La ventana del clip director es por defecto los primeros 10 segundos; sobrescribe con video_trim_start_s / video_trim_end_s. Las URLs de archivos de audio no se aceptan (devuelve unsupported_audio_url); usa voice_id en su lugar.

    Herramientas complementarias (úsalas junto con las generaciones de Gemini Omni):

    HerramientaPropósito
    list_gemini_omni_voicesCatálogo estático de las 30 voces (id, label, género, carácter, preview_url a un sample mp3 de ~7s). Gratuito.
    play_gemini_omni_voiceDevuelve la preview_url para un id de voz único — más rápido que pedir el catálogo completo cuando ya conoces la voz. Muestra la URL al usuario para que la escuche antes de usarla.
    list_gemini_omni_charactersLista los personajes guardados del usuario. Cada fila tiene un character_id para pasar a generate_media y un id interno para borrar.
    manage_library(kind="character", action="create", ...)Persiste un personaje nuevo a partir de una imagen de referencia + descripción (+ character_name, voice_id opcionales). Devuelve el character_id opaco del proveedor.
    manage_library(kind="character", action="delete", character_id=...)Borrado local (el proveedor no tiene endpoint de delete). Las generaciones anteriores que usaron ese personaje conservan sus salidas.
    trim_videoRecorta un vídeo fuente largo a la ventana de ≤10s que Gemini Omni requiere para variantes -video-ref. Devuelve una URL alojada lista para usar como source_media_urls.

    Ejemplo de petición (1080p, 6s, vertical, reusando un personaje guardado + voz elegida):

    {
      "model": "gemini-omni-video-1080p-6s",
      "prompt": "Un barista prepara un espresso perfecto, narrando el proceso",
      "aspect_ratio": "9:16",
      "voice_id": "kore",
      "character_ids": ["char_4f2a9b7c"],
      "source_media_urls": ["https://media.kubeez.com/cafe-shot.jpg"]
    }
    

    <a id="gemini-omni-1-2-flash"></a>

    #Gemini Omni 1.2 Flash

    gemini-omni-1-2-flash-* es la versión más reciente de la familia. Omni Video y 1.1 Flash siguen disponibles a su lado. Tiene su propia función edge y sus propias filas de precio: una fila por resolución, facturada por segundo, así que aquí duration es un parámetro real y no parte del id. Qué cambia respecto a 1.1 Flash:

    • cualquier duración en segundos enteros de 3 a 15 s (1.1 Flash ofrece 4, 6, 8 o 10)
    • aspect_ratio también acepta auto
    • la edición de vídeo usa el clip completo, hasta 15 s, sin campos de recorte
    • sin personajes guardados, voces ni referencias de audio. Una solicitud con character_ids, voice_id o una referencia de audio se rechaza con un mensaje que remite a 1.1 Flash, nunca se descarta en silencio. Si necesitas cualquiera de ellos, usa 1.1 Flash.

    Ids de variante (se pasan a generate_media como model). El id fija la resolución:

    ResoluciónId de modelo
    360pgemini-omni-1-2-flash-360p
    720p (recomendado)gemini-omni-1-2-flash-720p
    1080pgemini-omni-1-2-flash-1080p
    4Kgemini-omni-1-2-flash-4k

    gemini-omni-1-2-flash a secas devuelve variant_required, con gemini-omni-1-2-flash-720p como variante recomendada.

    Modos. Uno por solicitud, según las entradas que envíes:

    ModoEntradasDuración
    Texto o imágenes de referenciaprompt, más hasta 6 imágenes en source_media_urls y/o reference_image_urlsduration de 3 a 15 s
    Fotograma inicialfirst_frame_urlduration de 3 a 15 s
    Fotograma inicial y finalfirst_frame_url y last_frame_url, o una sola imagen en source_media_urls más last_frame_url (esa imagen pasa a ser el fotograma inicial)duration de 3 a 10 s
    Edición de vídeoun clip en source_media_urls o reference_video_urls, más hasta 5 imágenessin duration: el resultado dura lo mismo que el clip, hasta 15 s

    Los modos de fotograma van solos: first_frame_url no se combina con imágenes de referencia ni con un clip, y last_frame_url necesita un fotograma inicial. Un clip por sí solo ya es una edición, así que video_edit es opcional. El clip tiene que estar subido a Kubeez (usa antes get_upload_url), porque su duración se mide en el almacenamiento de Kubeez.

    Parámetros:

    ParámetroTipoNotas
    modelstringObligatorio. Uno de los ids de variante de arriba.
    promptstringObligatorio. Hasta 20.000 caracteres.
    resolutionstring (opcional)360p, 720p, 1080p o 4k (en minúscula). Debe coincidir con el id de variante.
    durationstring o integerSegundos enteros: "6", "6s" o 6. De 3 a 15, o de 3 a 10 con fotograma inicial y final. Por defecto 5. Se rechaza en una edición de vídeo, así que no lo envíes ahí.
    aspect_ratiostringauto (por defecto, la forma sigue al fotograma, al clip o a las referencias), 16:9 o 9:16. Un valor vacío, o el 1:1 que MCP pone por defecto, pasa a auto. Cualquier otro valor se rechaza.
    seedinteger (opcional)De 10000 a 99999 para ejecuciones repetibles, o 0 para ninguna.
    source_media_urlsstring[]Imágenes de referencia, el clip, o la imagen inicial (junto con last_frame_url).
    reference_image_urlsstring[] (opcional)Imágenes de referencia. Hasta 6 en total, 5 si adjuntas un clip.
    reference_video_urlsstring[] (opcional)El clip, como alternativa a source_media_urls. Hasta 15 s.
    first_frame_urlstring (opcional)Fotograma de apertura.
    last_frame_urlstring (opcional)Fotograma de cierre. Necesita un fotograma inicial.
    video_editboolean (opcional)No hace falta: un clip por sí solo ya es una edición.
    character_ids, voice_id, referencias de audiono admitidosNo disponibles. Se rechazan con una indicación hacia 1.1 Flash.

    El clip no tiene campos de recorte: acorta antes una fuente más larga con trim_video.

    Facturación. Por segundo de resultado. Las ejecuciones de texto, referencia y fotograma facturan la duration que pidas. Una edición de vídeo factura la duración del clip subido tal como la mide Kubeez, redondeada hacia arriba a segundos enteros; la respuesta REST la indica en billable_seconds. Pide una cotización antes de ejecutar: estimate(model, duration) para texto, imágenes y fotogramas, y estimate(model, reference_video_seconds=<segundos del clip>) para una edición. Sin una duración, estimate cotiza el máximo de 15 s. Tarifas actuales:

    ModeloNombreTarifaUnidad
    gemini-omni-1-2-flash-1080pGemini Omni 1.2 Flash (1080p)17créditos / s
    gemini-omni-1-2-flash-360pGemini Omni 1.2 Flash (360p)7créditos / s
    gemini-omni-1-2-flash-4kGemini Omni 1.2 Flash (4K)35créditos / s
    gemini-omni-1-2-flash-720pGemini Omni 1.2 Flash (720p)15créditos / s

    Ejemplo de solicitud (imágenes de referencia, 720p, 8 s):

    {
      "model": "gemini-omni-1-2-flash-720p",
      "prompt": "La taza de cerámica de la primera imagen se llena despacio de café sobre la mesa de roble de la segunda imagen, con vapor subiendo en la suave luz de la mañana",
      "source_media_urls": [
        "https://media.kubeez.com/mug.png",
        "https://media.kubeez.com/oak-table.jpg"
      ],
      "duration": "8",
      "aspect_ratio": "16:9"
    }
    

    Ejemplo de solicitud (fotograma inicial, 1080p, 12 s):

    {
      "model": "gemini-omni-1-2-flash-1080p",
      "prompt": "La cámara avanza despacio hacia el faro mientras las nubes se abren y el haz de luz barre la bahía",
      "first_frame_url": "https://media.kubeez.com/start.png",
      "duration": "12"
    }
    

    Ejemplo de solicitud (fotograma inicial y final, 720p, 10 s, vertical):

    {
      "model": "gemini-omni-1-2-flash-720p",
      "prompt": "El barco de papel se despliega despacio y vuelve a plegarse hasta convertirse en la grulla de papel, sobre el mismo escritorio de madera",
      "first_frame_url": "https://media.kubeez.com/start.png",
      "last_frame_url": "https://media.kubeez.com/end.png",
      "duration": "10",
      "aspect_ratio": "9:16"
    }
    

    Ejemplo de solicitud (edición de vídeo, 720p, sin duration):

    {
      "model": "gemini-omni-1-2-flash-720p",
      "prompt": "Hazlo de noche, con la calle iluminada por el cartel de neón de la imagen de referencia",
      "source_media_urls": [
        "https://media.kubeez.com/<tu subida>/clip.mp4",
        "https://media.kubeez.com/ref.png"
      ]
    }
    

    Audio en vídeo (dos conceptos):

    1. capabilities.video_audio en get_models — si la salida hay sonido:
      • included: la salida suele incluir pista de audio sin el parámetro sound (p. ej. Veo, Wan, Grok, Motion Control, Gemini Omni Video — este último expone un parámetro voice_id para elegir entre 29 voces built-in).
      • toggle_via_sound_param — el audio generado se activa/desactiva con sound: true / false (Kling 2.6, Kling 3.0). El precio puede variar. Kling 3.0 enruta sound: true a filas dedicadas -audio en el catálogo — tú sigues usando kling-3-0-std / kling-3-0-pro como model id y solo cambias sound; el servidor escoge la fila con la tarifa correcta. Tarifas en vivo:
    ModeloNombreTarifaUnidad
    kling-3-0-proKling 3.0 Pro24créditos / s
    kling-3-0-pro-audioKling 3.0 Pro (with audio)34créditos / s
    kling-3-0-stdKling 3.019créditos / s
    kling-3-0-std-audioKling 3.0 Std (with audio)26créditos / s

    Tarifas por segundo de Motion Control (Kling 3.0 y Kling 2.6):

    Ningún modelo coincide con esta familia. kling-3-0-motion-control,kling-2-6-motion-control

    Seedance 2 también tiene un conmutador de sonido (su propio generate_audio, por defecto true) y es gratis; Seedance 2.5, Seedance 2.5 Flash y FLUX 3 usan sound, también gratis. Kling 3.0 Omni Frames y References cobran el audio mediante sus ids -audio.

    • always_on_flat_rate: el audio se genera siempre y el precio no cambia (kling-3-0-4k). El parámetro sound se acepta, pero no afecta al coste.
    • silent — sin audio generado (solo Seedance 1.0 / v1-pro-fast-i2v).
    1. supports_sound — solo indica que la API acepta el conmutador sound en ese modelo; no significa que el resto de vídeo vaya sin sonido; la mayoría tienen video_audio: included.

    Los modelos solo imagen ignoran sound.

    #Upscale

    Vuelve a generar una imagen existente a mayor resolución y con más detalle, manteniendo su composición, colores y contenido. Llama a generate_media con upscale-1k, upscale-2k o upscale-4k y la imagen en source_media_urls. El esquema exige prompt, pero se ignora, igual que aspect_ratio y negative_prompt. La salida es un PNG.

    ModeloNombreTarifaUnidad
    upscale-1kUpscale 1K22créditos
    upscale-2kUpscale 2K26créditos
    upscale-4kUpscale 4K32créditos
    • Entrada: exactamente una URL pública .jpg / .jpeg / .png / .webp. Una URL de salida de una generación anterior funciona directamente; para un archivo local llama primero a get_upload_url(model_id="upscale-2k").
    • Nivel: elígelo con el id del modelo, o pasa model: "upscale" con resolution: "1K", "2K" o "4K".
    • Facturación: plana por imagen, un precio por nivel. Llama a estimate para el precio exacto y confirma con el usuario antes.
    • Dónde: de momento solo por MCP. La API REST todavía no ejecuta upscale.

    Para cambiar lo que aparece en la imagen, no su resolución, usa un modelo image-to-image.

    #API REST: URLs para archivos locales o del navegador

    Si usas la API HTTP (POST /v1/generate/media) y tus entradas son archivos en disco o seleccionados en el navegador — aún no son URLs públicas — sube cada archivo primero con POST /v1/upload/media. Pasa los valores urls devueltos como source_media_urls.


    <a id="trim_video"></a>

    #trim_video

    Recorta una ventana de cualquier URL de vídeo accesible públicamente y aloja el clip recortado. Kubeez gestiona el recorte server-side y devuelve una url pública que puedes pasar directamente a generate_media como valor de source_media_urls.

    Cuándo usar esta herramienta:

    • El vídeo fuente del usuario es más largo que el límite del modelo para el clip de referencia y quieres resultados deterministas en lugar de depender de los hints de trim del proveedor.
    • Quieres usar una ventana específica de un asset más largo (p. ej. "usa los segundos 5–12, no los primeros 10").
    • Encadenas varias generaciones y quieres una única URL canónica recortada reutilizable entre llamadas.

    Límites por modelo (sáltate el trim cuando la fuente ya encaja):

    ModeloLímite del clip de referenciaNotas
    Gemini Omni Video (variantes -video-ref)≤ 10s ventana de los primeros 30s de la fuenteNecesario cuando una variante de duración + ref de vídeo devuelve variant_mismatch.
    Kling 2.6 / 3.0 Motion Control≤ 30s de vídeo de referenciaEl proveedor trunca clips más largos; recorta explícitamente para un encuadre predecible.
    Seedance 2 / 2 Fast≤ 15s tiempo combinado de vídeo de referenciaSi pasas varios vídeos de referencia, recorta cada uno para que la suma encaje.

    Parámetros:

    ParámetroTipoObligatorioDescripción
    source_urlstringSíURL de vídeo fuente accesible públicamente (URL de upload Kubeez, R2/S3, cualquier CDN público).
    end_snumberSíFin de la ventana de recorte, en segundos. Debe ser > start_s; el rango resultante end_s − start_s está limitado a 60s.
    start_snumberNoInicio de la ventana de recorte, en segundos. Predeterminado 0.

    Devuelve: { url, size_bytes, duration_s, start_s, end_s, elapsed_s }. La url es un enlace público alojado en Kubeez, que puedes usar directamente como valor de source_media_urls. Los clips recortados se guardan igual que cualquier archivo subido: 7 días en el plan gratuito y 30 días en los planes de pago, y después se borran. Trátalos como temporales, no como un asset permanente.

    Flujo típico (Gemini Omni Video con fuente larga del usuario):

    1. get_upload_url(model_id="gemini-omni-video-1080p-video-ref")
           → página de upload presignada
    2. (el usuario sube su clip de 25s a través del enlace)
    3. get_upload_session(token) → { media_urls: ["https://.../source.mp4"] }
    4. trim_video(source_url=media_urls[0], start_s=5, end_s=15)
           → { url: "https://.../trims/<uuid>.mp4", duration_s: 10 }
    5. generate_media(
           model="gemini-omni-video-1080p-video-ref",
           prompt="...",
           source_media_urls=[<url recortada>]
       )
    

    Trim standalone (URL fuente ya pública — sin paso de upload):

    trim_video(source_url="https://media.kubeez.com/<asset>.mp4", start_s=0, end_s=8)
           → { url, duration_s: 8 }
    generate_media(model="kling-3-0-motion-control-1080p", source_media_urls=[<imagen>, <url recortada>], ...)
    

    Errores:

    Código de errorCausa
    missing_source_urlsource_url no fue proporcionado.
    unsafe_source_urlsource_url usa un esquema no-http(s), contiene credenciales embebidas o resuelve a una IP privada/loopback/metadata. Kubeez rechaza acceder a hosts internos — usa una URL pública.
    invalid_trim_rangeend_s ≤ start_s, start_s negativo o valores no numéricos.
    trim_too_longend_s − start_s > 60s.
    source_too_largeVídeo fuente > 500 MB.
    source_fetch_failedLa URL fuente devolvió 4xx, 5xx, fue inaccesible o superó el límite de redirecciones.
    ffmpeg_failedffmpeg rechazó el archivo (códec no soportado / contenedor corrupto).
    processor_timeoutEl servicio de trim excedió su presupuesto de descarga/procesamiento.
    processor_unavailableEl servicio de trim no está disponible temporalmente. Reintenta más tarde o contacta soporte si persiste.

    Ejemplo de petición:

    {
      "source_url": "https://media.kubeez.com/u123/uploads/long-take.mp4",
      "start_s": 5.2,
      "end_s": 14.7
    }
    

    Ejemplo de respuesta:

    {
      "url": "https://<project>.supabase.co/storage/v1/object/public/media-inputs/u123/trims/abc.mp4",
      "size_bytes": 1245678,
      "duration_s": 9.5,
      "start_s": 5.2,
      "end_s": 14.7,
      "elapsed_s": 1.83
    }
    

    Precisión por frame: -c copy alinea el inicio efectivo al keyframe precedente más cercano (desplazamiento ≤ 1 GOP, típicamente ≤ 1s). Comportamiento idéntico al stream-copy MP4 nativo de la web UI. Para cortes precisos por frame, recodifica la fuente previamente — el trade-off es una operación más lenta y con pérdidas, que evitamos deliberadamente aquí.

    No conserves el output: el clip se borra a los 7 días en el plan gratuito o a los 30 días en los planes de pago. Si necesitas que el clip recortado sobreviva a la siguiente generación, usa manage_library(kind="asset", action="add", ...) para copiarlo a la Biblioteca de Assets permanente del usuario.


    #remove_background

    Recorta el sujeto de una imagen. La salida es un PNG con fondo transparente real (alfa), y por eso nunca pides a un modelo de imagen un «fondo transparente»: los modelos de imagen cuecen un relleno blanco o de cuadrícula en los píxeles. No acepta ningún prompt: es una operación sobre una imagen existente, no un modelo de generate_media.

    Se factura plano por imagen. Llama a estimate con model: "remove-background" para el precio exacto y confirma con el usuario antes.

    Parámetros:

    ParámetroTipoObligatorioDescripción
    image_urlstringSíURL HTTPS pública de una imagen .jpg / .jpeg / .png / .webp, máximo 5 MB. Una URL de salida de una generación anterior funciona directamente; para un archivo local llama primero a get_upload_url(model_id="remove-background").

    Respuesta: { generation_id, status: "pending" }. Consulta get_status hasta completed; la URL de salida es el PNG recortado.


    #regenerate

    Vuelve a lanzar una generación de medios anterior con overrides opcionales. El prompt, el modelo, el aspect ratio, source_media_urls y la duración de la fila original se reutilizan salvo que los sobrescribas. Solo medios: música, separación y diálogo tienen que volver a llamar a su herramienta original.

    El coste es idéntico al de una generación nueva, así que confirma con el usuario antes, sobre todo en modelos de vídeo facturados por duración.

    Parámetros:

    ParámetroTipoObligatorioDescripción
    idstringSígeneration_id de una generación de medios tuya.
    promptstringNoReemplaza el prompt original.
    seednumberNoFuerza una semilla nueva. 0 deja que el proveedor elija.
    aspect_ratiostringNoSobrescribe el aspect ratio original.
    negative_promptstringNoSobrescribe el negative prompt original.
    variant_countnumberNo1-4. Lanza N llamadas en paralelo y devuelve N generation_ids.

    #get_status

    Consulta cualquier trabajo por id: generación de medios, de música o separación de audio. El servidor despacha automáticamente según el id, así que una sola herramienta cubre las tres.

    Parámetros:

    ParámetroTipoObligatorioDescripción
    idstringSígeneration_id o separation_id devuelto por la llamada generate_*.
    kindstringNomedia, music o separation. Se salta la búsqueda automática.

    Respuesta: kind (a qué resolvió el id), status (pending, queued, processing, completed, failed), progress y, según el kind, un array outputs (url, thumbnail_url, optimized_url, media_type, dimensiones), un array songs, o vocals_url + instrumental_url. error_message si falla.


    #estimate

    Previsualiza tanto el coste en créditos como el tiempo de procesamiento de una generación sin descontar nada. No inicia ningún trabajo. Obligatorio en todo modelo facturado por duración: cita la cifra al usuario y espera su visto bueno, porque una generación completada no se puede reembolsar.

    Parámetros:

    ParámetroTipoObligatorioDescripción
    modelstringSíEl mismo ID de modelo que pasarías a generate_media o generate_music.
    generation_typestringNoIgual que en generate_media. Predeterminado: text-to-image.
    durationnumber o stringNoSegundos de salida, para modelos de vídeo por segundo.
    soundbooleanNoPredeterminado true, igual que generate_media. Pasa false para ver la tarifa silenciosa en modelos que cobran el audio aparte.
    reference_video_secondsnumberNoDe get_upload_session.media[].duration_seconds. Si lo omites, el servidor factura el tope pesimista.
    reference_audio_secondsnumberNoPara modelos guiados por audio: separación, P-Video con entrada de audio.
    reference_image_countintegerNoSolo MCP. Edición con GPT Image 2.6: cuántas imágenes de referencia vas a adjuntar, para que el presupuesto incluya el cargo por imagen. Si falta en una edición, el presupuesto asume 16 y se marca pessimistic.
    output_format, frame_countstring / integerNoSolo MCP. Igual que en generate_media; un GIF se presupuesta con su propio precio.

    Respuesta: credits (estimated_credits, mode, rate_per_second, explanation, pessimistic) y time (estimated_seconds, source). Cuando credits.pessimistic es true el importe real puede ser menor: haz que el usuario vuelva a subir el archivo con get_upload_url para que se mida la duración, y estima de nuevo.


    #Reglas de modelo

    • Texto a imagen y texto a vídeo: No envíes source_media_urls (salvo que el modelo admita imagen de referencia opcional).
    • Imagen a vídeo e imagen a imagen: Envía URL(s) de imagen (y cuando corresponda, vídeo) en source_media_urls. La mayoría necesitan solo imágenes; algunos (p. ej. Kling 2.6 Motion Control) requieren 1 imagen + 1 vídeo. Respeta los límites de cada modelo.
    • Audio en vídeo: Usa capabilities.video_audio de get_models. included: audio sin el parámetro sound. toggle_via_sound_param: sound es true por defecto; pasa false solo cuando el usuario pida un clip sin sonido (Kling 2.6, Kling 3.0, Seedance 2.5, Seedance 2.5 Flash, FLUX 3, Kling 3.0 Omni). always_on_flat_rate: audio siempre activo con un único precio (kling-3-0-4k). silent: sin audio generado (solo Seedance 1.0). No infieras «sin audio» solo por supports_sound: false.
    • Usa get_models para ver qué modelos admiten qué tipos de generación, input_media_types (p. ej. image, video) y recuentos de entrada obligatorios.

    Consulta Limitaciones para límites de ritmo y créditos. Para una sola tabla de predeterminados API (máx. prompt, entradas, duración, banderas), consulta Requisitos por modelo (API REST).