Каталог AI моделей и нейросетей: сравнение и цены

Eleven Flash v2 — это англоязычная модель преобразования текста в речь с ультранизкой задержкой от ElevenLabs. Она подходит для разговорных и реальных сценариев использования английского языка и имеет ограничение на запрос в 30,000 символов.

ElevenLabs Scribe v2 — это модель преобразования речи в текст, которая транскрибирует аудио на более чем 90 языках с временными метками на уровне слов, опциональной диаризацией говорящих и тегированием аудио-событий.

ElevenLabs Scribe v2 Medical — это модель преобразования речи в текст, настроенная для клинической и медицинской терминологии, с временными метками на уровне слов, опциональной диаризацией говорящих и тегированием аудиособытий.

GPT-6 Luna Decisions — это GPT-6 Luna, предоставляемый через Decisions API от OpenAI. Вместо генерации текста он анализирует переданный контент в виде state (текст, JSON или изображения) и возвращает типизированные, вероятностные ответы на именованные вопросы в одном запросе: вероятность “да” для вопроса с ответом “да/нет” (noul), вероятность для каждого варианта плюс наиболее вероятный (choice), или вероятность для каждого уровня упорядоченной рубрики плюс ожидаемая оценка (score).

Он создан для классификации, маршрутизации, модерации и оценки по рубрикам, где прикладной код использует пороговые значения возвращаемых чисел, а не анализирует ответ в виде чата. Запрос может содержать до 200 вопросов о том же контенте.

Grok Imagine Video 1.5 Lite — это более быстрая и экономичная модель генерации видео от SpaceXAI, полученная из Grok Imagine Video 1.5. Она поддерживает преобразование текста в видео и изображения в видео, обменивая часть качества на скорость и цену. Вывод в 1080p рендерится в 720p и масштабируется.

Nano Banana 2.1 (Gemini Nano Banana 2.1) — это модель генерации и редактирования изображений от Google на уровне Flash, которая является преемником Nano Banana 2 и Nano Banana Pro. Она улучшает реконтекстуализацию продукта, редактирование на основе масок и чернил, а также фактическую точность, и обеспечивает фотореалистичные оттенки кожи, детализированные материалы, освещение и согласованные фоны. Модель принимает текстовые и графические входные данные, возвращает изображения с дополнительным текстом и поддерживает вывод в разрешениях 1K, 2K и 4K, а также расширенные соотношения сторон.

Mistral Large 4 — это передовая мультимодальная модель (ввод текста и изображений) от Mistral AI, предназначенная для выполнения задач, связанных с рассуждением, программированием и агентными нагрузками. Она предлагает контекстное окно на 512K токенов с возможностью вывода до 256K токенов и поддерживает вызов инструментов и структурированные выводы.

Hy Image 3.5 Preview — это унифицированная модель генерации и редактирования изображений от Tencent. Она обрабатывает преобразование текста в изображение, изображение в изображение и многократное редактирование через одну конечную точку, принимая до 20 эталонных изображений на запрос и создавая вывод с разрешением до 4K. Основанная на базе Hy Image 3.0 с 80B mixture-of-experts, она особенно сильна в обеспечении согласованности объекта при редактировании, композиции, соответствующей запросу, и отображении текста на китайском и английском языках внутри изображений.

Ling 3.1 Flash — это гибридная модель рассуждений типа mixture-of-experts от inclusionAI, с 25 миллиардами активных параметров из 560 миллиардов общих.

Seedream 5.0 Flash — это модель генерации и редактирования изображений от ByteDance Seed. Это быстрый и экономичный уровень семейства Seedream 5.0, подходящий для массового производства и интерактивных рабочих процессов редактирования, требующих точных изменений с низкой задержкой.

FLUX.3 Image — это ведущая модель генерации и редактирования изображений от Black Forest Labs. Она обрабатывает преобразование текста в изображение и многореференционное редактирование с использованием до 10 входных изображений и выполняет рендеринг на фиксированных уровнях разрешения от 768 до 4K с возможностью выбора соотношения сторон. Цены устанавливаются по фиксированной ставке за изображение, которая зависит от выбранного уровня разрешения.

D1 — это структурированная модель принятия решений Liquid AI, которая используется в качестве конечной точки System One. Отправьте состояние вместе с типизированными вопросами, и она вернет выбор, оценку или ответ да/нет, каждый с вероятностью, полученной непосредственно из модели, а не записанной в виде текста. Она подходит для маршрутизации, классификации и проверки политики, где требуется быстрый ответ с оценкой вместо текста.

Clef-flash — это быстрый 9B участник семейства моделей принятия решений Clef с открытым исходным кодом от Cloudflare, являющийся тонкой настройкой Qwen3.5-9B, работающей на Workers AI. Он преобразует состояние (текст или структурированный JSON) плюс схему типизированных вопросов в решения, возвращая откалиброванную вероятность для каждого допустимого варианта каждого вопроса за один проход вперед, вместо генерации токенов. Используйте его для классификации с низкой задержкой, маршрутизации, оценки и установки ограничений через Decisions API. Примечание: в настоящее время Workers AI обрезает длинное текстовое состояние до примерно первых 2K токенов, поэтому содержимое за пределами этого не учитывается; изображения считаются отдельно.

Clef — это открытая модель принятия решений 27B от Cloudflare, являющаяся доработкой Qwen3.8-27B, работающая на Workers AI. Она преобразует состояние (текст или структурированный JSON) плюс схему типизированных вопросов в решения, возвращая откалиброванную вероятность для каждого допустимого варианта каждого вопроса за один проход, вместо генерации токенов. Используйте её для классификации, маршрутизации, оценки, ограничений и управления потоком через Decisions API. Примечание: Workers AI в настоящее время обрезает длинные текстовые состояния до примерно первых 2K токенов, поэтому содержимое за пределами этого объема не читается; изображения считаются отдельно.

MAI-Voice-2.1-Flash — это модель преобразования текста в речь с низкой задержкой от Microsoft AI, оптимизированная для быстрого отклика в реальном времени. Она создает естественную, выразительную речь на 23 языках с интонацией, ритмом и эмоциональными нюансами, близкими к человеческим. Эта модель подходит для голосовых агентов, ассистентов, колл-центров и других интерактивных приложений, где наиболее важны задержка и стоимость.

Harper и Grant поддерживают стили речи agent, customer-call-center, educational и narrator, а многие локальные голоса добавляют эмоциональные стили, такие как excited, happy, sad и whispering.