图像、视频、语音模型怎么挑：9 + 9 + 6
站内图像模型 9 个、视频模型 9 个、语音模型 6 个：图像走 /images/generations、视频走 /videos（先提交再轮询）、语音走 /audio/transcriptions 或 /audio/speech。
更新于 2026-11-14 · SageLib 团队 · 标签：image、video、audio、multimodal
结论要点
- 图像按张、视频按秒或积分、语音按时长或字符计费，单位不同不要混算
- 视频是异步任务：提交后轮询 /videos/{id}，完成再取回
- 多模态模型的输入模态（能否读图/视频）要看模型详情页
多模态选型先分清「产出什么」，再看端点与计费单位。
三类模型与端点
| 类型 | 数量 | 端点 | 计费单位（常见） |
|---|---|---|---|
| 图像生成 / 编辑 | 9 | /images/generations、/images/edits |
张 / 输出 token |
| 视频生成 | 9 | /videos → /videos/{id} → /videos/{id}/content |
秒 / 积分 |
| 语音转写 / 合成 | 6 | /audio/transcriptions、/audio/speech |
分钟 / 万字符 |
当前在架代表（截至本文更新）
- 图像：
gpt-image-2、gpt-image-2.5-flare、Doubao-Seedream-4.5、Gemini Nano Banana 2.1； - 视频：
Doubao-Seedance-2.5、Kling V3 Omni、Vidu Q3 Pro、MiniMax H3； - 语音：
whisper-1、gpt-4o-transcribe、gpt-4o-mini-tts、index-tts-1.5。
单价与计费单位见各模型详情页的价目表（注意单位说明：张 / 秒 / 积分 / 分钟）。
视频生成的最小调用链
# 1) 提交任务
curl https://api.sagelib.com/videos -H "Authorization: Bearer $KEY" -H "Content-Type: application/json" -d '{"model":"kling-v3-omni","prompt":"海边日落，镜头缓慢推进"}'
# 2) 轮询状态，completed 后取回
curl https://api.sagelib.com/videos/<id> -H "Authorization: Bearer $KEY"
curl https://api.sagelib.com/videos/<id>/content -H "Authorization: Bearer $KEY" -o out.mp4
选型建议
- 只要「能出图」：先挑单价低、支持编辑的型号；
- 需要中文海报/文字渲染：优先支持中文的国产图像模型；
- 视频：先确认时长与分辨率档位，再比单价（按秒计价的差异很大）；
- 语音转写：按语言与是否要说话人分离（diarize）来选。
参考来源
常见问题
视频为什么不能一次返回？
生成时间长，接口是异步设计：提交拿 id，轮询状态，completed 后取回文件。
图像模型的计费单位为什么有 token 和「张」两种？
不同厂商口径不同：有的按输出 token 计费，有的按张计费，价目表里会分别列出。