Chat-Modelle, die Bilder, Video und Audio erzeugen

Das Modell fragt an, ClawAI erzeugt, das Modell antwortet

Verlangt Ihre Nachricht ein Medium, kann das Chat-Modell eines von drei Tools aufrufen: Bild erzeugen, Video erzeugen oder Audio erzeugen. ClawAI führt das Medien-Modell aus, wartet auf das Ende und gibt das Ergebnis an dasselbe Chat-Modell zurück. Die Antwort, die Sie lesen, stammt also von dem Modell, das gesehen hat, was entstanden ist. Das fertige Bild, Video oder Audio erscheint unter der Antwort. Modelle ohne Tool-Aufrufe behalten die ältere Abkürzung, bei der ein separates Medien-Modell die Anfrage beantwortet.

Funktioniert mit Grok, GPT und Gemini

Jedes Chat-Modell mit Tool-Unterstützung kann die Tools nutzen, darunter Grok-, GPT- und Gemini-Modelle. Ein Modell, das selbst keine Medien erzeugt, etwa Claude, kann sie trotzdem anfordern, weil spezielle Bild-, Video- und Audio-Modelle hinter den Tools die Medien erzeugen und nicht das Chat-Modell.

Bilder, Video und Audio

Bilder stammen von Gemini-, OpenAI- oder xAI-Bildmodellen, Videos von Veo oder Grok Imagine, Audio als Sprache (OpenAI- oder Gemini-Stimmen) oder kurze Musikstücke (Gemini Lyria). Welche Modelle verfügbar sind, hängt davon ab, was der Betreiber angebunden hat. Ein Chat-Modell darf ein Modell nennen, aber nur eines aus der bekannten Liste der Plattform; alles andere fällt auf den Standard zurück.

Warten, Grenzen und Kosten

Die Erzeugung wird wie jede andere Erzeugung abgerechnet: Sie verbraucht das Kontingent Ihres Tarifs oder Ihr Pay-as-you-go-Guthaben und wird abgelehnt, wenn beides nicht reicht. Ein Zug mit Medien wird nicht Wort für Wort gestreamt, weil das Modell auf das Ergebnis warten muss. Eine Antwort kann bis zu zwei Elemente erzeugen, eine Nachricht in der Vergleichsansicht bis zu drei, jeweils mit begrenzter Wartezeit.

Häufig gestellte Fragen

Welche Chat-Modelle können Medien erzeugen?

Jedes Chat-Modell mit Tool-Unterstützung, zum Beispiel Grok-, GPT- und Gemini-Modelle. Die Medien selbst erzeugen Bild-, Video- und Audio-Modelle hinter den Tools, daher kann auch ein Modell wie Claude, das nicht selbst Medien erzeugt, sie anfordern.

Wo funktioniert das?

Im normalen Chat und in den Vergleichsspuren. Die anderen Orchestrierungs-Labore (Konsens, Eskalation, Best-of-N und so weiter) bieten die Medien-Tools noch nicht an; sie behalten das ältere Verhalten, bei dem eine Bildanfrage an ein Bildmodell geht.

Was kostet das?

Jede Erzeugung wird von Ihrem Tarifkontingent oder Ihrem Pay-as-you-go-Guthaben abgezogen, zusätzlich zu den Tokens des Chat-Modells. Die Preisseite zeigt, was jeder Tarif enthält.