Panduan AI multimodal — teks, gambar, video, dan audio dalam satu API yang kompatibel dengan OpenAI

Sebagian besar agregator LLM berhenti pada teks. Begitu produk Anda perlu membuat gambar, mengedit foto, menganimasikan gambar diam menjadi video, mengisi suara iklan, atau menggubah musik — Anda kembali mengelola tiga vendor, tiga tagihan, dan tiga SDK tambahan. Kunavo memberi Anda semuanya melalui API yang kompatibel dengan OpenAI yang sama. Panduan ini membahas kapan menggunakan setiap modalitas, menu model per modalitas, dan cara menggabungkannya menjadi pipeline multimodal produksi.

Menu modalitas (dan kegunaan masing-masing)

• Pembuatan teks — Claude Opus/Sonnet/Haiku dan GPT. Gunakan untuk penalaran, chat, output terstruktur. /docs/chat
• Pembuatan gambar (text-to-image) — Nano Banana Pro, GPT-Image-2, Nano Banana 2. Pilihan berbeda berdasarkan kasus penggunaan (lihat perbandingan di bawah)
• Pengeditan gambar (image-to-image) — Nano Banana Edit, GPT-Image-2 Edit. Ganti teks pada kemasan, tukar latar belakang, ubah gaya
• Pembuatan video — Veo 3 Lite/Fast/Quality, Seedance 2 dan Seedance 2 Fast, Wan 2.7. Text-to-video dan image-to-video sama-sama didukung
• Audio — Musik — Suno V5 / V5.5. Lagu lengkap dari sebuah prompt

Jelajahi katalog lengkap di /models.

Memilih model gambar — aturan 30 detik

• Perlu teks bersih pada gambar (mockup UI, poster, tanda)? → Nano Banana Pro. Tidak ada tandingannya
• Prompt literal dan terperinci? → GPT-Image-2. Pemahaman prompt kuat; harga tetap pada setiap resolusi
• Volume tinggi ketika biaya penting? → Nano Banana 2. Termurah pada 1K, fidelitas tetap baik
• Sinematik dengan kedalaman? → Nano Banana Pro. Bokeh-nya benar-benar sinematik

Pendalaman lengkap di perbandingan model gambar kami — perbandingan model gambar langsung kami.

Memilih model video

Tiga keluarga tersedia, dan penagihannya menggunakan unit yang berbeda — Veo 3 per video, Seedance dan Wan per detik output. Harga di bawah adalah tarif katalog:

Karena endpoint tidak bergantung pada model, perpindahan keluarga hanya mengubah field model dan tidak ada yang lain. Mulai cepat video di panduan cepat video Veo 3; detail per model di panduan Seedance API dan Wan API.

Membuat gambar — dasar-dasarnya

# Text-to-image: same OpenAI SDK, different model slug
img = client.images.generate(
    model="nano-banana-pro",          # Google's flagship — best text rendering
    prompt="a marketing hero for a fintech app, isometric, soft blue palette",
    size="1024x1024",
)
print(img.data[0].url)  # permanent: https://files.kunavo.com/...

URL hasil bersifat permanen, baik untuk gambar maupun video: Kunavo mengarsipkan setiap hasil ke CDN files.kunavo.com miliknya dan mengembalikan URL file yang diarsipkan.

Image-to-video — mengubah aset yang sudah ada menjadi gerakan

Anda sudah memiliki fotografi produk di situs. Veo 3 dapat menganimasikan semuanya menjadi klip produk berdurasi 8 detik:

# Image-to-video: upload a hero image, animate into an 8-second product clip
# (every Veo clip is 8 seconds; the Veo models ignore "duration").
# The OpenAI SDK has no method for the video route, so post to it with the
# same client.
video = client.post(
    "/video/generations",
    body={
        "model": "veo-3",
        "prompt": "camera slowly orbits, soft cinematic light, product hero shot",
        "image_url": hero_image_url,
        "aspect_ratio": "9:16",   # vertical for Reels / TikTok / IG short
        "resolution": "1080p",
    },
    cast_to=object,
    options={"timeout": 600.0},   # a clip takes minutes
)
print(video["data"][0]["url"])

Tim pemasaran yang sebelumnya menghabiskan $500-1500 per pengambilan video dapat mengubahnya menjadi klip dari $0,18+ (Veo 3.1 Lite) hingga $1,60+ (Veo 3.1 Quality) ditambah sekitar 30 detik komputasi. Sangat cocok untuk animasi hero e-commerce, tangkapan layar App Store / Play Store, dan showcase produk media sosial.

Menggabungkan modalitas — kekuatan sebenarnya

Alur kerja yang menarik mencampurkan modalitas secara berurutan. Lini produksi klip pemasaran:

# Pipeline: GPT-Image generates a marketing hero, Veo 3 animates it,
# Suno scores the BGM. One API, one bill.
# Here client is AsyncOpenAI(api_key=..., base_url="https://api.kunavo.com/v1").
async def make_marketing_clip(product: dict) -> dict:
    # 1. Hero image
    img = await client.images.generate(
        model="gpt-image-2",
        prompt=f"hero shot of {product['name']}, premium aesthetic",
        size="1024x1792",
    )

    # 2. Animate to 8s vertical (the length of every Veo clip). The SDK has
    #    no method for the video and music routes, so post to them directly.
    video = await client.post(
        "/video/generations",
        body={
            "model": "veo-3",
            "prompt": f"camera orbits {product['name']}, cinematic lighting",
            "image_url": img.data[0].url,
            "aspect_ratio": "9:16",
        },
        cast_to=object,
        options={"timeout": 600.0},
    )

    # 3. BGM
    bgm = await client.post(
        "/audio/music",
        body={
            "model": "suno-v5",
            "prompt": "upbeat synth, 30 seconds, brand-friendly",
        },
        cast_to=object,
        options={"timeout": 600.0},
    )

    return {"video": video["data"][0]["url"], "bgm": bgm["data"][0]["url"]}

Jalankan ini untuk 100 SKU secara paralel dengan asyncio.gather() dan Anda memiliki pipeline produksi katalog pemasaran. Total biaya sekitar $1-2 per SKU dari awal hingga akhir. Bandingkan dengan $500-2000 per aset dari agensi kreatif.

Pertimbangan praktis

• Masa berlaku URL hasil: gambar dan video sama-sama permanen di files.kunavo.com milik Kunavo; URL di host lain adalah URL sementara dari penyedia hulu yang dikembalikan saat pengarsipan gagal (host ulang)
• Waktu pembuatan: gambar sekitar 5-30 detik, video sekitar 30 detik-3 menit, musik sekitar 30 detik. Gunakan force-dynamic di sisi server, dan tampilkan progres kepada pengguna
• Pembuatan yang gagal gratis — Kunavo tidak pernah menagihkan 4xx/5xx, jadi iterasikan prompt dengan bebas
• Rendering teks dalam video: Veo 3 kesulitan dengan teks multi-kata dalam video. Render teks saat pascaproduksi (CapCut, Final Cut, canvas di sisi browser), bukan meminta model merendernya
• Wajah nyata / IP: semua model utama menolak pembuatan selebritas, tokoh politik, dan karakter berhak cipta. Gunakan karakter orisinal atau IP berlisensi
• Rasio aspek: 9:16 (short vertikal), 16:9 (landscape), 1:1 (feed), 4:5 (potret Instagram). Kirim melalui aspect_ratio pada video; pada gambar, gunakan size="1024x1792" dan seterusnya.

Kasus penggunaan multimodal umum (dengan prompt awal)

• Animasi hero produk e-commerce — image-to-video, kamera orbital, 8 detik, 9:16
• Penataan virtual real estat — image-edit untuk menambahkan furnitur ke ruangan kosong
• Produksi carousel pemasaran / Reels — pembuatan gambar batch dalam gaya merek Anda + animasi Veo
• Klip penjelasan edukatif — buat slide sebagai gambar, animasikan dengan Veo 3, beri skor dengan Suno
• Intro podcast & branding audio — musik latar dan sting Suno untuk acara Anda, dibuat dari sebuah prompt
• Pembuatan aset game / aplikasi — potret karakter, ikon item, latar lingkungan melalui Nano Banana Pro / GPT-Image-2

Kapan TIDAK menggunakan multimodal

• Aset merek yang ketat — output model dapat menyimpang, bahkan dengan prompt yang ketat. Gunakan AI untuk variasi dari master yang dirancang manusia, bukan untuk menggantikan master
• Wajah orang nyata — ditolak oleh semua model utama; ada risiko hukum/IP jika Anda mengakalinya
• Video langsung / pembuatan real-time — model saat ini memerlukan 30 detik-3 menit per klip. Belum cocok untuk kasus penggunaan langsung
• Akurasi berisiko tinggi — pencitraan medis, bukti hukum, publikasi ilmiah. Pembuatan multimodal bersifat kreatif, bukan faktual

Multimodal dalam satu tagihan adalah alasan utama Kunavo dibuat. Mulai di /docs/images atau /docs/video untuk referensi endpoint, atau jelajahi /models yang difilter berdasarkan kategori.

Untuk tabel harga per model di balik pipeline ini, lihat perbandingan API pembuatan gambar dan perbandingan API pembuatan video.

Pertanyaan umum