Guida all'IA multimodale — testo, immagini, video e audio tramite un'unica API compatibile con OpenAI

La maggior parte degli aggregatori LLM si ferma al testo. Nel momento in cui il tuo prodotto deve generare un'immagine, modificare una foto, animare un'immagine fissa in un video, dare voce a un annuncio o comporre musica, ti ritrovi a gestire altri tre fornitori, altre tre fatture e altri tre SDK. Kunavo ti offre tutto tramite la stessa API compatibile con OpenAI. Questa guida spiega quando scegliere ciascuna modalità, il menu dei modelli per modalità e come concatenarle in pipeline multimodali di produzione.

Il menu delle modalità (e a cosa serve ciascuna)

• Generazione di testo — Claude Opus/Sonnet/Haiku e GPT. Da usare per ragionamento, chat e output strutturato. /docs/chat
• Generazione di immagini (testo-immagine) — Nano Banana Pro, GPT-Image-2, Nano Banana 2. La scelta varia in base al caso d'uso (vedi il confronto qui sotto)
• Modifica di immagini (immagine-immagine) — Nano Banana Edit, GPT-Image-2 Edit. Sostituisci il testo sulle confezioni, cambia gli sfondi, modifica lo stile
• Generazione di video — Veo 3 Lite/Fast/Quality, Seedance 2 e Seedance 2 Fast, Wan 2.7. Sono supportati sia testo-video sia immagine-video
• Audio — Musica — Suno V5 / V5.5. Canzoni complete a partire da un prompt

Esplora il catalogo completo in /models.

Scegliere un modello di immagini — la regola dei 30 secondi

• Ti serve testo nitido nell'immagine (mockup UI, poster, insegne)? → Nano Banana Pro. Non c'è confronto
• Prompt letterali e dettagliati? → GPT-Image-2. Comprensione dei prompt eccellente; prezzo fisso a ogni risoluzione
• Grandi volumi in cui il costo è importante? → Nano Banana 2. Il più economico a 1K, con fedeltà elevata
• Stile cinematografico con profondità? → Nano Banana Pro. Il bokeh è davvero cinematografico

Approfondimento completo nel nostro confronto tra modelli di immagini — il nostro confronto aggiornato tra modelli di immagini.

Scegliere un modello video

Sono disponibili tre famiglie, che fatturano in unità diverse: Veo 3 per video, Seedance e Wan per secondo di output. I prezzi seguenti sono le tariffe del catalogo:

Poiché l'endpoint è indipendente dal modello, cambiare famiglia richiede di modificare il campo model e nient'altro. La guida rapida ai video è disponibile nella nostra guida rapida ai video con Veo 3; i dettagli per modello sono nelle guide API Seedance e API Wan.

Generare un'immagine — le basi

# 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/...

Gli URL dei risultati sono permanenti, per le immagini come per i video: Kunavo archivia ogni risultato sulla sua CDN files.kunavo.com e restituisce l’URL del file archiviato.

Immagine-video — porta i tuoi asset esistenti nel movimento

Hai già fotografie dei prodotti sul tuo sito. Veo 3 può animarle in una clip prodotto di 8 secondi:

# 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"])

I team di marketing che in precedenza spendevano $500-1500 per una ripresa video riducono il costo a una clip da $0,18+ (Veo 3.1 Lite) a $1,60+ (Veo 3.1 Quality) più circa 30 secondi di elaborazione. Funziona particolarmente bene per animazioni hero e-commerce, screenshot di App Store / Play Store e vetrine di prodotti sui social media.

Concatenare le modalità — il vero superpotere

I flussi di lavoro più interessanti combinano le modalità in sequenza. Una linea di produzione per clip di marketing:

# 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"]}

Eseguilo per 100 SKU in parallelo con asyncio.gather() e avrai una pipeline di produzione per un catalogo di marketing. Costo totale di circa $1-2 per SKU dall'inizio alla fine. A confronto, un'agenzia creativa costa $500-2000 per asset.

Considerazioni pratiche

• Durata degli URL dei risultati: immagini e video sono entrambi permanenti su files.kunavo.com di Kunavo; un URL su un altro host è quello temporaneo dell’upstream, restituito quando l’archiviazione non è riuscita (ospitalo nuovamente)
• Tempo di generazione: immagine ~5-30 s, video ~30 s-3 min, musica ~30 s. Usa force-dynamic lato server e mostra l'avanzamento agli utenti
• Le generazioni fallite sono gratuite — Kunavo non fattura mai 4xx/5xx, quindi puoi iterare liberamente sui prompt
• Rendering del testo nei video: Veo 3 ha difficoltà con il testo composto da più parole nei video. Esegui il rendering del testo in post-produzione (CapCut, Final Cut, canvas lato browser) invece di chiedere al modello di renderizzarlo
• Volti reali / proprietà intellettuale: tutti i principali modelli rifiutano la generazione di celebrità, contenuti politici e personaggi protetti da copyright. Attieniti a personaggi originali o a proprietà intellettuale autorizzata
• Proporzioni: 9:16 (verticale breve), 16:9 (orizzontale), 1:1 (feed), 4:5 (ritratto Instagram). Passale tramite aspect_ratio nei video; nelle immagini usa size="1024x1792" ecc.

Casi d'uso multimodali comuni (con prompt iniziali)

• Animazioni hero di prodotti e-commerce — immagine-video, telecamera orbitale, 8 secondi, 9:16
• Allestimento virtuale immobiliare — modifica dell'immagine per aggiungere mobili a stanze vuote
• Produzione di caroselli di marketing / Reels — generazione batch di immagini nello stile del tuo brand + animazione Veo
• Clip educative esplicative — genera le slide come immagini, animale con Veo 3, assegna loro una colonna sonora con Suno
• Sigle per podcast e branding audio — basi musicali e stacchi Suno per il tuo programma, generati da un prompt
• Generazione di asset per giochi / app — ritratti di personaggi, icone di oggetti, sfondi ambientali tramite Nano Banana Pro / GPT-Image-2

Quando NON usare il multimodale

• Asset rigorosamente conformi al brand — l'output del modello varia, anche con prompt precisi. Usa l'AI per variazioni su un master progettato da una persona, non per sostituire il master
• Volti di persone reali — rifiutati da tutti i principali modelli; rischio legale/IP se aggiri il rifiuto
• Video live / generazione in tempo reale — i modelli attuali impiegano 30 s-3 min per clip. Non sono ancora adatti ai casi d'uso live
• Accuratezza ad alta criticità — imaging medico, prove legali, pubblicazioni scientifiche. La generazione multimodale è creativa, non fattuale

Il multimodale con un'unica fattura è il vero scopo di Kunavo. Inizia da /docs/images o /docs/video per consultare i riferimenti degli endpoint, oppure esplora /models filtrando per categoria.

Per le tabelle dei prezzi per modello alla base di queste pipeline, consulta il confronto tra API di generazione immagini e il confronto tra API di generazione video.

Domande frequenti