Replicate: como usar modelos de IA e entender os custos da API

Verificado na documentação e na página de preços do Replicate em 5 de novembro de 2026. A avaliação se baseia no comportamento documentado e em exemplos de custos calculados.

O que é o Replicate e como ele funciona?

O Replicate executa modelos — programas empacotados que recebem entradas e devolvem saídas — na infraestrutura que ele mesmo gerencia. Sua aplicação envia um prompt, um arquivo ou outra entrada específica do modelo; o Replicate cria uma predição, nome que dá a cada execução, e retorna o resultado ou um identificador de tarefa que pode ser consultado depois. O catálogo reúne modelos de código aberto e proprietários: estar disponível no Replicate não significa, por si só, que um modelo seja de código aberto. Hoje, o Replicate pertence à Cloudflare: o anúncio do Replicate de novembro de 2025 informou que a marca e a API continuariam, e o anúncio de conclusão da Cloudflare confirmou que a empresa passou oficialmente a integrar a Cloudflare em 1 de dezembro de 2025. Essa aquisição não transforma todos os modelos do Replicate em serviços hospedados na borda da rede; escolha com base nos recursos documentados para o endpoint que pretende usar.

Para quem o Replicate vale a pena?

O Replicate faz sentido para quem está adicionando inferência de modelos — a execução de um modelo já treinado — a um produto que já tem como gerenciar usuários, tarefas e arquivos. Um recurso de geração de imagens em um SaaS, um editor de vídeo assíncrono ou um classificador de imagens próprio podem usar esse arranjo. Você deixa de operar servidores com GPU, mas continua responsável pelo fluxo do produto e pela decisão sobre quais resultados são aceitáveis.

A seleção de alternativas depende do que você pretende colocar em produção. As avaliações abaixo consideram o tipo de carga de trabalho; não são um ranking de velocidade medida.

O Modal se encaixa melhor quando você quer definir em Python uma aplicação própria com GPU e seu ambiente; seu modelo de execução definido em código oferece mais controle sobre a aplicação, com mais código de disponibilização sob sua responsabilidade. Veja os preços do Modal para entender a conta que acompanha essa escolha.

fal AI ou Replicate?

O fal merece ser a primeira comparação para um produto centrado em mídia generativa. O Replicate merece esse lugar quando a mesma aplicação também precisa de modelos da comunidade ou de um modelo próprio empacotado. Se ambos oferecem o modelo escolhido, compare as opções de entrada, a unidade de saída, os controles operacionais e a política de dados desses endpoints. Afirmar que uma plataforma é sempre mais rápida ou mais barata não ajuda a tomar uma decisão de compra.

Deixe de começar pelo catálogo se sua decisão já passou a ser a contratação contínua de capacidade de hardware. O comparativo de provedores de GPU na nuvem cobre essa etapa seguinte. Da mesma forma, quem não é técnico e procura um agente de suporte ou um aplicativo de edição de vídeo pronto deve contratar a aplicação; um endpoint de modelo ainda deixa bastante trabalho de produto por fazer.

Como executar um modelo: da escolha à chamada de API

O Replicate simplifica a primeira integração, mas o esquema da API do modelo — a lista de entradas aceitas e campos retornados — continua determinando o que sua aplicação precisa enviar e receber.

Modelos de IA no Replicate

O Replicate separa modelos oficiais de modelos da comunidade. A documentação dos modelos oficiais promete instâncias sempre prontas, APIs de entrada e saída estáveis, manutenção ativa e cobrança previsível por entrada ou saída. Um modelo oficial pode ser chamado pelo proprietário e pelo nome, sem um identificador de versão.

A documentação dos modelos da comunidade descreve condições diferentes: as chamadas de API identificam uma versão específica, a cobrança geralmente acompanha o tempo de hardware e modelos pouco usados podem exigir uma inicialização a frio. Fixar uma versão significa que a requisição aponta para uma revisão específica do pacote; isso não torna iguais as licenças nem os campos de entrada de todos os modelos.

Para um recurso de produto, escolha o modelo antes de escrever a integração. Confira a licença, os tipos de arquivo aceitos, os parâmetros obrigatórios, o formato de saída e a unidade de cobrança. Copiar uma requisição de um modelo de imagem e trocar seu nome pelo de um modelo de voz não basta, porque as entradas são diferentes.

Como gerar imagens com o Replicate AI

O Replicate oferece geração de imagens por endpoints de modelos individuais. O Black Forest Labs FLUX Schnell, por exemplo, recebe um prompt de texto e retorna imagens geradas. Quem está adicionando geração de imagens conceituais a um produto pode primeiro escolher as entradas na interface do modelo pelo navegador e depois usar o mesmo esquema no backend.

Crie um token de API na sua conta e coloque-o na variável de ambiente REPLICATE_API_TOKEN do backend. A documentação de tokens trata esses tokens como senhas; mantenha-os fora do código enviado ao navegador e use tokens separados para cada ambiente.

Com essa variável definida, a requisição HTTP abaixo pode ser executada. Ela usa sua conta do Replicate e pode gerar a cobrança prevista para o modelo.

curl --fail-with-body --silent --show-error \
  https://api.replicate.com/v1/models/black-forest-labs/flux-schnell/predictions \
  --request POST \
  --header "Authorization: Bearer $REPLICATE_API_TOKEN" \
  --header "Content-Type: application/json" \
  --header "Prefer: wait" \
  --data '{"input":{"prompt":"A matte ceramic teapot on a wooden kitchen table","num_outputs":1}}' \
  > prediction.json

A resposta é um objeto de predição. Inspecione os campos status, output e error, em vez de presumir que uma requisição HTTP bem-sucedida significa que a geração terminou. A documentação de criação de predições especifica uma espera padrão de 60 segundos quando se usa Prefer: wait. É uma configuração de espera da requisição, não uma promessa de latência. Se a execução ainda não tiver terminado, a resposta contém uma predição com estado starting ou processing e um endereço urls.get para consultas posteriores.

Remova Prefer: wait para usar o comportamento assíncrono padrão. Nesse caso, a API retorna um identificador de tarefa sem esperar a conclusão. Modelos oficiais, modelos da comunidade e implantações têm rotas diferentes de criação, documentadas na referência da API HTTP; use o exemplo gerado para o modelo ou a implantação escolhida.

Como processar vídeo, voz e texto em segundo plano

Para tarefas mais longas, o Replicate funciona melhor quando a aplicação mantém um registro da tarefa e coleta os resultados após o envio. Um webhook — uma notificação HTTP enviada ao seu servidor — permite que a aplicação reaja à conclusão sem deixar o usuário esperando por uma requisição aberta.

Imagine um produto que transforma um roteiro aprovado pelo cliente em um clipe ilustrado. Gere a mídia, associe o ID da predição à tarefa do cliente e colete os arquivos concluídos antes de montar a entrega. A documentação de webhooks prevê explicitamente salvar dados das predições e passar a saída de um modelo para outro. A orquestração e o estado final da tarefa exibido ao cliente continuam sendo responsabilidade da sua aplicação.

Para vídeo, consulte a coleção de texto para vídeo e depois a API do modelo escolhido. Modelos de texto para vídeo e de imagem para vídeo precisam de materiais iniciais diferentes. Salve o modelo selecionado e as entradas junto com a tarefa para conseguir investigar depois um resultado insatisfatório ou uma falha.

Geração de voz com IA no Replicate

A coleção de texto para fala oferece modelos que transformam texto escrito em áudio. Para uma demonstração narrada de produto, escolha um modelo cujos controles de idioma e voz atendam ao roteiro, gere a narração e salve o áudio junto com o restante da tarefa. A presença de modelos de voz não comprova, por si só, que eles sejam adequados a uma conversa telefônica interativa; isso exige avaliar o comportamento de resposta do endpoint escolhido dentro da sua aplicação.

O Replicate também hospeda grandes modelos de linguagem, que geram e interpretam texto, incluindo os da sua coleção de modelos de linguagem. Use um deles para preparar a narração ou classificar uma solicitação recebida e valide a saída antes de passá-la à próxima etapa. Mantenha a revisão do roteiro e a montagem final no fluxo da aplicação para que um resultado intermediário ruim não vire uma entrega concluída ao cliente.

Como implantar seu próprio modelo com o Cog

O Replicate pode servir seu próprio modelo treinado quando o catálogo público não contém a lógica de que você precisa. O Cog é a ferramenta de código aberto que empacota código, dependências e pesos do modelo em um contêiner, um ambiente de software reproduzível.

Uma loja que já tem um classificador de imagens de produtos, por exemplo, pode empacotá-lo e disponibilizá-lo como uma API privada. Esse fluxo serve para implantar um modelo que você já possui. Enviar uma pasta não treina, por si só, um classificador útil.

O guia de implantação de modelos próprios e o guia de envio com Cog descrevem o caminho a seguir.

O principal desafio prático é assumir a responsabilidade pelo pacote. Você deixa de operar o cluster de GPUs, mas ainda precisa de código de inferência funcional, dependências compatíveis, hardware adequado e um modelo que produza resultados úteis. Se o modelo exige mais memória do que a máquina escolhida oferece, envolvê-lo em uma API não elimina essa necessidade.

Como controlar a capacidade com uma implantação

As implantações do Replicate oferecem um endpoint dedicado e controle sobre hardware e escalabilidade. Isso importa quando um modelo se torna uma dependência do produto e uma fila compartilhada deixa de ser aceitável para a operação.

A documentação de implantações descreve quantidades mínima e máxima de instâncias, redução a zero, monitoramento e atualizações graduais de versão. Uma instância é uma cópia do modelo em execução. Um mínimo de 1 mantém uma cópia disponível; um mínimo de 0 permite desligar a capacidade sem uso. Manter uma cópia pronta não significa que um pico ilimitado de tráfego dispense capacidade adicional.

Para um classificador de imagens usado por clientes, escolha o mínimo conforme a necessidade de resposta e o máximo conforme a capacidade que você aceita pagar. Acompanhe instâncias ativas, ociosas e em inicialização, além de erros e latência das requisições. Se a implantação fica ociosa durante boa parte do dia, essa escolha de capacidade precisa entrar na revisão de custos. Se ela atinge o máximo repetidamente, aumentar as tentativas de chamada à API não cria mais capacidade configurada.

Quanto custa usar o Replicate?

O Replicate cobra por uso, com unidade de cobrança definida modelo a modelo. A página de preços informa que alguns modelos cobram por hardware e tempo, enquanto outros cobram por entrada e saída. Não existe um preço único por requisição que represente a plataforma.

Estes são exemplos publicados, sem a afirmação de que sejam os modelos mais recentes ou os melhores para sua carga de trabalho:

Para quem está desenvolvendo um produto pequeno, o ponto de partida sensato é um modelo público com a saída e a unidade de cobrança adequadas. Em um modelo público cobrado por tempo, você paga pelo processamento das suas requisições; inicialização e ociosidade são gratuitas. Implantações e a maioria dos modelos privados mudam essa regra: o tempo de inicialização, atividade e ociosidade das instâncias é faturável. A exceção documentada para modelos privados é um ajuste fino identificado como de inicialização rápida, que cobra apenas pelo tempo de processamento ativo.

A documentação de cobrança também distingue contas pré-pagas de contas com faturamento posterior. O uso pré-pago é descontado dos créditos; contas com faturamento posterior são cobradas no início do mês pelo uso do mês anterior.

Dois exemplos calculados mostram por que essa distinção importa. 10,000 imagens de saída do FLUX Schnell em um mês custam $30 pela tarifa de saída listada, sem incluir outros serviços ou imagens adicionais geradas. Em outro cenário, uma T4 mantida online por um mês de 30 dias custa $583.20: 720 horas multiplicadas por $0.81, sem incluir instâncias extras adicionadas pela escalabilidade. São formas de contratação diferentes, não um benchmark que afirme que uma T4 reproduz a saída ou a capacidade de processamento do serviço de imagens.

A regra geral é que execuções com falha não são cobradas, mas a documentação de cobrança mantém cobranças por instâncias ativas de modelos privados e implantações, pelo tempo consumido antes do cancelamento em modelos cobrados por tempo e por possíveis cancelamentos de modelos oficiais. Um modelo que chama outros modelos também pode gerar cobranças dessas chamadas, inclusive quando a execução como um todo falha. Estime o custo do fluxo completo que você pretende executar.

Limites de produção que pesam na decisão

O Replicate elimina a operação de GPUs da integração inicial, mas a documentação ainda estabelece limites concretos que sua aplicação precisa tratar.

Inicialização a frio e capacidade compartilhada

O Replicate chama a inicialização a frio de cold boot: o modelo precisa carregar seu ambiente e seus pesos antes de processar a requisição. A explicação da arquitetura da plataforma informa que modelos públicos populares costumam permanecer prontos graças ao uso contínuo, enquanto modelos menos usados passam por inicializações a frio com mais frequência. Os modelos oficiais têm o compromisso separado de permanecer sempre prontos, descrito anteriormente.

A consequência é específica: um recurso interativo baseado em um modelo da comunidade pouco usado precisa de um estado de espera ou de uma implantação configurada para manter capacidade disponível. Um processamento em lote em segundo plano pode tolerar a inicialização de forma diferente de um usuário esperando um resultado imediato. Não existe um valor universal de latência que substitua a avaliação daquele modelo e daquela carga de trabalho.

Os limites de requisições ficam mais restritos quando o crédito diminui

A documentação de limites de requisições especifica 600 requisições de criação de predições por minuto e 3,000 requisições por minuto para os demais endpoints. Picos curtos acima dos padrões são possíveis; a limitação retorna HTTP 429, e limites maiores exigem contato com o Replicate. São limites de requisições à API, não uma promessa de que o modelo conclua essa quantidade de tarefas por minuto.

Uma restrição menos óbvia é o saldo da conta. O Replicate aplica limites mais rigorosos conforme o crédito diminui e recomenda recarga automática para manter o saldo acima de $20. Contas com créditos concedidos e sem forma de pagamento têm um limite separado de 1 requisição por segundo, limitado a 6 por minuto.

Isso significa que uma fila pode ficar mais lenta por causa do estado da cobrança antes mesmo de a equipe de engenharia alterar qualquer configuração de implantação. Monitore o crédito junto com os erros de requisição, use um número limitado de novas tentativas com intervalos crescentes diante de restrições e evite consultas agressivas de status que consumam a cota dos demais endpoints.

API e navegador tratam os dados de formas diferentes

A documentação de retenção de dados informa que parâmetros de entrada, valores e arquivos de saída e logs das predições via API são removidos após uma hora por padrão. Sua aplicação precisa salvar os dados necessários antes dessa remoção. Portanto, a URL de um arquivo retornado não serve como armazenamento permanente dos seus arquivos.

Os dados de predições criadas pelo navegador são mantidos por tempo indeterminado. O site oferece a ação Delete para remover uma predição e seus dados e arquivos de saída associados. Assim, um experimento pelo navegador e uma integração por API têm comportamentos de retenção diferentes; não deduza um a partir do outro.

Em um fluxo de produção, salve a mídia concluída em um armazenamento sob seu controle e retenha o modelo, as entradas e o status da tarefa necessários ao atendimento de suporte. A visibilidade do modelo é outra questão: tornar um modelo próprio privado controla quem pode acessá-lo, mas não estabelece uma promessa diferente de retenção. Da mesma forma, a página de retenção, isoladamente, não sustenta uma afirmação abrangente sobre uso para treinamento, residência regional ou todos os requisitos contratuais de tratamento de dados.

A escolha do modelo continua sendo responsabilidade da aplicação

O catálogo do Replicate é uma camada de distribuição e execução. As permissões comerciais continuam dependendo da licença do modelo escolhido, e os esquemas dos modelos da comunidade variam. Trate uma troca de modelo como uma mudança na aplicação: verifique validação de entradas, arquivos de saída, permissões e custo antes de redirecionar o tráfego de produção. Uma plataforma uniforme não torna todos os modelos intercambiáveis.

Veredito: comece com capacidade compartilhada e tenha um motivo para contratar a dedicada

O Replicate é uma boa escolha quando o valor do produto está no que você constrói ao redor de um modelo, e deixar de operar GPUs permite lançar esse produto mais cedo. Comece com um endpoint público adequado. Prefira um modelo oficial quando a disponibilidade documentada, a interface estável e a unidade de cobrança atenderem ao requisito.

Migre para uma implantação quando houver um motivo claro: código de inferência próprio, controle sobre hardware, capacidade dedicada ou uma instância sempre pronta para um recurso usado por clientes. Inclua o custo de inicialização e ociosidade nessa decisão. Se o requisito principal for um catálogo especializado em mídia, disponibilização de modelos de linguagem, implantação a partir do Hub ou uma aplicação mais ampla de computação em Python, use as alternativas acima para montar sua seleção.

O primeiro marco da implementação deve ser uma tarefa completa: enviá-la, identificar a conclusão, salvar a saída e contabilizar o custo. Só então decida se a produção deve usar o endpoint público ou uma implantação dedicada.

Perguntas frequentes sobre o Replicate

Use o checklist de auditoria de fluxos de trabalho empresariais com IA para mapear o trabalho ao redor do modelo antes de se comprometer com o recurso.