एकीकृत मल्टीमॉडल पाइपलाइन
टेक्स्ट, छवि और संदर्भ वीडियो इनपुट एक सर्वर-साइड orchestrator से गुज़रते हैं जो हर दृश्य के लिए सही foundation model चुनता है, providers में पैरामीटर normalize करता है, और एक सुसंगत आउटपुट फ़ॉर्मेट लौटाता है। आप एक प्रॉमpt लिखते हैं; हम model selection, ratio adaptation और audio sync संभालते हैं।