Модель читает изображения, создаёт картинки и видео, а голос собирается связкой из нескольких сервисов. Статьи начинаются с распознавания и OCR, потом переходят к выбору модели для картинок и заканчиваются голосовым агентом, где нужна оговорка: распознавания и синтеза речи в Relay нет.
В каталоге модели разделены по типам: текст, изображения, видео. Текстовые считаются за токены, картинки поштучно, видео за секунду, а подробности лежат на странице о моделях. Читать изображения умеют не все модели. В карточке модели смотрите строку «Изображения на входе». Как вызвать генерацию, описано в документации по изображениям и видео.