Ezagutza oinarria / Garapitzaileak

Irudiak, audioa eta embeddingak

Appeko generatzaileak eta bilaketaren eraikitzailak: irudiak, bideoa, ahotsa, transkripzioa eta embeddingak, bakoitza zure saldotik erabilera bakoitzaren arabera kobratua.

Orrialde hau automatikoki itzuli da erosotasunerako. Ingelesezko jatorrizkoa da aplikatzen den bertsioa.

Irudiak sortzea

Prompt baten bidez irudi batetatik lauak sortzen ditu eta prest daiteznean itzultzen ditu. Generatzaile multzo bera da... ?image aplikazioan.

POST https://nymbot.ai/api/v1/images/generations — API gako bat behar du, edo Eskaera bakoitzeko Lightning ordainketa bat.

IDak ...-n jatorri dira GET /api/v1/models?type=image. Generatzaile standarda, @cf/black-forest-labs/flux-1-schnell, 5 standard credit (50 sats) fletuko kostua du argazki bakoitzagatik. Beste generator bakoitzak Pro kredituak erabiltzen ditu bere prezioan, ohiko tr agregadoa eta marjinarekin, honako bezala aplikazioa. n argazkien kostua n txan gehiago. Generatzaile batek ez duen talde bat baztertu egiten da, ez hona አለበትu; generatzaile standardak prompta bakarrik erabiltzen du.

resolution ez da erabiltzen: generator bakoitzak bere tamaina egiten du. Era berean url, argazki bakoitza Blossom ospitaltasun publiko batera igotzen da eta bere esteka lortzen duzu (generator batzuk bakarrik ematen dute beren esteka bat, eskaintzen dutena). Esteka horrek duen guztiek ireki dezakete eta berriro ezin da kendu; ikusi APIak zer ikusi dezake. Eraikidetza b64_json argazkia erantzunean bueltatzen da eta ez da inoiz igotzen. Argazkia bidaltzen dena a data: URL sartu image_url modu berean egiaztatzen da bat bezala editatu eta lehen Blossom-era igotzen da generatordeak hartu dezan; eskaerak ordaindu gabe huts egiten badu, berriro ezabatzen da.

Batzuk منهم... n argazkiak huts egiten dira, funtzionatu dutenak jasotzen dituzu, eta horien kostea ordaindu ohi da (funtzionatu ez arren hornitzaileak koblatutakoak gehitu zain) eta nymbot.failed zegatzen du zein diren falta. Guztiak huts egiten badute, eskaerak bileratzen du 502.

Erantzuna

{
  "created": 1790726400,
  "model": "nano-banana",
  "cost": 0.2126,
  "data": [
    {
      "url": "https://blossom.example/5c0e4b7d3a91f2e8...c4.png",
      "content_type": "image/png"
    }
  ],
  "nymbot": { "balance": "pro", "charged_credits": 1.817, "charged_sats": 181.7, "balance_credits": 410.608, "balance_sats": 41060.8 }
}

cURL

curl https://nymbot.ai/api/v1/images/generations \
  -H "Authorization: Bearer $NYMBOT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "nano-banana",
    "prompt": "A lighthouse at dusk, oil painting",
    "size": "16:9"
  }'

Python

import os
import requests

res = requests.post(
    "https://nymbot.ai/api/v1/images/generations",
    headers={"Authorization": "Bearer " + os.environ["NYMBOT_API_KEY"]},
    json={"model": "nano-banana", "prompt": "A lighthouse at dusk, oil painting", "size": "16:9"},
)
res.raise_for_status()
print(res.json()["data"][0]["url"])

JavaScript

const res = await fetch("https://nymbot.ai/api/v1/images/generations", {
  method: "POST",
  headers: {
    "Authorization": "Bearer " + process.env.NYMBOT_API_KEY,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({ model: "nano-banana", prompt: "A lighthouse at dusk, oil painting", size: "16:9" }),
});
const body = await res.json();
console.log(body.data[0].url);

Irudiak editatzea

いgarbituta igotzen duzun irudi bat aldatzen du, agindubeten arabera. OpenAI-ren editatzeko puntua da hau, beraz OpenAI-ren SDKak... images.edit modu berean funtzionatzen du. Soilik Pro generatzaileekin... edit modelo zerrendan onartu ezazu.

POST https://nymbot.ai/api/v1/images/edits — API gako bat behar du, edo Eskaera bakoitzeko Lightning ordainketa bat. Gorputza da multipart/form-data, 32 MB-rata arte.

Bidaltzen duzun irudia PNG, JPEG, WebP edo GIF egokia dela egiaztatzen da, bere mota erreal gisa bidalitakoa, eta Blossom ospatzaile publiko batean jartzen da, generatorrek sarrera lotura bidez hartzen dutelako. Tratatu publiko gisa. Editatzea huts egiten bada eta ez bada ezer kobratzen, gordetako kopia berriro ezabatuko da. Erantzunak generatzeak bezalako forma bera du. Prezioa generatorraren prezioa da, eta generator batzuen kasuan sarrera-irudiaren kostua barne hartzen du.

Erantzuna

{
  "created": 1790726460,
  "model": "nano-banana",
  "cost": 0.2126,
  "data": [{ "b64_json": "iVBORw0KGgoAAAANSUhEUgAA..." }],
  "nymbot": { "balance": "pro", "charged_credits": 1.817, "charged_sats": 181.7, "balance_credits": 408.791, "balance_sats": 40879.1 }
}

cURL

curl https://nymbot.ai/api/v1/images/edits \
  -H "Authorization: Bearer $NYMBOT_API_KEY" \
  -F model=nano-banana \
  -F [email protected] \
  -F prompt="Make it a snowy evening"

Python

import base64, os
from openai import OpenAI

client = OpenAI(base_url="https://nymbot.ai/api/v1", api_key=os.environ["NYMBOT_API_KEY"])

with open("photo.png", "rb") as f:
    result = client.images.edit(model="nano-banana", image=f, prompt="Make it a snowy evening")

with open("edited.png", "wb") as out:
    out.write(base64.b64decode(result.data[0].b64_json))

JavaScript

import fs from "node:fs";
import { writeFile } from "node:fs/promises";
import OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://nymbot.ai/api/v1", apiKey: process.env.NYMBOT_API_KEY });

const result = await client.images.edit({
  model: "nano-banana",
  image: fs.createReadStream("photo.png"),
  prompt: "Make it a snowy evening",
});
await writeFile("edited.png", Buffer.from(result.data[0].b64_json, "base64"));

Bideoa

Bideo batek minutu batzuk hartzen ditu, beraz, atzealdean dabil. Bidaltzen duzu, berehala ID bat lortzen duzu, eta ID horren berri galdetzen ari zara amaitu arte. Bideo generator bakoitzak Pro saldoa gastatzen du.

POST https://nymbot.ai/api/v1/videos — API gako bat behar du, edo Eskaera bakoitzeko Lightning ordainketa bat. Itzulten du 202.

Bidaltzen duzunean prezioa finkoa da, generatoraren, resoluzioaren eta luzeraren arabera, beraz, zerbitzariak lana onartzen duen unean bertan zure Pro saldoaren aurrezki kobratzen da, eta honela erakusten da cost, estimated_cost eta nymbot. Hornitzaileak lanera uko egiten badu, ez da ezer kobratzen. Ondoren renderizazioa huts egiten bada, edo clip amaitua ezin dela gordetzen eta hornitzaileak ez bada hau kobratu, kobratua automatikoki behin itzultzen da. Ordu bat igaro ondoren oraindik martxan dagoen renderizazioa uzten da, eta kobratua mantentzen da, hornitzaileak renderizazioa onartzen duenean kobratzen baitu. Birraraitzeak kredituak itzultzen ditu, baina ez du gakoaren gastu-kontua murrizten.

Erespondia (202)

{
  "id": "vid_3e9a51c07b2f4d86e0a1c4f2",
  "object": "video",
  "model": "veo",
  "status": "in_progress",
  "created": 1790726400,
  "seconds": 8,
  "resolution": "1080p",
  "estimated_cost": 3.18,
  "expires_at": 1790812800,
  "cost": 3.18,
  "nymbot": { "balance": "pro", "charged_credits": 31.8, "charged_sats": 3180, "balance_credits": 378.808, "balance_sats": 37880.8 }
}

status hasiera egiten du bezala in_progress, edo completed bideoarekin denbora denean data generatzaileak berehala itzuli zenean.

Video bat egiaztatzen

GET https://nymbot.ai/api/v1/videos/{id} — bidali duena den nym-ari pertenezkiako giltza bat behar du. Bere muga gainditu duen giltzak oraindik egiaztatu dezake.

Erantzuten du 202 bideoa egiten ari den bitartean eta 200 amaituta dagoenean edo huts egin duenean. Galdetu 5 eta 10 segundo artean behin. Begiraketa bakoitzak hornitzaileari behin galdezten dio eta berehala erantzuten du; ez du inoiz bideoaren zain egon. Lana 24 ordu gordetzen da bidali ondoren. GET /api/v1/videos adierazi giltzaren azken 50 lanak honako hau bezala: {"object": "list", "data": […]}.

Erantzuna (200)

{
  "id": "vid_3e9a51c07b2f4d86e0a1c4f2",
  "object": "video",
  "model": "veo",
  "status": "completed",
  "created": 1790726400,
  "seconds": 8,
  "resolution": "1080p",
  "estimated_cost": 3.18,
  "expires_at": 1790812800,
  "completed_at": 1790726590,
  "data": { "url": "https://blossom.example/9b41d0c2e7a3f658...1e.mp4", "content_type": "video/mp4" },
  "cost": 3.18,
  "nymbot": { "balance": "pro", "charged_credits": 31.8, "charged_sats": 3180 }
}

status da in_progress, completed edo failed. A lan ez egindakoak dakar error ({"code": "generation_failed", "message": …}); bai berrerantzi egin bazuen, cost 0 eta da nymbot gehituak refunded_credits eta refunded_sats. Videoa amaitua Blossom host publiko batean dago, irudi generatuak bezala.

cURL

curl https://nymbot.ai/api/v1/videos \
  -H "Authorization: Bearer $NYMBOT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "veo", "prompt": "Waves rolling onto a beach at sunrise", "duration": 8, "aspect_ratio": "16:9"}'

curl https://nymbot.ai/api/v1/videos/vid_3e9a51c07b2f4d86 \
  -H "Authorization: Bearer $NYMBOT_API_KEY"

Python

import os, time
import requests

headers = {"Authorization": "Bearer " + os.environ["NYMBOT_API_KEY"]}

job = requests.post(
    "https://nymbot.ai/api/v1/videos",
    headers=headers,
    json={"model": "veo", "prompt": "Waves rolling onto a beach at sunrise", "duration": 8, "aspect_ratio": "16:9"},
).json()

while True:
    time.sleep(8)
    status = requests.get("https://nymbot.ai/api/v1/videos/" + job["id"], headers=headers).json()
    if status["status"] in ("completed", "failed"):
        break

print(status["data"]["url"] if status["status"] == "completed" else status["error"])

JavaScript

const headers = {
  "Authorization": "Bearer " + process.env.NYMBOT_API_KEY,
  "Content-Type": "application/json",
};

const job = await (await fetch("https://nymbot.ai/api/v1/videos", {
  method: "POST",
  headers,
  body: JSON.stringify({ model: "veo", prompt: "Waves rolling onto a beach at sunrise", duration: 8, aspect_ratio: "16:9" }),
})).json();

let status;
do {
  await new Promise((r) => setTimeout(r, 8000));
  status = await (await fetch("https://nymbot.ai/api/v1/videos/" + job.id, { headers })).json();
} while (status.status !== "completed" && status.status !== "failed");

console.log(status.status === "completed" ? status.data.url : status.error);

Testua ahotsera

Testua oihukatu egiten du eta audio fitxategia bera itzultzen du, ez esteka bat. OpenAIren hizkuntza puntua da, beraz audio.speech.create OpenAI SDKetan funtzionatzen du.

POST https://nymbot.ai/api/v1/audio/speech — API gako bat behar du, edo Eskaera bakoitzeko Lightning ordainketa bat.

Ahots standardak eskaera bakoitzeko 3 kredi standard (30 sats) finko kostatzen ditu, aplikasionean bezala. Aura 2 Pro da, bidaltzen dituzun karakteren arabera balio duena. Erantzunaren korpua audioa da, konpondentzia bera duenarekin Content-Type; kostua honetan dago X-Nymbot-Cost-Sats titulua. Hitzlarietako modelak huts egiten badu, ez da ezer kobratzen.

Erantzuna

HTTP/1.1 200 OK
Content-Type: audio/mpeg
X-Nymbot-Cost-Sats: 4.2
X-Nymbot-Balance-Sats: 41055.6

(audio bytes)

cURL

curl https://nymbot.ai/api/v1/audio/speech \
  -H "Authorization: Bearer $NYMBOT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "aura-2", "voice": "luna", "input": "Your invoice has been paid."}' \
  --output speech.mp3

Python

import os
from openai import OpenAI

client = OpenAI(base_url="https://nymbot.ai/api/v1", api_key=os.environ["NYMBOT_API_KEY"])

audio = client.audio.speech.create(
    model="aura-2",
    voice="luna",
    input="Your invoice has been paid.",
)
audio.write_to_file("speech.mp3")

JavaScript

import { writeFile } from "node:fs/promises";
import OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://nymbot.ai/api/v1", apiKey: process.env.NYMBOT_API_KEY });

const audio = await client.audio.speech.create({
  model: "aura-2",
  voice: "luna",
  input: "Your invoice has been paid.",
});
await writeFile("speech.mp3", Buffer.from(await audio.arrayBuffer()));

Audio modeloak eta ahatsak

Hizkuntza modelo eta ahots bat, edo transkrirazio modelo bat hautatzeko bi zerrenda publiko. 41 Aura 2 ingelesezko ahots eta MeloTTS hizkuntza lau daude.

GET https://nymbot.ai/api/v1/audio/models — ez du urrari beharrik.

GET https://nymbot.ai/api/v1/audio/voices?language=en — ez du urrari beharrik.

Erantzuna (mozkeriak)

{
  "object": "list",
  "data": [
    { "id": "luna", "name": "Luna", "provider": "deepgram", "model_id": "aura-2", "models": ["aura-2"], "language": "en", "description": "Aura 2 English voice", "gender": "female", "preview_url": null },
    { "id": "en", "name": "MeloTTS English", "provider": "myshell", "model_id": "@cf/myshell-ai/melotts", "models": ["@cf/myshell-ai/melotts", "melotts"], "language": "en", "description": "English (MeloTTS)", "gender": null, "preview_url": null }
  ]
}

Modelen zerrendak erantzunak ematen ditu {"object": "list", "data": {"tts": […], "stt": […]}}. Hitzlarari modelo bakoitzak bere oreka, prezioa ematen du, max_input_chars, response_formats, languages eta default_voice; transkripzio modeloak bere izengoak ematen ditu, max_file_bytes, max_seconds, formatak eta minutu bakoitzeko prezioa.

cURL

curl https://nymbot.ai/api/v1/audio/models
curl "https://nymbot.ai/api/v1/audio/voices?language=en"

Python

import requests

print(requests.get("https://nymbot.ai/api/v1/audio/models").json())
for voice in requests.get("https://nymbot.ai/api/v1/audio/voices", params={"language": "en"}).json()["data"]:
    print(voice["id"], voice["model_id"])

JavaScript

console.log(await (await fetch("https://nymbot.ai/api/v1/audio/models")).json());
const voices = await (await fetch("https://nymbot.ai/api/v1/audio/voices?language=en")).json();
for (const v of voices.data) console.log(v.id, v.model_id);

Hitzak testu bihurtzea

Whisperrekin grabazio bat testu bihurtzen du. OpenAI-ren transkriberatzeko endpointa hau da, beraz audio.transcriptions.create Lan egiten du.

POST https://nymbot.ai/api/v1/audio/transcriptions — API gako bat behar du, edo Eskaera bakoitzeko Lightning ordainketa bat. Gorputza da multipart/form-data.

WAV, WebM, MP4 eta Ogg fitxategietarako, irauera fitxategietatik irakurtzen da prozesua hasi baino lehen, beraz, 30 minutetik gorako grabaketaa lehenengo etapa bertan uko egiten zaio (3 segundoko hobetasun batekin). WAV fitxategi baten irauera bere amostrate, kanalak eta amostra tamainatik dator. Beste formatu batzuen irauera, MP3 bezalakoak, ez da lehenengo etapa bertan irakurri ahalik, beraz, tamainaren arabera mugatzen dira: datu-tasa baxuenetan, Nymbot-ek 8 kbps adierazita, 30 minuta 1,8 MB dira, eta formatu horretako fitxategi handiago bat honen bidez uko egiten zaio: 413 audio_too_long zerbait ez martxan jartzean baino lehen. Bidali grabazio luzeagoak WAV, WebM, MP4 edo Ogg formatuan. Whisper-k 30 minutetik gehiagoraren berri ematen badu ere, eskaera ukoztua da honekin 413 audio_too_long, eta Whisperra funtzatu delako, 30 minutuko kobran egongo dira.

Audioaren iraueraren aldegana ordaintzen duzu, segundo batera igotuta: irailerako irauera handiena fitxategiotik irakurtzen dena, Whisper-ek raportatzen duen irauera, eta fitxategiaren tamainak uzten duen gutxieneko irauera, Whisper-en minutuko prezioan, ordainketa ohikoak eta marjinarekin, eta gutxienez 0.05 creditu eskaera bakoitzeko. Saldo arrotzet ordaintzen da gutxienez gutun hori estali dezakenean, eta Pro-tik beste modu batetik; a 402 ematen du saldo bakoitzak zer behar izango dion. Aplikazioan, ahatsuzko mezu bat transkribatzea doan izan daiteke; APIan beti kobratzen da. Whisper ez badara funtzionatzen, ez da ezer kobratzen.

Erantzuna

{
  "text": "Your invoice has been paid.",
  "usage": { "type": "duration", "seconds": 3 },
  "nymbot": { "balance": "standard", "charged_credits": 0.05, "charged_sats": 0.5, "balance_credits": 120.35, "balance_sats": 1203.5 }
}

text testu lana itzultzen du, srt eta vtt itzuli subtitulak, eta verbose_json hizkuntza, irauera eta denbora markatutako segmentuak gehitzen ditu. JSON ez diren hiruetarako, kostua errelebuetan dago.

cURL

curl https://nymbot.ai/api/v1/audio/transcriptions \
  -H "Authorization: Bearer $NYMBOT_API_KEY" \
  -F [email protected] \
  -F model=whisper \
  -F response_format=json

Python

import os
from openai import OpenAI

client = OpenAI(base_url="https://nymbot.ai/api/v1", api_key=os.environ["NYMBOT_API_KEY"])

with open("memo.m4a", "rb") as f:
    transcript = client.audio.transcriptions.create(model="whisper", file=f)
print(transcript.text)

JavaScript

import fs from "node:fs";
import OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://nymbot.ai/api/v1", apiKey: process.env.NYMBOT_API_KEY });

const transcript = await client.audio.transcriptions.create({
  model: "whisper",
  file: fs.createReadStream("memo.m4a"),
});
console.log(transcript.text);

Hitzetara bertara ingelesezko itzulpena egitea

POST https://nymbot.ai/api/v1/audio/translations — API gako bat behar du, edo Eskaera bakoitzeko Lightning ordainketa bat. Gorputza da multipart/form-data.

Transkrirazio bera, arten ez denak izan bertakoak izanik language, limiteak eta prezioa, baina testua ingelesez datorren guztiz hitz egiten den hizkuntza guzt regardless. OpenAI SDKk hori honela deitzen du audio.translations.create.

cURL

curl https://nymbot.ai/api/v1/audio/translations \
  -H "Authorization: Bearer $NYMBOT_API_KEY" \
  -F [email protected] \
  -F model=whisper

Python

import os
from openai import OpenAI

client = OpenAI(base_url="https://nymbot.ai/api/v1", api_key=os.environ["NYMBOT_API_KEY"])

with open("nota.m4a", "rb") as f:
    translation = client.audio.translations.create(model="whisper", file=f)
print(translation.text)

JavaScript

import fs from "node:fs";
import OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://nymbot.ai/api/v1", apiKey: process.env.NYMBOT_API_KEY });

const translation = await client.audio.translations.create({
  model: "whisper",
  file: fs.createReadStream("nota.m4a"),
});
console.log(translation.text);

Txertatzeak

Testua vektoreak bihurtzen ditu bilaketa, klustertu eta duplikazioak kentzeko. Modelak Cloudflare-n مقرren eta saldo estandarra erabili egiten dute.

POST https://nymbot.ai/api/v1/embeddings — API gako bat behar du, edo Eskaera bakoitzeko Lightning ordainketa bat.

Modelen zerrenda da egiaren iturri tersedia direnak eta zer kostatu ziren jakiteko; Googleren EmbeddingGemma, eskaera bidez vektore laburtuagoekin, bertan agertzen da ere katalogoak prezio bat duenean. Embedding-ak sarrera-token bakoitzaren arabera neurtzen dira, eta 0.05-kreditu minimoa eskaera bakoitzari aplikatzen zaio, ez sarrera bakoitzari, beraz, testu asko eskaera baten barne taldekatu izatea askoz merkeagoa da bakoitza bakoitzera bidali baino.

Erantzuna

{
  "object": "list",
  "data": [
    { "object": "embedding", "index": 0, "embedding": [0.0213, -0.0487, 0.0112] }
  ],
  "model": "@cf/baai/bge-m3",
  "usage": { "prompt_tokens": 9, "total_tokens": 9 },
  "nymbot": { "balance": "standard", "charged_credits": 0.05, "charged_sats": 0.5, "balance_credits": 1204.35, "balance_sats": 12043.5 }
}

cURL

curl https://nymbot.ai/api/v1/embeddings \
  -H "Authorization: Bearer $NYMBOT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "@cf/baai/bge-m3", "input": ["Lightning invoices expire.", "Invoices on Lightning have a time limit."]}'

Python

import os
from openai import OpenAI

client = OpenAI(base_url="https://nymbot.ai/api/v1", api_key=os.environ["NYMBOT_API_KEY"])

result = client.embeddings.create(
    model="@cf/baai/bge-m3",
    input=["Lightning invoices expire.", "Invoices on Lightning have a time limit."],
)
print(len(result.data), len(result.data[0].embedding))

JavaScript

import OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://nymbot.ai/api/v1", apiKey: process.env.NYMBOT_API_KEY });

const result = await client.embeddings.create({
  model: "@cf/baai/bge-m3",
  input: ["Lightning invoices expire.", "Invoices on Lightning have a time limit."],
});
console.log(result.data.length, result.data[0].embedding.length);