درک صدا و ویدیو

تحلیل صدا و ویدیو

در POST /v1/chat/completions می‌توانید متن، تصویر، صدا و ویدیو را در content پیام user ترکیب کنید. این مسیر برای تحلیل ورودی است؛ تولید رسانه همچنان در Studio انجام می‌شود. کلید به responses:write نیاز دارد. پشتیبانی مدل را از input_modalities در GET /v1/models و پذیرش ساروی را از media_input بررسی کنید. مدل ناسازگار پیش از رزرو اعتبار با INPUT_MODALITY_NOT_SUPPORTED رد می‌شود.

قالب ورودی

صدا: {"type":"input_audio","input_audio":{"data":"<BASE64>","format":"wav"}}؛ format می‌تواند mp3 نیز باشد. data فقط Base64 خام است. ویدیو: {"type":"video_url","video_url":{"url":"data:video/mp4;base64,<BASE64>"}}. متن: {"type":"text","text":"چه چیزی در این صحنه می‌بینی و می‌شنوی؟"}. این موارد را در messages:[{role:"user",content:[...]}] بفرستید. هر بخش رسانه حداکثر ۲٬۸۰۰٬۰۰۰ نویسهٔ Base64 و کل بدنه حداکثر ۴ مگابایت است. در این نسخه فقط رسانهٔ درون درخواست پذیرفته می‌شود؛ لینک عمومی/خصوصی و Responses برای صدا و ویدیو پشتیبانی نمی‌شوند. برای ویدیوی طولانی، بخش‌های کوتاه انتخاب کنید. دادهٔ رسانه در پیش‌نمایش گزارش درخواست ذخیره نمی‌شود؛ برای پردازش به ارائه‌دهندهٔ مدل ارسال می‌شود.

اعتبار و خروجی

صدا ممکن است نرخ ورودی متفاوتی داشته باشد. چون حجم فایل فشرده مدت آن را مشخص نمی‌کند، رزرو موقت محافظه‌کارانه براساس ظرفیت زمینهٔ مدل و بیشترین نرخ ورودی اعلام‌شده انجام می‌شود. هزینهٔ نهایی براساس مصرف واقعی ارائه‌دهنده تسویه می‌شود. media_input.input_per_million، context_length و pricing را پیش از ارسال بررسی کنید. سقف حساب، کلید و پروژه همچنان اعمال می‌شوند. JSON Schema و streaming مطابق قابلیت مدل قابل استفاده‌اند؛ فایل‌ها را در رویدادهای گزارش یا کد عمومی قرار ندهید.