KEPLIN Docs

Bilder og lyd

Lage bilder med ai.image, transkribere opptak med ai.transcribe og lage tale med ai.speak.

Hver operasjon bruker et alias med riktig bruk: Bilder for ai.image, Transkripsjon for ai.transcribe og Tale for ai.speak. Uten model= gjelder standardaliaset for den bruken. Ikke alle leverandører gjør disse operasjonene: se Hva hver leverandør gjør.

Lage bilder

from api_manager import ai


def main(input):
    r = ai.image(
        "Fotografia de produto de uma cadeira de madeira, fundo branco",
        size="1024x1024",
        filename="cadeira",
    )
    return {"ficheiro": r["file"]}  # {"token", "filename", "mime", "size"}
  • Bildene havner rett i lagringen til appen. Hvert bilde kommer som filen files.store returnerer (token, filename, mime og size), klar til å lagres i et felt i en post. For bytene bruker du files.read(r["file"]).
  • size er bredde x høyde, for eksempel 1024x1024. Hos Google blir størrelsen til det nærmeste sideforholdet (1:1, 3:4, 4:3, 9:16 eller 16:9).
  • n lager opptil 4 bilder om gangen. r["files"] har alle; r["file"] er det første.
  • filename er filnavnet, uten filtype; uten det heter filen imagem. Filtypen kommer fra bildetypen.
  • Hvis sikkerhetsfiltrene til leverandøren blokkerer forespørselen, kaster ai.image ai.Error med koden invalid_output.

Transkribere lyd

from api_manager import ai


def main(input):
    gravacao = input["args"]["gravacao"]  # et argument av typen Upload i et API
    t = ai.transcribe(gravacao, language="pt", prompt="Keplin, Gestão de Clientes")
    return {"texto": t["text"]}
  • Filen er et argument av typen Upload, tokenet til det, eller det files.store returnerer.
  • Tar imot MP3, MP4, M4A, WAV, WEBM, OGG og FLAC, opptil 25 MB (15 MB hos Google).
  • language er språket som snakkes, med to bokstaver (pt, en). Uten det gjenkjenner modellen språket selv.
  • prompt hjelper med egennavn, forkortelser og tekniske ord som finnes i opptaket.

Lage tale

from api_manager import ai


def main(input):
    voz = ai.speak("A sua encomenda já saiu do armazém.", voice="alloy", filename="aviso")
    return {"ficheiro": voz["file"]}
  • Lyden havner i lagringen til appen, og voz["file"] er filen, som i ai.image. Uten filename heter filen voz.
  • voice er navnet på en av stemmene til leverandøren, for eksempel alloy eller nova hos OpenAI og Kore eller Puck hos Google. Uten det gjelder alloy i OpenAI-formatet og Kore hos Google.
  • format er mp3 (standard), wav, opus, aac eller flac. Google returnerer alltid WAV.
  • instructions sier hvordan det skal snakkes (tone, tempo, følelse), i modellene som støtter det.

Vanlige spørsmål

Kan jeg redigere et bilde som finnes fra før? Nei: ai.image lager nye bilder ut fra tekst. For å beskrive eller analysere et bilde bruker du ai.chat med files=.

Kan jeg oversette et opptak? Transkriber det med ai.transcribe og oversett teksten med ai.chat.