Guide de démarrage rapide pour les pipelines Vibevoice

Prérequis

Avant l'intégration, assurez-vous d'avoir un compte actif. Inscrivez-vous via Google ou e-mail sur la page Obtenir clé API pour recevoir immédiatement votre clé unique. Aucune carte bancaire n'est nécessaire pour l'essai initial de 0,50 $. Notre LLM sans censure sert l'ID de modèle « uncensored » via un endpoint standard. L'URL de base est https://api.vibevoice.top/v1. Cette configuration fonctionne avec n'importe quel SDK OpenAI, ce qui en fait un remplacement prêt à l’emploi pour de nombreux pipelines existants.

Authentification

Transmettez votre clé API dans l'en-tête Authorization. Le format doit être « Bearer YOUR_API_KEY ». Si la clé est manquante ou invalide, l'API renvoie une erreur 401. Comme nous nous concentrons sur le traitement du texte, assurez-vous que votre pipeline n'envoie que des données textuelles. La clé est liée à un seul compte ; la génération d'une nouvelle clé remplace instantanément l'ancienne. Cette simplicité permet des itérations rapides dans votre environnement de développement.

Envoi d'une requête

Effectuez une requête POST vers /v1/chat/completions. Incluez l'identifiant du modèle, vos messages et tous les paramètres. Voici un exemple de base utilisant cURL :

Copycurl https://api.vibevoice.top/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Write a blunt product review of a cheap VPN."}]
  }'

Cette requête envoie une instruction simple au modèle. La réponse contient le texte généré. Vous pouvez ajuster des paramètres comme la température pour la créativité ou définir des limites strictes sur la longueur de la sortie. Cette approche directe est idéale pour générer des scripts, des légendes ou des variations de prompt pour d'autres outils.

Intégration du SDK Python

Utilisez la bibliothèque Python officielle d'OpenAI. Configurez l'URL de base pour pointer vers notre service. Transmettez votre clé API en tant que api_key. Cela vous permet d'utiliser des méthodes familières comme client.chat.completions.create(). Il s'agit d'une API compatible avec OpenAI, donc votre structure de code existante nécessite probablement peu de modifications. Cette méthode est parfaite pour le traitement en arrière-plan ou les tâches d'extraction de données.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.vibevoice.top/v1", api_key="YOUR_KEY")

resp = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Summarise this thread without softening it."}],
)
print(resp.choices[0].message.content)

N'oubliez pas de gérer les exceptions correctement. Les erreurs réseau ou les limites de débit peuvent interrompre votre pipeline. La journalisation de la réponse aide à déboguer pourquoi un prompt spécifique a été refusé ou a généré une sortie inattendue.

Intégration du SDK Node

Pour les environnements JavaScript, utilisez le package npm openai. Définissez les propriétés apiKey et baseURL dans l'objet de configuration. Cela garantit que les requêtes atteignent l'endpoint correct. Le SDK Node.js prend en charge les mêmes paramètres que la version Python. Il est idéal pour les serveurs web ou les fonctions edge qui doivent générer du texte à la demande.

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.vibevoice.top/v1", apiKey: process.env.API_KEY });

const resp = await client.chat.completions.create({
  model: "uncensored",
  messages: [{ role: "user", content: "Draft a villain monologue for my game." }],
});
console.log(resp.choices[0].message.content);

Assurez-vous de gérer le cycle de vie de l'objet client pour éviter les fuites de ressources. Cette intégration est robuste pour gérer les tâches de génération de texte asynchrones dans les applications web modernes.

Réponses en streaming

Activez le streaming en définissant stream sur true dans votre requête. L'API renvoie des données par morceaux au fur et à mesure de leur génération. Cela est utile pour les affichages en temps réel ou le rendu progressif du texte. Le dernier morceau inclut les statistiques complètes d'utilisation des tokens. Le streaming réduit la latence perçue pour les utilisateurs finaux.

Copystream = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Tell the story in second person."}],
    stream=True,
)
for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

Gérez correctement le stream pour garantir que toutes les données soient traitées. Si la connexion tombe, vous risquez de manquer les données d'utilisation finales. Cette fonctionnalité est précieuse pour les applications qui doivent afficher du texte au fur et à mesure de son écriture.