Картинки, ролики и речь
Медиа в API моделей принимается в формах OpenAI SDK на том же адресе https://api.samreshuuu.ru/v1 и с тем же ключом. Модели каждого вида стоят в GET /v1/models со своими architecture.output_modalities и своей формой pricing. Вызов оплачивается с баланса: до работы резервируется цена или верхняя оценка, после ответа списывается то, что получено. Цена каждого вида: цена поставщика плюс наши 20%, в pricing она уже с ними.
Картинки
POST /v1/images/generations рисует картинку, POST /v1/images/edits рисует по входным картинкам, в форме Images API OpenAI: client.images.generate(...) и client.images.edit(...) из OpenAI SDK работают со сменой одного базового адреса. Модели картинок стоят в GET /v1/models с architecture.output_modalities: ["image"]; их pricing: рубли за картинку по разрешению (per_image) или за мегапиксель результата (per_megapixel), отдельно для генерации и для правки. Картинка стоит столько, сколько за неё берёт поставщик, плюс наши 20%.
| Поле | Что значит |
|---|---|
model, prompt | обязательны |
n | от 1 до 4 картинок; каждая резервируется по своей цене до рисования и списывается, только если пришла |
size | ШИРИНАxВЫСОТА или auto (у правки кадр первой входной картинки, иначе 1024x1024) |
seed | зерно первой картинки; у следующих оно растёт на единицу |
resolution, output_format | свои параметры модели, перечислены в controls у GET /v1/models |
image, image[] | входные картинки правки файлами multipart; в JSON: images: [{"image_url": "data:image/png;base64,…"}] |
Ответ: {"created", "data": [{"b64_json", "seed"}], "output_format", "usage": {"images", "cost", "cost_currency"}}. Картинки не хранятся, поэтому response_format: "url" отклоняется; внешний адрес в image_url тоже (пришлите файл). mask, style, stream и параметр, которого у модели нет, отклоняются с 400, а не пропускаются.
Ролики
Ролик рендерится минуты, поэтому вызов асинхронный, в форме Videos API OpenAI: POST /v1/videos сразу отвечает объектом ролика со status: "queued", GET /v1/videos/{id} отвечает, где он сейчас (queued, in_progress, completed, failed), GET /v1/videos/{id}/content отдаёт готовый MP4. В OpenAI SDK это client.videos.create(...), client.videos.retrieve(id) и client.videos.download_content(id). Опрашивайте раз в несколько секунд: частый опрос получает тот же ответ. Модели роликов стоят в GET /v1/models с architecture.output_modalities: ["video"]; их pricing.generation: рубли за секунду (per_second) или за ролик (per_video) по ступени, ступень называют параметры из tier_controls, короче min_seconds не считается.
| Поле | Что значит |
|---|---|
model, prompt | обязательны |
seconds или duration | длина ролика в секундах из списка модели |
resolution, quality, aspect_ratio | свои параметры модели, перечислены в controls у GET /v1/models |
generate_audio | true или false для модели со звуком |
frame_images | ключевые кадры: [{"image_url": {"url": "data:image/png;base64,…"}, "frame_type": "first_frame"}], второй с last_frame; сколько кадров берёт модель, называет max_frame_images |
input_reference | первый кадр файлом multipart (как в OpenAI SDK) или строкой data: в JSON |
Ролик резервируется по своей цене до рендера: цена известна заранее по длине и ступени. Списывается она, когда ролик готов, и тогда же появляется usage.cost; ролик, который не получился, не стоит ничего. Готовый файл отдаётся до expires_at из объекта ролика, потом GET /v1/videos/{id}/content отвечает 410 video_expired. Ролик у нас не хранится: мы передаём файл с площадки поставщика, а он удаляет его в тот же срок. Промпт и кадры тоже не хранятся. Внешний адрес картинки не принимается (пришлите data: или файл), size, input_references (ролик по референсу), seed, callback_url и n больше 1 отклоняются с 400. Липсинк и ролик персонажа через этот API не продаются.
Расшифровка речи
POST /v1/audio/transcriptions переводит запись в текст, в форме audio transcriptions OpenAI: client.audio.transcriptions.create(...) из OpenAI SDK работает со сменой одного базового адреса. Модели речи стоят в GET /v1/models с architecture.input_modalities: ["audio"] и output_modalities: ["transcription"]; их pricing.transcription.per_minute: рубли за минуту записи, max_file_bytes: самый большой файл, который модель примет; запись длиннее режьте сами. Минута стоит столько, сколько за неё берёт поставщик, плюс наши 20%.
Запрос идёт формой multipart. Формат записи поставщик определяет по расширению имени файла (meeting.mp3, call.ogg), поэтому имя с расширением обязательно. Если модель речи недоступна, на время сбоя запись расшифровывает заменяющая модель, которую назначает каталог; поле model ответа называет ту, что расшифровала, и списание идёт по её цене. На пустой или неуверенный ответ замена не включается. Вызов занимает один запрос в минуте ключа, а токены минуты он не тратит.
| Поле | Что значит |
|---|---|
file, model | обязательны; запрос идёт формой multipart, файл не больше max_file_bytes модели |
language | язык записи кодом ISO-639-1 (ru, en); без него модель определяет язык сама |
prompt | подсказка: имена, термины, стиль предыдущего отрывка |
response_format | json (по умолчанию), text или verbose_json |
timestamp_granularities[] | word и segment, только вместе с verbose_json |
Ответ json: {"id", "model", "text", "usage": {"type": "duration", "seconds", "cost", "cost_currency": "RUB"}}. verbose_json добавляет task, language, duration, segments: [{"id", "start", "end", "text"}] и, если просили word, words: [{"word", "start", "end"}]. text отдаёт голый текст.
До расшифровки на балансе резервируется верхняя оценка по размеру файла: самая низкая разумная скорость записи (6 кбит/с) даёт самую длинную запись, которая может уместиться в файл, по цене самой дорогой модели, к которой может уйти вызов, включая её замену на время сбоя. После ответа списываются услышанные секунды по цене минуты модели, которая ответила, остаток резерва возвращается. Запись и текст не хранятся. stream: true, temperature, chunking_strategy, include[], known_speaker_names[] и known_speaker_references[], а также форматы srt, vtt и diarized_json отклоняются с 400, а не пропускаются.
Эмбеддинги
POST /v1/embeddings переводит текст в векторы, в форме embeddings OpenAI: client.embeddings.create(...) из OpenAI SDK работает со сменой одного базового адреса. Модели эмбеддингов стоят в GET /v1/models с architecture.output_modalities: ["embeddings"] и отдельным списком в GET /v1/embeddings/models (без ключа, объекты моделей OpenRouter). У каждой есть context_length, dimensions (длина вектора модели) и, у моделей, которые можно укоротить, min_dimensions; pricing: {"currency": "RUB", "unit_tokens": 1000000, "prompt", "completion": "0"}, рубли за миллион токенов входа. Токен стоит столько, сколько за него берёт поставщик, плюс наши 20%; сегодняшнюю цену называет /v1/models.
| Поле | Что значит |
|---|---|
model, input | обязательны; input это строка или массив до 2048 непустых строк |
encoding_format | float (по умолчанию) или base64: float32 little-endian, как у OpenAI |
dimensions | длина вектора; только у моделей с min_dimensions, от min_dimensions до dimensions |
user | ваш идентификатор конечного пользователя |
Ответ: {"object": "list", "id", "model", "data": [{"object": "embedding", "index", "embedding"}], "usage": {"prompt_tokens", "total_tokens", "cost", "cost_currency": "RUB"}}. Векторы единичной длины: скалярное произведение двух векторов равно их косинусной близости. Модели вроде E5 и Qwen3-Embedding ждут у запроса свою приставку или инструкцию, её пишите в сам текст.
До вызова на балансе резервируется верхняя оценка: токен на каждый байт входа и запас на служебные токены каждой строки. После ответа списываются токены, которые насчитал поставщик, остаток резерва возвращается. Текст и векторы не хранятся. Входы в виде массивов номеров токенов, пустая строка, input_type и dimensions, которые модель дать не может, отклоняются с 400, а не пропускаются.
Переранжирование
POST /v1/rerank упорядочивает документы по близости к запросу, в форме rerank OpenRouter, Jina и Cohere v2. Вызова для него в OpenAI SDK нет: пишите запрос сами или через клиент Cohere или Jina с этим базовым адресом. Модели стоят в GET /v1/models с architecture.output_modalities: ["rerank"], их pricing такой же, как у эмбеддингов: рубли за миллион токенов входа, уже с нашими 20%.
| Поле | Что значит |
|---|---|
model, query, documents | обязательны; документ это строка или {"text": "…"}, не больше 1000 документов |
top_n | сколько лучших вернуть; без него возвращаются все |
return_documents | true (по умолчанию) кладёт текст документа в ответ |
instruction | строка задачи для модели Qwen3 (по умолчанию модель считает задачей веб-поиск) |
user | ваш идентификатор конечного пользователя |
Ответ: {"id", "model", "provider", "results": [{"index", "relevance_score", "document": {"text"}}], "usage": {"total_tokens", "cost", "cost_currency": "RUB"}}. results отсортированы по убыванию relevance_score, index это номер документа в запросе.
До вызова резервируется верхняя оценка: токен на каждый байт запроса, инструкции и документа каждой пары и запас на служебный промпт модели. После ответа списываются токены, которые насчитал поставщик, остаток возвращается. Запрос и документы не хранятся. Документы с картинками, max_tokens_per_doc, rank_fields и max_chunks_per_doc отклоняются с 400.
Синтез речи
POST /v1/audio/speech читает текст вслух, в форме audio speech OpenAI: client.audio.speech.create(...) из OpenAI SDK работает со сменой одного базового адреса. Модели стоят в GET /v1/models с architecture.output_modalities: ["speech"]; у каждой supported_voices (голоса модели, первый по умолчанию), max_input_characters и pricing: {"currency": "RUB", "unit_characters": 1000000, "input_characters"}, рубли за миллион символов текста, уже с нашими 20%. qwen/qwen3-tts говорит на десяти языках, русский среди них.
| Поле | Что значит |
|---|---|
model, input | обязательны; input не длиннее max_input_characters модели (4096 символов) |
voice | один из supported_voices модели; без него первый |
instructions | тон и манера речи, в том числе темп |
response_format | mp3 (по умолчанию), opus, flac, wav или pcm |
user | ваш идентификатор конечного пользователя |
Ответ это сам звук, Content-Type по формату. Расход едет в заголовках: x-request-id, x-usage-characters, x-usage-cost в рублях и x-usage-cost-currency; GET /v1/generation?id=<x-request-id> отвечает о том же вызове.
Цена известна до вызова: резервируются символы текста, после ответа списываются они же. Текст и звук не хранятся. speed, отличный от 1 (просите темп в instructions), формат aac, stream_format: "sse", свой голос объектом и голос, которого нет у модели (alloy и другие голоса OpenAI), отклоняются с 400.
У эмбеддингов, переранжирования и речи вызов списывается целыми копейками с округлением вверх, как любая трата баланса: короткий вызов стоит копейку, даже если по прайсу поставщика он дешевле. Если поставщик отказал, резерв возвращается целиком. Так же, если ответ нельзя прочитать (нет счёта токенов, векторов или звука): вызов отказывается с upstream_reply_unreadable и ничего не стоит.
Частые вопросы
Что будет, если модель расшифровки недоступна?
На время сбоя запись расшифровывает заменяющая модель, которую назначает каталог. Поле model ответа называет модель, которая расшифровала, и списание идёт по её цене минуты. Заменяющая отвечает только на сбой, а не на пустой или неуверенный ответ.
Хранятся ли картинки и ролики?
Нет. Картинка приходит в ответе в base64, ролик отдаётся с площадки поставщика до expires_at и затем удаляется. Промпт, кадры, запись и текст тоже не хранятся.