# Venice.ai API 技能 Venice.ai 提供隐私优先的人工智能基础设施，具有未经审查的模型和零数据保留。该 API 与 OpenAI 兼容，允许将 OpenAI SDK 与 Venice 的基本 URL 一起使用。推理在去中心化网络 (DePIN) 上运行，其中节点不会保留用户数据。 ## 快速参考 **基本 URL：** `https://api.venice.ai/api/v1` **身份验证：** `授权：承载 VENICE_API_KEY` **SDK：** 通过自定义基本 URL 使用 OpenAI SDK **API 密钥类型：** `ADMIN` （完全访问权限）或 `INFERENCE` （仅推理） ## 设置从 openai 导入 OpenAI 客户端 = OpenAI( api_key=os.getenv("VENICE_API_KEY"), base_url =“https://api.venice.ai/api/v1” ）从“openai”导入 OpenAI； const 客户端 = 新 OpenAI({ apiKey：process.env.VENICE_API_KEY，基本URL：'https://api.venice.ai/api/v1' }); ## 账户等级等级 |资质 |速率限制 |使用案例 ---|---|---|--- 探索者|专业版订阅 |低 RPM/TPM（~15-25 请求/天）|测试、原型设计付费|美元余额或质押 VVV (Diems) |标准生产限制|商业应用程序合作伙伴|企业协议|定制大批量|企业SaaS ## API 功能 ### 1\.聊天完成具有多模式支持（文本、图像、音频、视频）的文本推理。完成 = client.chat.completions.create( 型号=“llama-3.3-70b”，消息=[ {"role": "system", "content": "你是一个得力助手"}, {“角色”：“用户”，“内容”：“您好！”} ] ） **热门型号：** * `llama-3.3-70b` \- 平衡性能（M 级，128K 上下文） * `zai-org-glm-4.7` \- 复杂任务，深度推理（L 层，128K 上下文） * `mistral-31-24b` \- 视觉 + 函数调用（S 层，131K 上下文） * `venice-uncensored` \- 无内容过滤（S 层，32K 上下文） * `deepseek-ai-DeepSeek-R1` \- 高级推理、数学、编码（L 级，64K 上下文） * `qwen3-235b` \- 大规模 MoE 推理（L 级） * `qwen3-4b` \- 快速、轻量级（XS 层，40K 上下文） **Venice 参数**（通过 Python 中的 `extra_body`，直接在 JS 中）： * `enable_web_search`: "关闭" | “开”| “自动” * `enable_web_scraping`: 布尔值 * `enable_web_itations`: boolean — 添加 `^index^` 引用格式 * `include_venice_system_prompt`：布尔值（默认值：true） * `strip_thinking_response`: 布尔值 * `disable_thinking`: 布尔值 * `character_slug`: 字符串 * `prompt_cache_key`: string — 缓存命中的路由提示 * `prompt_cache_retention`: "默认" | “扩展”| “24小时” 有关完整参数参考，请参阅 [references/chat-completions.md]()。 ### 2\.图像生成根据文本提示生成图像。导入请求响应 = requests.post( “https://api.venice.ai/api/v1/image/generate”， headers={"授权": f"承载 {os.getenv('VENICE_API_KEY')}"}, json={ “型号”：“威尼斯-sd35”， "prompt": "山上的日落", “宽度”：1024， “高度”：1024 } ） # 响应包含图像数组中的 Base64 图像 **图像模型：** 型号|最适合 |定价 ---|---|--- `qwen-图像` |最高品质，编辑 |变量 `威尼斯-sd35` |通用（默认）| ~$0.01/图片 `梦想` |快速生成 | ~$0.01/图片 `flux-2-pro` |专业品质| ~$0.04/图片 `flux-2-max` |高质量输出 | ~$0.02/图片 `nano-banana-pro` |真实感，2K/4K 支持 | $0.18-$0.35 ### 3\.图像放大将图像分辨率提高 2 倍或 4 倍。导入base64 将 open("image.jpg", "rb") 作为 f： image_base64 = base64.b64encode(f.read()).decode("utf-8") 响应 = requests.post( “https://api.venice.ai/api/v1/image/upscale”， headers={"授权": f"承载 {api_key}"}, json={ “图像”：image_base64， “规模”：4#2或4 } ） # 返回原始图像二进制将 open("upscaled.png", "wb") 作为 f： f.write(响应.内容) **定价：** $0.02 (2x), $0.08 (4x) ### 4\.图像编辑（修复）使用人工智能指令修改现有图像。导入base64 将 open("photo.jpg", "rb") 作为 f： image_base64 = base64.b64encode(f.read()).decode("utf-8") 响应 = requests.post( “https://api.venice.ai/api/v1/image/edit”， headers={"授权": f"承载 {api_key}"}, json={ "prompt": "将天空改为日落", "image": image_base64 # 或以 http/https 开头的 URL } ） # 返回原始图像二进制将 open("edited.png", "wb") 作为 f： f.write(响应.内容) **型号：** 使用 Qwen-Image。 **定价：** ~$0.04/编辑。有关所有参数和样式预设，请参阅 [references/image-api.md]()。 ### 5\.视频生成基于异步队列的视频生成。始终先调用“/video/quote”进行定价。 **完整工作流程：** 导入请求导入时间导入base64 api_key = os.getenv("VENICE_API_KEY") 标题= { "授权": f"承载{api_key}", “内容类型”：“应用程序/json” } # 第 1 步：获取报价报价 = requests.post( “https://api.venice.ai/api/v1/video/quote”，标题=标题， json={ “模型”：“kling-2.5-turbo-pro-文本到视频”， “持续时间”：“10秒”， “分辨率”：“720p”， “纵横比”：“16：9”， “音频”：正确 } ） print(f"预计成本：${quote.json()['quote']}") # 第 2 步：对作业进行排队（文本到视频）队列响应 = 请求.post( “https://api.venice.ai/api/v1/video/queue”，标题=标题， json={ “模型”：“kling-2.5-turbo-pro-文本到视频”， "prompt": "一片宁静的森林，阳光透过树木照射进来", "negative_prompt": "质量低，模糊", “持续时间”：“10秒”， “分辨率”：“720p”， “纵横比”：“16：9”， “音频”：正确 } ） queue_id = queue_resp.json()["queueid"] # 第 3 步：轮询直至完成而真实： status_resp = requests.post( “https://api.venice.ai/api/v1/video/retrieve”，标题=标题， json={ “模型”：“kling-2.5-turbo-pro-文本到视频”， “队列ID”：队列ID， “delete_media_on_completion”：错误 } ）如果（status_resp.status_code == 200 和 status_resp.headers.get("Content-Type") == "video/mp4"): 将 open("output.mp4", "wb") 作为 f： f.write(status_resp.content) print("视频已保存！") 打破其他：状态 = status_resp.json() print(f"状态：{status['status']}，持续时间：{status['executionDuration']}ms") 时间.睡眠(10) # 步骤 4：清理（可选 — 从 Venice 存储中删除）请求.post( “https://api.venice.ai/api/v1/video/complete”，标题=标题， json={ “模型”：“kling-2.5-turbo-pro-文本到视频”， “queueid”：queue_id } ） **图像到视频：** 将 open("image.png", "rb") 作为 f： img_b64 = base64.b64encode(f.read()).decode("utf-8") 队列响应 = 请求.post( “https://api.venice.ai/api/v1/video/queue”，标题=标题， json={ "model": "wan-2.5-preview-image-to-video", "prompt": "用轻柔的动作动画这个场景", "image_url": f"data:image/png;base64,{img_b64}", “持续时间”：“5秒”， “分辨率”：“720p” } ） **视频模型：** 型号|类型 |特点 ---|---|--- `kling-2.5-turbo-pro` |文本/图像转视频 |快速、高品质 `wan-2.5-预览版` |图像转视频 |动画专家 `ltx-2-full` |文本/图像转视频 |品质齐全 `veo3-fast` |文本/图像转视频 |速度优化 `sora-2` |图像转视频 |高端品质有关完整参数参考，请参阅 [references/video-api.md]()。 ### 6\.文字转语音将文本转换为具有 60 多种语音的音频。响应 = requests.post( “https://api.venice.ai/api/v1/audio/speech”， headers={"授权": f"承载 {api_key}"}, json={ "input": "您好，欢迎来到威尼斯。", “模型”：“tts-kokoro”， “声音”：“af_sky”， “速度”：1.0，#0.25 到 4.0 "response_format": "mp3" # mp3、opus、aac、flac、wav、pcm } ）将 open("speech.mp3", "wb") 作为 f： f.write(响应.内容) **声音：** `af_sky`、`af_nova`、`am_liam`、`bf_emma`、`zf_xiaobei`、`jm_kumo` 等 50 多种。 **定价：** 每 100 万个字符 3.50 美元。 ### 7\.语音转文本转录音频文件。将 open("audio.mp3", "rb") 作为 f：响应 = requests.post( “https://api.venice.ai/api/v1/audio/transcriptions”， headers={"授权": f"承载 {api_key}"}, 文件={“文件”：f}，数据={ “型号”：“nvidia/parakeet-tdt-0.6b-v3”， "response_format": "json", # json 或文本 “时间戳”：“真实” } ） **格式：** WAV、FLAC、MP3、M4A、AAC、MP4。 **定价：** 每音频秒 0.0001 美元。 ### 8\.嵌入生成用于 RAG 和语义搜索的向量嵌入。响应 = requests.post( “https://api.venice.ai/api/v1/embeddings”， headers={"授权": f"承载 {api_key}"}, json={ “模型”：“文本嵌入-bge-m3”， "input": "隐私优先的人工智能基础设施", "encoding_format": "float" # 或 "base64" } ） ### 9\.视觉（多式联运）使用具有视觉功能的模型分析图像。响应 = client.chat.completions.create( 型号=“mistral-31-24b”，消息=[{ “角色”：“用户”， “内容”：[ {"type": "text", "text": "这张图片里有什么？"}, {“类型”：“image_url”，“image_url”：{“url”：“https://...”}} ] }] ） ### 10\.函数调用定义模型调用的工具。工具=[{ “类型”：“功能”， “功能”：{ “名称”：“获取天气”， "description": "获取当前天气", “参数”：{ “类型”：“对象”， “属性”：{“位置”：{“类型”：“字符串”}}， “必需”：[“位置”] } } }] 响应 = client.chat.completions.create( 模型=“zai-org-glm-4.7”， messages=[{"role": "user", "content": "旧金山天气？"}], 工具=工具） ### 11\.结构化输出获得有保证的 JSON 模式响应。响应 = client.chat.completions.create( 模型=“威尼斯未经审查”，消息=[...], 响应格式={ “类型”：“json_schema”， “json_schema”：{ “名称”：“我的响应”， “严格”：确实， “架构”：{ “类型”：“对象”， “属性”：{“答案”：{“类型”：“字符串”}}， “必需”：[“答案”]， “附加属性”：False } } } ） **要求：** `strict: true`、`additionalProperties: false`、`required` 中的所有字段。 ### 12\.人工智能角色与预定义的人工智能角色交互。 # 列出字符字符 = requests.get( “https://api.venice.ai/api/v1/characters”， headers={"授权": f"承载 {api_key}"}, params={"categories": "哲学", "limit": 50} ).json() # 与角色聊天响应 = client.chat.completions.create( 模型=“威尼斯未经审查”， messages=[{"role": "user", "content": "生命的意义是什么？"}], 额外的身体={ "venice_parameters": {"character_slug": "alan-watts"} } ） ### 13\.模型发现以编程方式查询可用的模型和功能。 # 按类型列出模型模型 = requests.get( “https://api.venice.ai/api/v1/models”， headers={"授权": f"承载 {api_key}"}, params={"type": "text"} # 文本、图像、音频、视频、嵌入 ).json() # 获取自动选择的模型特征特征 = requests.get( “https://api.venice.ai/api/v1/models/traits”，参数={“类型”：“文本”} ).json() # 例如{“默认”：“zai-org-glm-4.7”，“最快”：“qwen3-4b”，“未经审查”：“威尼斯未经审查”} # 使用trait作为模型ID进行自动路由响应 = client.chat.completions.create( model="fastest", # Venice 路由到当前最快的模型消息=[...] ） ## 错误处理 ### 错误代码状态 |错误代码 |意义|行动 ---|---|---|--- 400 | `INVALID_REQUEST` |错误参数 |检查负载架构 401 | 401 `AUTHENTICATION_FAILED` |无效的 API 密钥 |验证密钥和余额 402 | 402 — |余额不足|添加美元或质押 VVV 403 | 403 — |未经授权的访问 |检查密钥类型（ADMIN 与 INFERENCE） 413 | 413 — |有效负载太大 |减少请求大小 415 | 415 — |内容类型无效 |使用“application/json” 422 | 422 — |违反内容政策 |修改提示 429 | 429 `RATE_LIMIT_EXCEEDED` |请求过多 |退避，等待复位 500 | 500 `INFERENCE_FAILED` |模型错误 |后退重试 503 | 503 — |满负荷型号|稍后重试或切换型号 504 | 504 — |超时 |使用流式处理长响应 ### 滥用保护 30 秒内发送超过 20 个失败请求会触发 30 秒的 IP 阻止。始终实施退避。 ### 使用指数退避重试 (Python) 导入时间导入请求从 requests.adapters 导入 HTTPAdapter 从 urllib3.util.retry 导入重试 def create_venice_session(): """创建具有自动重试和退避功能的请求会话。""" 会话 = requests.Session() 重试=重试（总计=3， backoff_factor=1, # 1s, 2s, 4s status_forcelist=[429, 500, 502, 503, 504], allowed_methods = [“POST”，“GET”] ）适配器 = HTTPAdapter(max_retries=重试) session.mount("https://", 适配器) 返回会话会话 = create_venice_session() 响应 = session.post(url, json=payload, headers=headers) ### 使用指数退避重试 (JavaScript) 异步函数 veniceRequest(url, 选项, maxRetries = 3) { for (让尝试 = 0;尝试 <= maxRetries;尝试++) { const 响应 = 等待 fetch(url, 选项); if (response.ok) 返回响应； if ([429, 500, 502, 503, 504].includes(response.status)) { if (尝试 < 最大重试次数) { const 延迟 = Math.pow(2, 尝试) * 1000; console.log(`在 ${delay} 毫秒内重试 ${attempt + 1} (状态 ${response.status})`); 等待新的 Promise(r => setTimeout(r, 延迟)); 继续; } } throw new Error(`威尼斯 API 错误：${response.status} ${response.statusText}`); } } ### 速率限制感知客户端 (Python) 导入时间导入请求威尼斯客户端类： """使用响应标头遵守速率限制的包装器。""" def __init__(self, api_key): self.api_key = api_key self.base_url = "https://api.venice.ai/api/v1" self.session = create_venice_session() self.headers = { "授权": f"承载{api_key}", “内容类型”：“应用程序/json” } def 请求（自身、方法、路径、**kwargs）：响应 = self.session.request( 方法，f"{self.base_url}{path}", headers=self.headers, **kwargs ）剩余 = resp.headers.get("x-ratelimit-remaining-requests") 如果剩余且 int(剩余) <= 1: 重置 = resp.headers.get("x-ratelimit-reset-requests") 如果重置： wait = max(0, float(重置) - time.time()) 时间.睡眠（等待） resp.raise_for_status() 返回响应 ## 响应头监视这些标头以进行生产： * `x-ratelimit-remaining-requests` — 窗口中剩余的请求 * `x-ratelimit-remaining-tokens` — 窗口中剩余的令牌 * `x-ratelimit-reset-requests` — 请求计数重置时的时间戳 * `x-venice-balance-usd` — 美元余额 * `x-venice-balance-diem` — DIEM 余额 * `x-venice-is-blurred` — 图像模糊（安全模式） * `x-venice-is-content-violation` — 违反内容政策 * `x-venice-model-deprecation-warning` — 弃用通知 * `x-venice-model-deprecation-date` — 日落日期 * `CF-RAY` — 支持请求 ID ## 按模型级别划分的速率限制 **文本模型：** 等级 |转速| TPM |示例模型 ---|---|---|--- XS | 500 | 500 1,000,000 | qwen3-4b、美洲驼-3.2-3b S | 75 | 75 750,000 | Mistra-31-24b，威尼斯未经审查中号 | 50 | 50 750,000 |骆驼-3.3-70b、qwen3-next-80b 左 | 20 | 500,000 | zai-org-glm-4.7，deepseek-ai-DeepSeek-R1 **其他端点：** 端点 |转速 ---|--- 图像生成| 20 音频合成| 60 音频转录| 60 嵌入 | 500 视频队列 | 40 视频检索 | 120 ## API 密钥管理 # 以编程方式创建密钥（需要 ADMIN 密钥）卷曲-X POST https://api.venice.ai/api/v1/api_keys \ -H“授权：持有者$VENICE_API_KEY”\ -H“内容类型：application/json”\ -d '{"apiKeyType": "INFERENCE", "description": "我的应用程序", "consumationLimit": {"usd": 100}}' # 检查速率限制和余额卷曲 https://api.venice.ai/api/v1/api_keys/rate_limits \ -H“授权：持有者$VENICE_API_KEY” # 列出键卷曲 https://api.venice.ai/api/v1/api_keys \ -H“授权：持有者$VENICE_API_KEY” # 删除键卷曲-X删除“https://api.venice.ai/api/v1/api_keys?id={key_id}”\ -H“授权：持有者$VENICE_API_KEY” ## 参考文件 * [references/chat-completions.md]() — 完整聊天 API 参数 * [references/image-api.md]() — 图像生成、编辑、放大细节 * [references/video-api.md]() — 视频生成工作流程和参数 * [references/models.md]() — 可用模型、等级、定价和功能

威尼斯艾阿皮

包含技能