ورودی چندرسانه‌ای: تصویر و PDF (همراه با صوت و اسناد)

مدل‌های چندوجهی (Vision) راهیانا امکان ارسال تصاویر و فایل‌های PDF را در کنار متن فراهم می‌کنند. این قابلیت برای کاربردهایی مانند تحلیل تصویر، استخراج اطلاعات از اسناد، OCR و ... قابل استفاده است.

• ورودی تصویر و PDF فقط توسط مدل‌هایی که supportsVision یا inputModalities شامل image یا pdf دارند پشتیبانی می‌شود.

• برای مشاهده مدل‌های پشتیبان، به صفحه مدل‌ها مراجعه کنید.

1. درخواست خود را به /api/v1/chat/completions ارسال کنید.

2. در آرایه messages، ورودی تصویر را با نوع image_url و ورودی PDF را با نوع file قرار دهید.

3. برای تصاویر، می‌توانید URL یا داده Base64 ارسال کنید. برای PDF فقط داده Base64 (data URL) مجاز است.

4. پیشنهاد می‌شود ابتدا متن (prompt) و سپس تصویر/PDF را در آرایه content قرار دهید.

• فرمت file_data برای PDF باید data URL باشد (مثال: data:application/pdf;base64,...).

• فرمت‌های پشتیبانی‌شده تصویر برای data URL: image/png، image/jpeg، image/webp.

نمونه کدهای ارسال تصویر (URL و Base64) و PDF (Base64) در چند زبان:

curl -X POST https://rahyana.ir/api/v1/chat/completions   -H "Authorization: Bearer YOUR_RAHYANA_API_KEY"   -H "Content-Type: application/json"   -d '{
    "model": "some-vision-model-slug",
    "messages": [
      {
        "role": "user",
        "content": [
          {"type": "text", "text": "این تصویر را توصیف کن:"},
          {
            "type": "image_url",
            "image_url": {
              "url": "https://example.com/image.jpg"
            }
          }
        ]
      }
    ],
    "max_tokens": 300
  }'

# رشته base64 تصویر خود را آماده کنید (مثلاً: base64_image_data=$(base64 -w 0 your_image.jpg))
# مقدار YOUR_BASE64_ENCODED_IMAGE_DATA و YOUR_MIME_TYPE را جایگزین کنید

curl -X POST https://rahyana.ir/api/v1/chat/completions   -H "Authorization: Bearer YOUR_RAHYANA_API_KEY"   -H "Content-Type: application/json"   -d '{
    "model": "some-vision-model-slug",
    "messages": [
      {
        "role": "user",
        "content": [
          {"type": "text", "text": "محتوای این تصویر چیست؟"},
          {
            "type": "image_url",
            "image_url": {
              "url": "data:YOUR_MIME_TYPE;base64,YOUR_BASE64_ENCODED_IMAGE_DATA"
            }
          }
        ]
      }
    ],
    "max_tokens": 300
  }'

# رشته base64 فایل PDF خود را آماده کنید (مثلاً: base64_pdf_data=$(base64 -w 0 your_document.pdf))
# مقدار YOUR_BASE64_ENCODED_PDF_DATA را جایگزین کنید

curl -X POST https://rahyana.ir/api/v1/chat/completions   -H "Authorization: Bearer YOUR_RAHYANA_API_KEY"   -H "Content-Type: application/json"   -d '{
    "model": "some-vision-model-slug",
    "messages": [
      {
        "role": "user",
        "content": [
          {"type": "text", "text": "این فایل PDF را خلاصه کن:"},
          {
            "type": "file",
            "file": {
              "filename": "document.pdf",
              "file_data": "data:application/pdf;base64,YOUR_BASE64_ENCODED_PDF_DATA"
            }
          }
        ]
      }
    ],
    "max_tokens": 500
  }'

اگر مدل انتخابی از ورودی شما پشتیبانی نکند، پاسخ خطا به‌صورت زیر است:

{
"error": {
"message": "این مدل از ورودی تصویر پشتیبانی نمی‌کند. لطفاً یک مدل سازگار با تصویر انتخاب کنید.",
"type": "invalid_request_error",
"param": "messages",
"code": "unsupported_media_image"
},
"suggested_models": ["gpt-4o-mini", "some-vision-model-slug"]
}

می‌توانید یکی از مدل‌های پیشنهادی را انتخاب کنید یا در صفحه مدل‌ها، مدل سازگار دیگری بیابید.

می‌توانید صوت را به‌صورت audio_url (HTTPS URL یا data URL) یا audio_data (data URL) ارسال کنید. فرمت‌های مجاز: mp3، wav، ogg.

• مثال data URL: data:audio/mpeg;base64,...
• مدل باید inputModalities شامل audio داشته باشد.

curl -s -X POST https://your-host/api/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{  "model": "your-audio-capable-model",  "messages": [    {      "role": "user",      "content": [        { "type": "text", "text": "Transcribe this audio" },        { "type": "audio_url", "audio_url": { "url": "https://example.com/audio.mp3", "format": "mp3" } }      ]    }  ]}'

فایل‌های متنی (JSON، CSV، Markdown، کد و ...) را با document_text ارسال کنید یا از document_url استفاده کنید.

• ساختار: { type: 'document_text', document: { filename?: string, mime?: string, language?: string, text: string } }
• مدل باید inputModalities شامل documents داشته باشد.

DOC_TEXT=$(printf "# Title\nHello" | sed ':a;N;$!ba;s/
/\n/g')curl -s -X POST https://your-host/api/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{  "model": "your-documents-capable-model",  "messages": [    {      "role": "user",      "content": [        { "type": "document_text", "document": { "filename": "note.md", "mime": "text/markdown", "language": "markdown", "text": "'"$DOC_TEXT"'" } }      ]    }  ]}'