شروع به کار با هوش مصنوعی OpenAI

هوش مصنوعی OpenAI مجموعه‌ای از مدل‌های پیشرفته است که برای درک و تولید زبان طبیعی، حل مسائل پیچیده، و تعامل انسانی طراحی شده‌است. این فناوری با مدل‌ GPT توانسته در حوزه‌هایی مانند تولید محتوا، برنامه‌نویسی، تحلیل داده و ... نقش مؤثری ایفا کند.

در حال حاضر، لیارا، مدل‌های زیر از OpenAI/GPT را در API خود پشتیبانی می‌کند:

• مدل openai/gpt-4.1-mini
• مدل openai/gpt-4o-mini
• مدل openai/gpt-4.1
• مدل openai/o4-mini
• مدل openai/o4-mini-high
• مدل openai/gpt-5-mini
• مدل openai/gpt-5-nano
• مدل openai/text-embedding-3-small
• مدل openai/text-embedding-ada-002
• مدل openai/text-embedding-3-large
• مدل openai/gpt-5
• مدل openai/o1
• مدل openai/o3
• مدل openai/gpt-5.1-codex
• مدل openai/gpt-5.1
• مدل openai/gpt-5.1-codex-mini
• مدل openai/gpt-image-1.5
• مدل openai/gpt-image-1
• مدل openai/gpt-image-1-mini
• مدل openai/gpt-5.2
• مدل openai/gpt-5.2-chat
• مدل openai/gpt-5.2-codex
• مدل openai/gpt-5.3-codex
• مدل openai/gpt-5.5-pro
• مدل openai/gpt-5.5
• مدل openai/gpt-5.1-codex-max
• مدل openai/gpt-5.4
• مدل openai/gpt-5.4-nano
• مدل openai/gpt-5.4-mini
• مدل openai/gpt-5.4-pro
• مدل openai/gpt-image-2
• مدل openai/o3-mini
• مدل openai/o3-pro
• مدل openai/gpt-5.6-luna
• مدل openai/gpt-5.6-terra
• مدل openai/gpt-5.6-sol
• مدل openai/gpt-5.6-sol-pro
• مدل openai/gpt-5.6-luna-pro
• مدل openai/gpt-5.6-terra-pro
• مدل openai/tts-1
• مدل openai/tts-1-hd
• مدل openai/whisper-large-v3
• مدل openai/gpt-6-astra
• مدل openai/gpt-6-astra-pro
• مدل openai/gpt-image-2.5-sunburst
• مدل openai/gpt-image-2.5-flare
• مدل openai/gpt-6-luna
• مدل openai/gpt-6-luna-pro
• مدل openai/gpt-6-sol-pro
• مدل openai/gpt-6-sol

پس از ایجاد سرویس هوش مصنوعی و دریافت baseUrl و ساخت کلید، می‌توانید مانند دستورات و قطعه‌های کد زیر، از مدل‌های OpenAI استفاده کنید.

برای اتصال به مدل در سطح کد، می‌توانید از دو ابزار استفاده کنید:

• OpenAI SDK: ابزار رسمی ارائه‌شده توسط OpenAI. تمامی مدل‌های ارائه‌شده در لیارا، با این SDK سازگار هستند.
• AI SDK: ابزار ارائه‌شده توسط Vercel. این SDK، تنها برای جاوااسکریپت و تایپ‌اسکریپت در دسترس است.

در ادامه، نحوه اتصال به مدل، هم با OpenAI SDK و هم با AI SDK، بررسی شده است.

OpenAI SDKAI SDK

برای اتصال به مدل با OpenAI SDK، می‌توانید از قطعه کدهای زیر، استفاده کنید.

JavaScriptPHPPythonNET.GocURL

در ابتدا، برای استفاده از مدل هوش مصنوعی مدنظر خود در جاوااسکریپت، باید پکیج openai را نصب کنید. برای این کار، می‌توانید از npm یا yarn استفاده کنید:

کپی

npm install openai # or yarn add openai

سپس، می‌توانید مانند قطعه کد زیر، به مدل هوش مصنوعی خود متصل شوید:

کپی

const OpenAI = require('openai');

const openai = new OpenAI({
baseURL: '<baseUrl>',
apiKey: '<LIARA_API_KEY>',
});

async function main() {
const completion = await openai.chat.completions.create({
  model: '<model_name>',
  messages: [
    {
      role: 'user',
      content: 'Hello!',
    },
  ],
});

console.log(completion.choices[0].message);
}

main();

در قطعه کد‌های فوق، به‌جای <baseUrl>، آدرس سرویس هوش مصنوعی خود را قرار دهید و به‌جای <LIARA_API_TOKEN>، کلید API خود را وارد کنید. همچنین، به‌جای <model_name>، نام یکی از مدل‌های فوق را قرار دهید.

OpenAI SDK

در OpenAI SDK، شما می‌توانید پارامترهای زیر را تنظیم کنید.

در نظر داشته باشید که پارامترهای زیر، ممکن است در برخی از مدل‌ها، پشتیبانی نشوند.

• frequency_penalty: عددی بین -2 تا 2. کاهش یا افزایش احتمال تکرار کلمات پرتکرار در پاسخ. هرچه بالاتر باشد؛ تنوع بیشتر است
• logit_bias: تغییر احتمال ظاهر شدن توکن‌های خاص
• n: تعداد پاسخ‌هایی که قرار است مدل همزمان تولید کند.
• response_format: مدل را مجبور می‌کند خروجی را به فرمت خاصی برگرداند
• seed: مقدار عددی ثابت برای شروع تولید تصادفی، در صورت نیاز، به خروجی‌های قابل تکرار
• stop: آرایه‌ای از رشته‌ها برای اینکه مدل هنگام رسیدن به آن‌ها پاسخ را متوقف کند
• stream: اگر true باشد، پاسخ مدل به صورت استریم ارسال می‌شود. برای پیاده‌سازی‌های real-time یا رابط کاربری، این حالت مفید است
• stream_options: تنظیمات مربوط به حالت stream. فقط وقتی استفاده می‌شود که stream: true باشد
• temperature: عددی بین 0 تا 2. کنترل میزان تصادفی بودن خروجی؛ عدد کمتر، واقع‌گرایی بیشتر و عدد بیشتر، خلاقیت بیشتر
• tool_choice: تعیین کردن اینکه مدل چه زمانی Tool را فراخوانی کند (به‌صورت هوشمند یا همیشه)
• tools: مشخص کردن یک‌سری Tool که مدل در صورت نیاز، آن‌ها را فراخوانی کند
• user: شناسه‌ی کاربر نهایی. برای دسته‌بندی بهتر درخواست‌ها و جلوگیری از سوءاستفاده، به‌کار می‌رود

در ادامه، مثال استفاده از این پارامترها، در زبان‌های مختلف، قرار گرفته است:

Python

کپی

from openai import OpenAI

client = OpenAI(
base_url='<baseUrl>',
api_key='<LIARA_API_KEY>',
)

response = client.chat.completions.create(
  model="<model_name>",
  messages=[
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "write a short article about Machine Learning in json"}
  ],
  frequency_penalty=1.2,
  presence_penalty=1.0,
  temperature=0.8,
  top_p=0.9,
  n=2,
  seed=42,
  stop=["\nUser:", "\nSystem:"],
  logit_bias={"50256": -100}, 
  stream=False,
  stream_options=None,
  response_format={"type": "json_object"},
  tool_choice="auto",
  tools=[
      {
          "type": "function",
          "function": {
              "name": "summarize_text",
              "description": "summarizing a long text",
              "parameters": {
                  "type": "object",
                  "properties": {
                      "text": {"type": "string", "description": "the text should be summarized"}
                  },
                  "required": ["text"]
              }
          }
      }
  ],
)

print(response)

در قطعه کد‌ فوق، به‌جای <baseUrl>، آدرس سرویس هوش مصنوعی خود را قرار دهید و به‌جای <LIARA_API_TOKEN>، کلید API خود را وارد کنید. همچنین، به‌جای <model_name>، نام یکی از مدل‌های فوق را قرار دهید.

برای کار با مدل‌های TTS می‌توانید از ماژول openai استفاده کنید. در ادامه، مثال‌های استفاده از مدل‌های TTS آمده است:

JavaScriptPHPPython.NETGo

کپی

// npm install openai dotenv
require("dotenv").config();

const fs = require("fs");
const OpenAI = require("openai");

const client = new OpenAI({
apiKey: process.env.LIARA_API_KEY,
baseURL: process.env.BASE_URL,
});

async function main() {
const response = await client.audio.speech.create({
  model: process.env.TTS_MODEL_NAME,
  voice: process.env.TTS_VOICE,
  input: "Hello! This audio was generated using OpenAI through Liara.",
  response_format: "mp3",
});

const buffer = Buffer.from(await response.arrayBuffer());

fs.writeFileSync("speech.mp3", buffer);

console.log("Audio saved to speech.mp3");
}

main().catch(console.error);

پروژه کامل قطعه کد فوق در گیت‌هاب لیارا قابل مشاهده و استفاده است.

در قطعه کدهای فوق، به‌جای BASE_URL، آدرس سرویس هوش مصنوعی خود را قرار دهید و به‌جای LIARA_API_KEY، کلید API خود را وارد کنید. همچنین، به‌جای TTS_MODEL_NAME، نام یکی از مدل‌های TTS و به‌جای TTS_VOICE، نام Voice موردنظر را قرار دهید.

TTS_VOICE یک پارامتر در مدل‌های TTS است که مشخص می‌کند مدل هوش مصنوعی با چه صدای از پیش تعریف‌شده‌ای متن را به گفتار تبدیل کند. هر Voice یک پروفایل صوتی مستقل است که ویژگی‌هایی مثل جنسیت صدا، لحن (Tone)، سرعت، حس بیان (Emotion)، لهجه و سبک صحبت کردن را تعیین می‌کند.

در حال حاضر، می‌توانید مقدار متغیر TTS_VOICE را برای مدل‌های مذکور، با مقادیر زیر پر کنید (بعد از # ‌یک‌سری توضیحات راجع به هر Voice قرار گرفته است).

TTS_VOICE=alloy      # Neutral - Balanced, versatile voice
TTS_VOICE=echo       # Male - Clear, conversational
TTS_VOICE=fable      # Male - Expressive, British-style narration
TTS_VOICE=onyx       # Male - Deep, authoritative
TTS_VOICE=nova       # Female - Warm, friendly, natural
TTS_VOICE=shimmer    # Female - Soft, clear, gentle

برای کار با مدل‌های TTS می‌توانید از ماژول openai استفاده کنید. در ادامه، مثال‌های استفاده از مدل‌های TTS آمده است:

JavaScriptPHPPython.NETGo

کپی

// npm install openai dotenv

require("dotenv").config();

const fs = require("fs");
const path = require("path");
const OpenAI = require("openai");
const { toFile } = require("openai");

const client = new OpenAI({
apiKey: process.env.LIARA_API_KEY,
baseURL: process.env.BASE_URL,
});

async function main() {
const audioPath = path.resolve(process.env.AUDIO_FILE);

if (!fs.existsSync(audioPath)) {
  throw new Error(`Audio file not found: ${audioPath}`);
}

const extension = path.extname(audioPath).toLowerCase();

const mimeTypes = {
  ".mp3": "audio/mpeg",
  ".wav": "audio/wav",
  ".flac": "audio/flac",
  ".m4a": "audio/mp4",
  ".ogg": "audio/ogg",
  ".webm": "audio/webm",
  ".aac": "audio/aac",
};

const mimeType = mimeTypes[extension];

if (!mimeType) {
  throw new Error(`Unsupported audio format: ${extension}`);
}

const audioBuffer = fs.readFileSync(audioPath);

const audioFile = await toFile(
  audioBuffer,
  path.basename(audioPath),
  {
    type: mimeType,
  }
);

const transcription = await client.audio.transcriptions.create({
  model: process.env.STT_MODEL_NAME,
  file: audioFile,
});

console.log(transcription.text);
}

main().catch(console.error);

پروژه کامل قطعه کد فوق در گیت‌هاب لیارا قابل مشاهده و استفاده است.

در قطعه کدهای فوق، به‌جای BASE_URL، آدرس سرویس هوش مصنوعی خود را قرار دهید و به‌جای LIARA_API_KEY، کلید API خود را وارد کنید. همچنین، به‌جای STT_MODEL_NAME، نام مدل STT و به‌جای AUDIO_FILE، نام یا مسیر فایل صوتی موردنظر برای تبدیل گفتار به متن را قرار دهید.