Kurs
Arbeiten mit der OpenAI-API
3 Std.
172.6K
Erste Schritte mit der OpenAI API
Zum Start brauchen wir ein OpenAI-Konto und einen API-Schlüssel. Gehe dazu auf die API-Key-Seite und klicke oben rechts auf "Create new secret key".
Diesen Schlüssel verwenden wir, um Anfragen an die OpenAI API zu senden. Wir speichern ihn in einer Datei namens .env im Ordner, in dem wir unsere Python-Skripte schreiben. Halte den Schlüssel unbedingt geheim, denn jede Person könnte sonst über dein Konto die API nutzen.
Füge den API-Key in die .env-Datei im folgenden Format ein:
OPENAI_API_KEY=<paste_api_key_here>Beachte, dass die Nutzung der API nicht kostenlos ist, deshalb musst du dein Konto aufladen, bevor du Videos mit Sora 2 generieren kannst. Zur Orientierung: Hier ist der Preis pro Sekunde für Sora 2:
Ein Sora 2-Video mit Python erzeugen
Den gesamten Code für dieses Tutorial findest du im zugehörigen GitHub-Repository.
Für die Kommunikation mit der OpenAI API in Python verwenden wir das Paket openai. Da Sora neu in der API ist, benötigen wir eine aktuelle Paketversion.
Installiere (oder aktualisiere) es mit diesem Befehl:
pip install --upgrade openaiErstelle ein neues Skript namens generate_video.py im selben Ordner wie die zuvor angelegte .env-Datei.
Als Erstes importieren wir die benötigten Pakete. Das verwenden wir:
os: Ein eingebautes Paket zur Interaktion mit dem Betriebssystem;openai: Das offizielle OpenAI-Paket zur Interaktion mit der API;dotenv: Ein Paket, das das Laden von Umgebungsvariablen aus der.env-Datei erleichtert. Hiermit laden wir den OpenAI API-Key.
import os
from openai import OpenAI
from dotenv import load_dotenvAls Nächstes laden wir die .env-Datei:
load_dotenv()
API_KEY = os.getenv("OPENAI_API_KEY")Mit dem in den Speicher geladenen API-Key initialisieren wir den OpenAI-Client, über den wir Anfragen an die OpenAI API senden. Wir verwenden die os-Bibliothek, um den Key zu laden:
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
Zum Schluss nutzen wir die Funktion videos.create des Clients, um ein Video zu generieren:
video = client.videos.create(
prompt="A cat and a dog dancing",
)
print(video.id)Wenn wir die Videogenerierung anstoßen, erhalten wir nicht sofort ein Video, da die Erstellung einige Zeit dauert. Das bedeutet, die Variable video ist nicht das Video selbst, sondern ein Objekt mit Informationen zum Generierungsauftrag.
Darum haben wir die Video-ID ausgegeben. Diese Information benötigen wir, um:
- Den Fortschritt der Videogenerierung zu verfolgen.
- Das Video abzurufen.
Beide Schritte erklären wir unten im Detail.
Hier ist mein Ergebnis:
Video-Fortschritt verfolgen
Wir können den Status eines Jobs mit der Funktion videos.retrieve() abrufen, indem wir die Job-ID übergeben, so:
job = client.videos.retrieve(job_id)
status = job.status
progress = job.progress
print(f"Status: {status}, {progress}%")Wir müssen warten, bis der Fortschritt 100% erreicht, um das Video herunterladen zu können. Der Einfachheit halber bauen wir eine Funktion wait_for_video_to_finish(), die den Status eines Jobs überwacht, bis er abgeschlossen ist:
def wait_for_video_to_finish(video_id, poll_interval=5, timeout=600):
"""
Poll status until the video is ready or timeout is reached.
Returns the final job info.
"""
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
elapsed = 0 # Keep track of the elapsed time
while elapsed < timeout:
job = client.videos.retrieve(video_id)
status = job.status
progress = job.progress
print(f"Status: {status}, {progress}%")
if status == "completed":
return job
if status == "failed":
raise RuntimeError(f"Failed to generate the video: {job.error.message}")
time.sleep(poll_interval)
elapsed += poll_interval
raise RuntimeError("Polling timed out")Die Funktion hat drei Parameter:
video_id: Die Kennung des Videos, das wir tracken wollen.poll_interval: Sekunden zwischen zwei Statusabfragen.timeout: Maximale Wartezeit in Sekunden.
Diese Funktion prüft den Status regelmäßig, bis das Video fertig ist oder die Wartezeit überschritten wird.
Das Video herunterladen
Da wir den Fortschritt nun tracken können, brauchen wir nur noch einen Weg, das Video nach Fertigstellung herunterzuladen. Das erreichen wir mit videos.download_content().
Hier ist eine passende Funktion:
def download_video(video_id):
client = get_client()
response = client.videos.download_content(
video_id=video_id,
)
video_bytes = response.read()
with open(f"{video_id}.mp4", "wb") as f:
f.write(video_bytes)Kompletter Sora-Workflow zur Videogenerierung
Diese Schritte lassen sich zu einem durchgehenden Workflow mit Sora kombinieren:
prompt = "A cat and a dog dancing"
video = client.videos.create(
prompt="A cat and a dog dancing",
)
video_id = video.id
print(f"Started generating video with id {video_id}")
wait_for_video_to_finish(video_id)
download_video(video_id)Videogröße und -dauer festlegen
Das obige Skript nutzt nur einen Text-Prompt zur Generierung. Die OpenAI Sora 2 API bietet jedoch weitere Optionen, z. B.:
model: Das Modell zur Videogenerierung. Standard istsora-2.resolution: Die Videogröße. Standardmäßig ist das Video720x1280.duration: Länge des Videos in Sekunden. Standard sind 4 Sekunden.
Hier ist eine Tabelle mit allen möglichen Werten je nach Modus (fett markiert sind die Standardwerte):
Damit das Skript einfacher nutzbar ist, können wir das eingebaute Paket argparse verwenden, sodass die Nutzenden die Parameterwerte angeben können.
So setzt du die Argumente prompt und model mit argparse:
parser = argparse.ArgumentParser()
parser.add_argument(
"--prompt", # Name of the argument
required=True, # Specify that the argument is required
help="The video prompt.", # Helper text
)
parser.add_argument(
"--model",
default="sora-2", # Specify a default value for the argument
choices=["sora-2", "sora-2-pro"], # Specify a list of possible values for the argument
help="Model to use (sora-2 or sora-2-pro).",
)Zum Laden der Argumente rufen wir parse_args() auf, so:
args = parser.parse_args()
prompt = args.prompt
model = args.modelDas generate_video_pipeline.py-Skript im GitHub-Repository fügt alle Bausteine zusammen, um Videos mit Sora 2 zu generieren.
So startest du es im Terminal mit konkreten Parametern:
python generate_video_pipeline.py --prompt "A family of dogs driving a car" --model sora-2-pro --size 1280x720 --seconds 8Das war das Ergebnis: