GPT-4o API ट्यूटोरियल: OpenAI के API के साथ शुरुआत करें

OpenAI का GPT-4o ऑडियो, विज़न और टेक्स्ट क्षमताओं को एक ही शक्तिशाली भाषा मॉडल में एकीकृत करता है।

यह विकास अधिक स्वाभाविक और सहज मानव-कंप्यूटर इंटरैक्शन की दिशा में एक महत्वपूर्ण कदम है।

इस ट्यूटोरियल में, मैं OpenAI API के माध्यम से GPT-4o का उपयोग करने पर चरण-दर-चरण मार्गदर्शन दूँगा।

हालाँकि OpenAI ने हाल ही में o3 मॉडल—अपना सबसे सक्षम रीज़निंग मॉडल—जारी किया है, फिर भी GPT-4o और GPT-4o mini उन अनुप्रयोगों के लिए सर्वोत्तम विकल्प बने रहते हैं जिन्हें तेज प्रतिक्रियाएँ, इमेज हैंडलिंग या फंक्शन कॉलिंग की आवश्यकता होती है। यदि आपके प्रोजेक्ट को उन्नत रीज़निंग चाहिए, तो यह OpenAI O1 API ट्यूटोरियल अवश्य देखें, जो API के माध्यम से रीज़निंग मॉडल उपयोग करने की प्रक्रिया बताता है।

GPT-4o क्या है?

GPT-4o, जिसका अर्थ "omni" है, AI में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। GPT-4, जो केवल टेक्स्ट संभालता है, के विपरीत GPT-4o एक मल्टीमोडल मॉडल है जो टेक्स्ट, ऑडियो और विज़ुअल डेटा को प्रोसेस और जनरेट करता है।

टेक्स्ट के साथ-साथ ऑडियो और विज़ुअल डेटा को अपनाकर, GPT-4o पारंपरिक टेक्स्ट-ओनली मॉडलों की सीमाओं से परे जाता है और अधिक स्वाभाविक, सहज इंटरैक्शन बनाता है।

GPT-4o की प्रतिक्रिया समय तेज है, यह GPT-4 Turbo से 50% सस्ता है, और ऑडियो व विज़न समझ में मौजूदा मॉडलों से बेहतर है।

यदि आप GPT-4o का अधिक विस्तृत अवलोकन चाहते हैं, तो यह लेख देखें: OpenAI का GPT-4o क्या है।

GPT-4o के उपयोग के मामले

ChatGPT इंटरफ़ेस के अलावा, डेवलपर्स OpenAI API के माध्यम से भी GPT-4o के साथ इंटरैक्ट कर सकते हैं, जिससे वे GPT-4o की क्षमताओं को अपनी ऐप्लिकेशनों और सिस्टमों में एकीकृत कर सकें।

GPT-4o API अपनी मल्टीमोडल क्षमताओं का उपयोग करके अनेक संभावित उपयोग मामलों के द्वार खोलता है:

GPT-4o API: OpenAI के API से कैसे जुड़ें

अब देखते हैं कि OpenAI API के माध्यम से GPT-4o का उपयोग कैसे करें।

चरण 1: API कुंजी जनरेट करें

GPT-4o API का उपयोग करने से पहले, हमें OpenAI अकाउंट बनाना होगा और API कुंजी प्राप्त करनी होगी। हम OpenAI API वेबसाइट पर खाता बना सकते हैं।

एक बार खाता बन जाने पर, हम API keys पेज पर जा सकते हैं:

अब हम एक API कुंजी जनरेट कर सकते हैं। इसे सुरक्षित रखें, क्योंकि बाद में इसे फिर से देखा नहीं जा सकेगा। लेकिन यदि यह खो जाए या किसी अन्य प्रोजेक्ट के लिए जरूरत हो, तो हम हमेशा नई कुंजी बना सकते हैं।

चरण 2: OpenAI API को Python में इम्पोर्ट करें

GPT-4o API के साथ प्रोग्रामेटिक रूप से इंटरैक्ट करने के लिए, हमें OpenAI की Python लाइब्रेरी इंस्टॉल करनी होगी। हम निम्न कमांड चलाकर ऐसा कर सकते हैं:

इंस्टॉल होने के बाद, हम आवश्यक मॉड्यूल्स को अपने Python स्क्रिप्ट में इम्पोर्ट कर सकते हैं:

from openai import OpenAIसंचालित द्वारा

चरण 3: एक API कॉल करें

API अनुरोध करने से पहले, हमें अपनी API कुंजी के साथ प्रमाणीकरण करना होगा:

# Set the API keyclient = OpenAI(api_key="your_api_key_here")संचालित द्वारा

"your_api_key_here" को अपनी वास्तविक API कुंजी से बदलें।

क्लाइंट कनेक्शन पूरा होने के बाद, हम GPT-4o का उपयोग करके टेक्स्ट जनरेट करना शुरू कर सकते हैं:

MODEL = "gpt-4o"completion = client.chat.completions.create(    model=MODEL,    messages=[        {"role": "system", "content": "You are a helpful assistant that helps me with my math homework!"},        {"role": "user", "content": "Hello! Could you solve 20 x 5?"}    ])print("Assistant: " + completion.choices[0].message.content)संचालित द्वारा

यह कोड स्निपेट GPT-4o मॉडल के साथ चैट completions API का उपयोग करता है, जो गणित-संबंधी प्रश्नों को इनपुट के रूप में स्वीकार करता है और उत्तर जनरेट करता है:

GPT-4o API: ऑडियो उपयोग के मामले

ऑडियो ट्रांसक्रिप्शन और सारांशण विभिन्न ऐप्लिकेशनों में, एक्सेसिबिलिटी से लेकर उत्पादकता बढ़ाने तक, अनिवार्य टूल बन गए हैं। GPT-4o API के साथ, हम ऑडियो कंटेंट को ट्रांसक्राइब और सारांशित करने जैसे कार्य कुशलता से संभाल सकते हैं।

यद्यपि GPT-4o में सीधे ऑडियो संभालने की क्षमता है, लेकिन प्रत्यक्ष ऑडियो इनपुट सुविधा अभी API के माध्यम से उपलब्ध नहीं है। फिलहाल, हम GPT-4o API के साथ दो-चरणीय प्रक्रिया का उपयोग कर सकते हैं—पहले ट्रांसक्रिप्शन, फिर सारांशण।

चरण 1: ऑडियो को टेक्स्ट में ट्रांसक्राइब करें

GPT-4o का उपयोग करके किसी ऑडियो फ़ाइल को ट्रांसक्राइब करने के लिए, हमें API को ऑडियो डेटा प्रदान करना होगा। उदाहरण देखें:

# Transcribe the audioaudio_path = "path/to/audio.mp3"transcription = client.audio.transcriptions.create(    model="whisper-1",    file=open(audio_path, "rb"),)संचालित द्वारा

"path/to/audio.mp3" को अपनी वास्तविक ऑडियो फ़ाइल के पथ से बदलें। यह उदाहरण ट्रांसक्रिप्शन के लिए whisper-1 मॉडल का उपयोग करता है।

चरण 2: ऑडियो टेक्स्ट का सारांश बनाएं

response = client.chat.completions.create(    model=MODEL,    messages=[        {            "role": "system",            "content": """You are generating a transcript summary. Create a summary of the provided transcription. Respond in Markdown."""        },        {            "role": "user",            "content": [                {"type": "text", "text": f"The audio transcription is: {transcription.text}"}            ],        }    ],    temperature=0,)print(response.choices[0].message.content)संचालित द्वारा

GPT-4o API: विज़न उपयोग के मामले

विज़ुअल डेटा विश्लेषण स्वास्थ्य सेवा से लेकर सुरक्षा और उससे आगे तक कई क्षेत्रों में महत्वपूर्ण है। GPT-4o API के साथ, आप छवियों का सहज विश्लेषण कर सकते हैं, विज़ुअल कंटेंट पर बातचीत कर सकते हैं, और चित्रों से मूल्यवान जानकारी निकाल सकते हैं।

चरण 1: API में इमेज डेटा जोड़ें

GPT-4o का उपयोग करके किसी इमेज का विश्लेषण करने के लिए, हमें पहले API को इमेज डेटा देना होगा। हम या तो किसी लोकल इमेज को base64 स्ट्रिंग के रूप में एन्कोड कर सकते हैं या किसी ऑनलाइन इमेज का URL दे सकते हैं:

import base64IMAGE_PATH = "image_path"# Open the image file and encode it as a base64 stringdef encode_image(image_path):    with open(image_path, "rb") as image_file:        return base64.b64encode(image_file.read()).decode("utf-8")base64_image = encode_image(IMAGE_PATH)संचालित द्वारा

 "url": "<https://images.saymedia-content.com/.image/c_limit%2Ccs_srgb%2Cq_auto:eco%2Cw_538/MTczOTQ5NDQyMzQ3NTc0NTc5/compound-shapes-how-to-find-the-area-of-a-l-shape.webp>"संचालित द्वारा

चरण 2: इमेज डेटा का विश्लेषण करें

एक बार हम इमेज इनपुट को प्रोसेस कर लें, तो हम विश्लेषण के लिए इमेज डेटा API को पास कर सकते हैं।

आइए किसी आकृति का क्षेत्रफल निकालने के लिए एक इमेज का विश्लेषण करने की कोशिश करें। सबसे पहले नीचे दी गई इमेज का उपयोग करते हैं:

अब हम GPT-4o से इस आकृति का क्षेत्रफल पूछेंगे—ध्यान दें कि नीचे हम base64 इमेज इनपुट का उपयोग कर रहे हैं:

response = client.chat.completions.create(    model=MODEL,    messages=[        {            "role": "system",            "content": "You are a helpful assistant that responds in Markdown. Help me with my math homework!"        },        {            "role": "user",            "content": [                {"type": "text", "text": "What's the area of the shape in this image?"},                {                    "type": "image_url",                    "image_url": {                        "url": f"data:image/png;base64,{base64_image}"                    }                }            ]        }    ],    temperature=0.0,)print(response.choices[0].message.content)संचालित द्वारा

अब इस आकृति पर विचार करें:

हम आकृति का क्षेत्रफल निकालने के लिए इमेज URL GPT-4o को पास करेंगे:

response = client.chat.completions.create(    model=MODEL,    messages=[        {            "role": "system",            "content": "You are a helpful assistant that responds in Markdown. Help me with my math homework!"        },        {            "role": "user",            "content": [                {"type": "text", "text": "What's the area of the shape in the image?"},                {                    "type": "image_url",                    "image_url": {                        "url": "https://images.saymedia-content.com/.image/c_limit%2Ccs_srgb%2Cq_auto:eco%2Cw_538/MTczOTQ5NDQyMzQ3NTc0NTc5/compound-shapes-how-to-find-the-area-of-a-l-shape.webp"                    }                }            ]        }    ],    temperature=0.0,)print(response.choices[0].message.content)संचालित द्वारा

ध्यान दें कि GPT-4o ने वर्टिकल आयत की चौड़ाई गलत मापी—यह दो नहीं, चार सेंटीमीटर होनी चाहिए। यह विसंगति माप लेबल और आयत के वास्तविक अनुपात के बीच असंगति से उत्पन्न होती है। किसी भी स्थिति में, यह एक बार फिर मानवीय पर्यवेक्षण और वैलिडेशन के महत्व को रेखांकित करता है।

GPT-4o API कीमतें

जुलाई 2025 तक, GPT-4o के पे-एज़-यू-गो प्राइसिंग इस प्रकार हैं:

• इनपुट टोकन: प्रति मिलियन टोकन $5.00

• कैश्ड इनपुट टोकन: प्रति मिलियन टोकन $2.50

• आउटपुट टोकन: प्रति मिलियन टोकन $20.00

GPT-4o Mini: एक किफायती विकल्प

उच्च-वॉल्यूम API कॉल्स की आवश्यकता वाले ऐप्लिकेशनों के लिए, OpenAI GPT-4o Mini प्रदान करता है, जो GPT-4o का एक स्ट्रीमलाइन्ड संस्करण है:

• इनपुट टोकन: प्रति मिलियन टोकन $0.60

• कैश्ड इनपुट टोकन: प्रति मिलियन टोकन $0.30

• आउटपुट टोकन: प्रति मिलियन टोकन $2.40

बैच API छूट

OpenAI का Batch API GPT-4o के लिए इनपुट और आउटपुट टोकन लागतों पर 50% की छूट प्रदान करता है:

• इनपुट टोकन: प्रति मिलियन टोकन $2.50

• आउटपुट टोकन: प्रति मिलियन टोकन $10.00

यह बड़े पैमाने पर डेटा को असिंक्रोनस रूप से प्रोसेस करने के लिए आदर्श है।

GPT-4o API: मुख्य विचार

GPT-4o API के साथ काम करते समय, सर्वोत्तम प्रदर्शन, लागत-प्रभावशीलता और विशिष्ट उपयोग मामलों के अनुरूपता सुनिश्चित करने के लिए कुछ प्रमुख बातों को ध्यान में रखना महत्वपूर्ण है। यहाँ तीन अहम कारक हैं:

मूल्य निर्धारण और लागत प्रबंधन

OpenAI API पे-पर-यूज़ मॉडल का पालन करता है, जहाँ लागत प्रोसेस किए गए टोकनों की संख्या के आधार पर आती है।

हालाँकि GPT-4o, GPT-4 Turbo से सस्ता है, फिर भी लागतों का अनुमान लगाने और प्रबंधन करने के लिए उपयोग की योजना बनाना महत्वपूर्ण है।

लागत कम करने के लिए, आप बैचिंग जैसी तकनीकों और प्रॉम्प्ट को अनुकूलित करने पर विचार कर सकते हैं ताकि API कॉल्स और प्रोसेस किए गए टोकनों की संख्या घटे।

लेटेंसी और प्रदर्शन

भले ही GPT-4o प्रभावशाली प्रदर्शन और कम लेटेंसी प्रदान करता है, यह अभी भी एक बड़ा भाषा मॉडल है, जिसका अर्थ है कि अनुरोधों का प्रोसेसिंग कम्प्यूटेशनली भारी हो सकता है और अपेक्षाकृत अधिक लेटेंसी ला सकता है।

हमें अपने कोड को अनुकूलित करना चाहिए और लेटेंसी समस्याओं को कम करने के लिए कैशिंग और असिंक्रोनस प्रोसेसिंग जैसी तकनीकों का उपयोग करना चाहिए।

इसके अलावा, हम OpenAI के डेडिकेटेड इंस्टेंसेज़ का उपयोग करने या अपने विशेष उपयोग मामले के अनुसार मॉडल को फाइन-ट्यून करने की संभावना तलाश सकते हैं, जिससे प्रदर्शन में सुधार और लेटेंसी में कमी आ सकती है।

उपयोग मामला संरेखन

GPT-4o एक शक्तिशाली जनरल मॉडल है जिसमें व्यापक क्षमताएँ हैं, लेकिन हमें सुनिश्चित करना चाहिए कि हमारा विशिष्ट उपयोग मामला मॉडल की ताकतों के अनुरूप हो।

केवल GPT-4o पर निर्भर होने से पहले, हमें अपने उपयोग मामले का सावधानी से मूल्यांकन करना चाहिए और देखना चाहिए कि क्या मॉडल की क्षमताएँ हमारी आवश्यकताओं के अनुकूल हैं।

यदि आवश्यक हो, तो हम छोटे मॉडलों को फाइन-ट्यून कर सकते हैं या अन्य मॉडलों की खोज कर सकते हैं जो हमारे विशेष कार्य के लिए अधिक उपयुक्त हों।

निष्कर्ष

GPT-4o की मल्टीमोडल क्षमताएँ उन पहले के मॉडलों की सीमाओं को संबोधित करती हैं जो विभिन्न प्रकार के डेटा को निर्बाध रूप से एकीकृत और प्रोसेस करने में संघर्ष करते थे।

GPT-4o API का लाभ उठाकर, डेवलपर्स ऐसे अभिनव समाधान बना सकते हैं जो टेक्स्ट, ऑडियो और विज़ुअल डेटा को निर्बाध रूप से एकीकृत करें।

यदि आप GPT-4o के साथ अधिक अभ्यास करना चाहते हैं, तो मैं GPT-4o के साथ AI असिस्टेंट बनाना कोड-अलॉन्ग की सिफारिश करता हूँ। इसी तरह, यदि आप APIs के साथ काम करने के बारे में और सीखना चाहते हैं, तो ये संसाधन देखें:

• Working with the OpenAI API
• OpenAI Cookbook
• OpenAI API Cheat Sheet