OpenAI Chat Completion API Richiesta e Utilizzo

OpenAI ChatGPT è un sistema di dialogo AI molto potente, basta inserire una parola chiave per generare risposte fluide e naturali in pochi secondi. ChatGPT si distingue nel settore per la sua eccellente comprensione e capacità di generazione del linguaggio, e oggi è ampiamente utilizzato in vari settori e ambiti, la sua influenza è sempre più significativa. Che si tratti di conversazioni quotidiane, scrittura creativa, consulenze professionali o programmazione di codice, ChatGPT può fornire un’assistenza intelligente sorprendente, aumentando notevolmente l’efficienza e la creatività umana. Questo documento descrive principalmente il processo di utilizzo dell’API OpenAI Chat Completion, che ci consente di utilizzare facilmente le funzionalità di dialogo ufficiali di OpenAI ChatGPT.

Processo di Richiesta

Per utilizzare l’API OpenAI Chat Completion, prima di tutto vai al Pannello di Controllo di Ace Data Cloud per ottenere il tuo API Token, da tenere come riserva.

Se non hai ancora effettuato il login o la registrazione, verrai automaticamente reindirizzato alla pagina di login che ti invita a registrarti e accedere, una volta completato, verrai riportato automaticamente alla pagina corrente. Un API Token è sufficiente per accedere a tutti i servizi della piattaforma, non è necessario richiederne uno separato per ogni servizio. La prima richiesta offre un credito gratuito, che consente di provare gratuitamente; se il credito è insufficiente, puoi ricaricare il saldo generale nel pannello di controllo.

📘 Documentazione Completa: OpenAI Chat Completion API →

Utilizzo di Base

Ora puoi compilare i contenuti corrispondenti nell’interfaccia, come mostrato nell’immagine:

Quando utilizzi per la prima volta questa interfaccia, è necessario compilare almeno tre contenuti: uno è authorization, che puoi selezionare direttamente dal menu a discesa. Un altro parametro è model, model è la categoria del modello di OpenAI ChatGPT che scegli di utilizzare, qui abbiamo principalmente 20 modelli, i dettagli possono essere consultati nei modelli forniti. L’ultimo parametro è messages, messages è un array delle domande che inseriamo, rappresenta un array che consente di caricare più domande contemporaneamente, ogni domanda contiene role e content, dove role indica il ruolo del richiedente, abbiamo fornito tre identità: user, assistant, system. L’altro content è il contenuto specifico della nostra domanda. Puoi anche notare che a destra c’è il codice di chiamata corrispondente generato, puoi copiare il codice e eseguirlo direttamente, oppure puoi semplicemente cliccare sul pulsante “Prova” per testarlo. Parametri opzionali comuni:

max_tokens: limita il numero massimo di token per una singola risposta.
temperature: genera casualità, tra 0-2, valori più alti portano a risultati più vari.
n: quante risposte candidate generare in una volta.
response_format: impostazione del formato di ritorno.

Dopo la chiamata, scopriamo che il risultato restituito è il seguente:

{
  "id": "chatcmpl-Cmd6uwSxN75F4PAdQSFEO8f2QPs4E",
  "object": "chat.completion",
  "created": 1765706120,
  "model": "gpt-5.5",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Ciao! Come posso aiutarti oggi?",
        "refusal": null,
        "annotations": []
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 7,
    "completion_tokens": 13,
    "total_tokens": 20,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "audio_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0,
      "audio_tokens": 0,
      "accepted_prediction_tokens": 0,
      "rejected_prediction_tokens": 0
    }
  },
  "service_tier": "default",
  "system_fingerprint": null
}

Il risultato restituito ha diversi campi, descritti come segue:

id, l’ID generato per questo compito di dialogo, utilizzato per identificare univocamente questo compito di dialogo.
model, il modello di OpenAI ChatGPT scelto.
choices, le informazioni di risposta fornite da ChatGPT per la domanda.
usage: informazioni statistiche sui token per questa domanda e risposta.

Tra cui choices contiene le informazioni di risposta di ChatGPT, all’interno di choices puoi vedere come mostrato nell’immagine.

Puoi vedere che il campo content all’interno di choices contiene il contenuto specifico della risposta di ChatGPT.

Risposta in Streaming

Questa interfaccia supporta anche le risposte in streaming, il che è molto utile per l’integrazione web, consentendo di visualizzare il contenuto parola per parola. Se desideri restituire una risposta in streaming, puoi modificare il parametro stream nell’intestazione della richiesta, impostandolo su true. Modifica come mostrato nell’immagine, ma il codice di chiamata deve avere le modifiche corrispondenti per supportare la risposta in streaming.

Dopo aver modificato stream in true, l’API restituirà i dati JSON riga per riga, a livello di codice dobbiamo apportare le modifiche necessarie per ottenere i risultati riga per riga. Esempio di codice di chiamata in Python:

import requests

url = "https://api.acedata.cloud/openai/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4",
    "messages": [{"role":"user","content":"hello"}],
    "stream": True
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

L’output sarà il seguente:

data: {"choices": [{"delta": {"role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": "Ciao", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " lì", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": "!", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " Come", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " posso", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " aiutarti", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": " oggi", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"content": "?", "role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"role": "assistant"}, "index": 0}], "created": 1721007348, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: {"choices": [{"delta": {"role": "assistant"}, "finish_reason": "stop", "index": 0}], "created": 1721007349, "id": "chatcmpl-YzczYjVhNjhjMzMwNDQ5MDkyNGYzOGZjZGE1ZGQ5OGU", "model": "gpt-4", "object": "chat.completion.chunk", "recipient": "all"}

data: [FINE]

Puoi vedere che nella risposta ci sono molti data, data contiene choices che rappresentano il contenuto della risposta più recente, coerente con quanto descritto in precedenza. choices è il contenuto della risposta aggiunto, puoi integrarlo nel tuo sistema. Inoltre, la fine della risposta in streaming è determinata dal contenuto di data, se il contenuto è [FINE], significa che la risposta in streaming è completamente terminata. I risultati restituiti da data hanno diversi campi, descritti di seguito:

id, l’ID generato per questa attività di conversazione, utilizzato per identificare univocamente questa attività di conversazione.
model, il modello scelto dal sito ufficiale di OpenAI ChatGPT.
choices, le informazioni di risposta fornite da ChatGPT in base alla domanda.

JavaScript è supportato, ad esempio, il codice per la chiamata in streaming di Node.js è il seguente:

const options = {
  method: "post",
  headers: {
    accept: "application/json",
    authorization: "Bearer {token}",
    "content-type": "application/json",
  },
  body: JSON.stringify({
    model: "gpt-4",
    messages: [{ role: "user", content: "ciao" }],
    stream: true,
  }),
};

fetch("https://api.acedata.cloud/openai/chat/completions", options)
  .then((response) => response.json())
  .then((response) => console.log(response))
  .catch((err) => console.error(err));

Esempio di codice Java:

JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "gpt-4");
jsonObject.put("messages", [{"role":"user","content":"ciao"}]);
jsonObject.put("stream", true);
MediaType mediaType = "application/json; charset=utf-8".toMediaType();
RequestBody body = jsonObject.toString().toRequestBody(mediaType);
Request request = new Request.Builder()
  .url("https://api.acedata.cloud/openai/chat/completions")
  .post(body)
  .addHeader("accept", "application/json")
  .addHeader("authorization", "Bearer {token}")
  .addHeader("content-type", "application/json")
  .build();

OkHttpClient client = new OkHttpClient();
Response response = client.newCall(request).execute();
System.out.print(response.body!!.string())

Altri linguaggi possono essere riscritti autonomamente, il principio è lo stesso.

Conversazione a più turni

Se desideri integrare la funzionalità di conversazione a più turni, devi caricare più domande nel campo messages, un esempio specifico di più domande è mostrato nell’immagine sottostante:

Esempio di codice Python:

import requests

url = "https://api.acedata.cloud/openai/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4",
    "messages": [{"role":"user","content":"Ciao"},{"role":"assistant","content":"Ciao! Come posso aiutarti oggi?"},{"role":"user","content":"Cosa ho appena detto?"}]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Attraverso il caricamento di più domande, è possibile realizzare facilmente un dialogo a più turni, ottenendo la seguente risposta:

{
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Hai detto, \"Ciao.\""
      },
      "finish_reason": "stop"
    }
  ],
  "created": 1721323012,
  "id": "chatcmpl-NWZmOTA5MDlkZjBjNDRjNGEwMzRjYzA5NmM1MzQwMWY",
  "model": "gpt-4",
  "object": "chat.completion.chunk",
  "recipient": "all",
  "usage": {
    "prompt_tokens": 31,
    "completion_tokens": 6,
    "total_tokens": 37
  }
}

Si può notare che le informazioni contenute in choices sono coerenti con il contenuto di base utilizzato, includendo il contenuto specifico della risposta di ChatGPT a più dialoghi, permettendo così di rispondere a domande corrispondenti in base ai contenuti di più dialoghi.

Integrazione con OpenAI-Python

L’API OpenAI Chat Completion è compatibile con l’interfaccia ufficiale di OpenAI e può essere utilizzata direttamente con il SDK ufficiale OpenAI-Python. Questo articolo fornirà una breve introduzione su come utilizzarlo.

Prima di tutto, è necessario impostare un ambiente Python locale, questo processo può essere cercato su Google.
Scaricare e installare un ambiente di sviluppo, ad esempio installare l’editor VSCode.
Configurare le variabili d’ambiente OpenAI.

Nella cartella del progetto, creare un file chiamato .env e salvarlo.
Contenuto del file .env:

OPENAI_API_KEY="sk-xxx"
OPENAI_BASE_URL="https://api.acedata.cloud/openai"  # Ricorda: se utilizzi la chiave OpenAI ufficiale, non utilizzare questo indirizzo.

Sostituisci sk-xxx con la tua chiave. OPENAI_BASE_URL è l’interfaccia proxy per accedere a OpenAI.

Installare i pacchetti dipendenti del progetto

pip install openai

Il comando per Mac OS è:

pip3 install openai

Creare un file di codice sorgente di esempio

Supponiamo di aver creato un codice di esempio index.py, il contenuto specifico è il seguente:

import os
from openai import OpenAI

client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

response = client.chat.completions.create(
    messages=[
        {
            "role": "user",
            "content": "ciao",
        }
    ],
    model="gpt-4",
)

print(response.text)

Modello di navigazione

I modelli gpt-3.5-browsing e gpt-4-browsing sono diversi dagli altri modelli, in quanto possono effettuare ricerche online in base alle domande e restituire i risultati della ricerca adeguatamente modificati. Questo articolo mostrerà una funzionalità di navigazione attraverso un esempio specifico, quindi è possibile compilare il contenuto corrispondente nell’interfaccia API OpenAI Chat Completion, come mostrato nell’immagine:

Puoi anche notare che a destra c’è il codice di chiamata corrispondente generato, puoi copiare il codice e eseguirlo direttamente, oppure puoi semplicemente fare clic sul pulsante “Prova” per testarlo.

Dopo la chiamata, abbiamo scoperto che il risultato restituito è il seguente:

{
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Per le ultime notizie in Cina oggi, puoi controllare i principali siti di notizie come:\n\n- [BBC News Cina](https://www.bbc.com/news/world/asia/china)\n- [CNN Notizie Cina](https://edition.cnn.com/china)\n- [Reuters Cina](https://www.reuters.com/news/archive/china-news)\n\nQueste fonti avranno informazioni aggiornate sugli eventi attuali in Cina."
      },
      "finish_reason": "stop"
    }
  ],
  "created": 1721009347,
  "id": "chatcmpl-YzA0M2RjZDVkYThlNDkxNTkzOThmZWQ4OGMzNzdhNzA",
  "model": "gpt-4-browsing",
  "object": "chat.completion.chunk",
  "recipient": "all",
  "usage": {
    "prompt_tokens": 325,
    "completion_tokens": 82,
    "total_tokens": 407
  }
}

Si può notare che le informazioni di risposta all’interno di choices sono state ottenute in base alla ricerca online e sono stati forniti anche i link pertinenti. Le informazioni di risposta all’interno di choices devono essere renderizzate utilizzando la sintassi markdown per ottenere la migliore esperienza, evidenziando così il potente vantaggio della funzionalità di navigazione del nostro modello.

Modello visivo

gpt-4o è un modello linguistico di grandi dimensioni multimodale sviluppato da OpenAI, che ha aumentato la capacità di comprensione visiva sulla base di GPT-4. Questo modello può gestire simultaneamente input di testo e immagini, realizzando una comprensione e generazione cross-modale. L’elaborazione del testo utilizzando il modello gpt-4o è coerente con il contenuto di base utilizzato in precedenza. Di seguito verrà fornita una breve introduzione su come utilizzare la capacità di elaborazione delle immagini del modello. L’uso della capacità di elaborazione delle immagini del modello gpt-4o avviene principalmente aggiungendo un campo type al contenuto originale content, attraverso il quale è possibile sapere se ciò che viene caricato è testo o immagine, consentendo così di utilizzare la capacità di elaborazione delle immagini del modello gpt-4o. Di seguito verranno trattati principalmente due modi per chiamare questa funzionalità, utilizzando Curl e Python.

Metodo Curl

curl -X POST 'https://api.acedata.cloud/openai/chat/completions' \
-H 'accept: application/json' \
-H 'authorization: Bearer {token}' \
-H 'content-type: application/json' \
-d '{
    "model": "gpt-4o",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "text",
            "text": "Cosa c'è in questa immagine?"
          },
          {
            "type": "image_url",
            "image_url": {
              "url": "https://upload.wikimedia.org/wikipedia/commons/thumb/d/dd/Gfp-wisconsin-madison-the-nature-boardwalk.jpg/2560px-Gfp-wisconsin-madison-the-nature-boardwalk.jpg"
            }
          }
        ]
      }
    ]
  }'

Metodo Python

import requests

url = "https://api.acedata.cloud/openai/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4o",
    "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "text", "text": "Cosa c'è in questa immagine?"
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://upload.wikimedia.org/wikipedia/commons/thumb/d/dd/Gfp-wisconsin-madison-the-nature-boardwalk.jpg/2560px-Gfp-wisconsin-madison-the-nature-boardwalk.jpg"
                    }
                },
            ],
        }
    ]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Poi si può ottenere il seguente risultato, le informazioni dei campi nel risultato sono coerenti con quelle sopra, nello specifico come segue:

{
  "id": "chatcmpl-123",
  "object": "chat.completion",
  "created": 1677652288,
  "model": "gpt-4-vision-preview",
  "system_fingerprint": "fp_44709d6fcb",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\nQuesta immagine mostra un ponte di legno che si estende attraverso una lussureggiante palude verde."
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 9,
    "completion_tokens": 12,
    "total_tokens": 21
  }
}

Si può vedere che il contenuto della risposta è basato sull’immagine, quindi attraverso i due metodi sopra è possibile utilizzare facilmente le capacità di elaborazione di testo e immagine del modello gpt-4-vision. Oltre a gpt-4o, c’è un modello a costo inferiore chiamato gpt-4o-mini. gpt-4o-mini è l’ultima generazione di modelli di linguaggio di grandi dimensioni sviluppati da OpenAI, che non solo ha una velocità di risposta rapida, ma è anche più economico e supporta il multimodale. L’uso delle funzionalità di visione può fare riferimento al contenuto dell’uso del modello gpt-4o sopra.

Modello di disegno GPT-4o

Generazione di immagini basate su immagini di riferimento

Di seguito è riportato un esempio di generazione di un’immagine in uno stile personalizzato basato su un’immagine, prima di tutto diamo un’occhiata all’immagine che abbiamo inserito, come mostrato nell’immagine sottostante:

Si può vedere che l’immagine di riferimento è una foto di una persona reale, possiamo farla cambiare in uno stile, ad esempio farla diventare un’immagine in stile anime, un esempio di richiesta specifica:

{
  "model": "gpt-4o-image",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Genera un'immagine in stile anime e metti un cappello"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

Risultato di esempio:

{
  "id": "chatcmpl-89DPQxbLuyRNzH5YLCPYM5WElV3dm",
  "object": "chat.completion",
  "created": 1781020664,
  "model": "gpt-4o-image",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\n> 🎨 Generazione in corso...\n\n![https://platform.cdn.acedata.cloud/20260609/0f7b6cf1b14843b1bab8e261fe5765b3.png](https://platform.cdn.acedata.cloud/20260609/0f7b6cf1b14843b1bab8e261fe5765b3.png)\n\n[Clicca per scaricare](https://platform.cdn.acedata.cloud/download/20260609/0f7b6cf1b14843b1bab8e261fe5765b3.png)"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 100,
    "completion_tokens": 122,
    "total_tokens": 222,
    "prompt_tokens_details": {
      "text_tokens": 93,
      "cached_tokens_details": {}
    },
    "completion_tokens_details": {}
  }
}

Dove choices all’interno di message.content è il risultato completo della conversazione generata, l’immagine è inclusa in formato Markdown (il link dell’immagine è un indirizzo temporaneo, si prega di scaricare e salvare tempestivamente). Si può vedere che l’immagine generata è effettivamente in stile anime, come mostrato nell’immagine sottostante:

Generazione di immagini solo testuali

Possiamo generare un’immagine tramite una parola chiave e restituirla come risultato in forma di conversazione, di seguito prendiamo come esempio creare un'immagine di un tramonto in una città futuristica, ecco un esempio specifico:

{
  "model": "gpt-4o-image",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Crea un'immagine di un tramonto in una città futuristica"
        }
      ]
    }
  ],
  "stream": false
}

Risultato di esempio:

{
  "id": "chatcmpl-89DqkpQoPGkQqJ6kPKMKWejjLXVxQ",
  "object": "chat.completion",
  "created": 1781020587,
  "model": "gpt-4o-image",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\n> 🎨 Generazione in corso...\n\n![https://platform.cdn.acedata.cloud/20260609/ed2cca68732540fc99162ddc10ddc153.png](https://platform.cdn.acedata.cloud/20260609/ed2cca68732540fc99162ddc10ddc153.png)\n\n[Clicca per scaricare](https://platform.cdn.acedata.cloud/download/20260609/ed2cca68732540fc99162ddc10ddc153.png)"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 17,
    "completion_tokens": 104,
    "total_tokens": 121,
    "prompt_tokens_details": {
      "text_tokens": 10,
      "cached_tokens_details": {}
    },
    "completion_tokens_details": {}
  }
}

Si può vedere che il risultato è conforme alla parola chiave, come mostrato di seguito:

Generazione di un’immagine da più immagini

Possiamo anche utilizzare più immagini di riferimento per generare un’immagine, ad esempio utilizzando un’immagine di un ragazzo attraente e una di un caffè, utilizzando queste due immagini possiamo generare un’immagine di un ragazzo che beve caffè, di seguito sono riportate le immagini di riferimento specifiche:

Di seguito prendiamo come esempio generare un ragazzo che tiene un caffè e sta per berlo, ecco un esempio specifico:

{
  "model": "gpt-4o-image",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Genera un ragazzo che tiene in mano un caffè e sta per berlo."
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/pqquv3.jpg"
          }
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/h8j2i0.jpg"
          }
        }
      ]
    }
  ],
  "stream": false
}

Esempio di risultato:

{
  "id": "chatcmpl-89DnHbbzOIQvU1VzJrNjzMU8BRUgG",
  "object": "chat.completion",
  "created": 1781021018,
  "model": "gpt-4o-image",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "\n\n> 🎨 Generazione in corso...\n\n![https://platform.cdn.acedata.cloud/20260610/f1d9ddee3c304230a9f92929f04b95be.png](https://platform.cdn.acedata.cloud/20260610/f1d9ddee3c304230a9f92929f04b95be.png)\n\n[Clicca per scaricare](https://platform.cdn.acedata.cloud/download/20260610/f1d9ddee3c304230a9f92929f04b95be.png)"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 193,
    "completion_tokens": 116,
    "total_tokens": 309,
    "prompt_tokens_details": {
      "text_tokens": 186,
      "cached_tokens_details": {}
    },
    "completion_tokens_details": {}
  }
}

Si può vedere che il risultato generato è effettivamente una combinazione delle due immagini, qui di seguito il risultato specifico:

Gestione degli errori

Quando si chiama l’API, se si verifica un errore, l’API restituirà il codice di errore e le informazioni corrispondenti. Ad esempio:

400 token_mismatched: Richiesta non valida, probabilmente a causa di parametri mancanti o non validi.
400 api_not_implemented: Richiesta non valida, probabilmente a causa di parametri mancanti o non validi.
401 invalid_token: Non autorizzato, token di autorizzazione non valido o mancante.
429 too_many_requests: Troppe richieste, hai superato il limite di frequenza.
500 api_error: Errore interno del server, qualcosa è andato storto sul server.

Esempio di risposta di errore

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

Conclusione

Attraverso questo documento, hai appreso come utilizzare facilmente l’API OpenAI Chat Completion per implementare la funzionalità di chat ufficiale di OpenAI ChatGPT. Speriamo che questo documento possa aiutarti a integrare e utilizzare meglio questa API. Se hai domande, non esitare a contattare il nostro team di supporto tecnico.

Inizia

Chat AI

Immagine AI

Video AI

Audio AI

Web e Dati

CAPTCHA

Identità

Proxy

Avanzato

Coding

OpenAI Chat Completion API Richiesta e Utilizzo

Processo di Richiesta

Utilizzo di Base

Risposta in Streaming

Conversazione a più turni

Integrazione con OpenAI-Python

Modello di navigazione

Modello visivo

Modello di disegno GPT-4o

Generazione di immagini basate su immagini di riferimento

Generazione di immagini solo testuali

Generazione di un’immagine da più immagini

Gestione degli errori

Esempio di risposta di errore

Conclusione

​Processo di Richiesta

​Utilizzo di Base

​Risposta in Streaming

​Conversazione a più turni

​Integrazione con OpenAI-Python

​Modello di navigazione

​Modello visivo

​Modello di disegno GPT-4o

​Generazione di immagini basate su immagini di riferimento

​Generazione di immagini solo testuali

​Generazione di un’immagine da più immagini

​Gestione degli errori

​Esempio di risposta di errore

​Conclusione

Processo di Richiesta

Utilizzo di Base

Risposta in Streaming

Conversazione a più turni

Integrazione con OpenAI-Python

Modello di navigazione

Modello visivo

Modello di disegno GPT-4o

Generazione di immagini basate su immagini di riferimento

Generazione di immagini solo testuali

Generazione di un’immagine da più immagini

Gestione degli errori

Esempio di risposta di errore

Conclusione