BibiGPTs Video-Zusammenfassungen auf einer custom OpenAI-kompatiblen API betreiben.

Kurzantwort: drei Umgebungsvariablen.

BibiGPTs Beispiel-Umgebungsdatei dokumentiert die Oberfläche direkt: OPENAI_COMPATIBLE_BASE_URL setzt den Endpoint (Standard https://api.openai.com/v1), OPENAI_COMPATIBLE_API_KEY hält den Key (fällt auf OPENAI_API_KEY zurück, wenn ungesetzt), und OPENAI_COMPATIBLE_MODEL wählt das Standardmodell für Zusammenfassungen. Setz die Base URL auf https://api.apisrouter.com/v1, leg einen Gateway-Key in die Key-Variable, und wähl eine beliebige Katalog-ID als Modell. Die Base URL wird bei Nutzung validiert: sie muss mit http:// oder https:// beginnen, und abschließende Slashes werden entfernt, also passt die /v1-Form oben genau. Unter der Haube baut die App einen Vercel-AI-SDK-openai-compatible-Provider aus diesen Werten und ruft chatModel mit der konfigurierten ID auf, weshalb jedes vom Endpoint bediente Modell ohne Code-Änderungen funktioniert.

# Optional: use OpenAI-compatible providers (falls back to OPENAI_API_KEY)
OPENAI_COMPATIBLE_API_KEY=sk-YOUR-APISROUTER-KEY
OPENAI_COMPATIBLE_BASE_URL=https://api.apisrouter.com/v1
OPENAI_COMPATIBLE_MODEL=deepseek-v4-flash

Was BibiGPT dem Endpoint sendet.

BibiGPT (JimmyLv auf GitHub, rund 6.000 Stars für die Open-Source-v1) ist ein One-Click-KI-Zusammenfasser für Audio und Video: füg einen Bilibili- oder YouTube-Link ein, einen Podcast, eine Meeting-Aufnahme oder eine lokale Datei, und es holt das Transkript, verdichtet es und lässt dich mit dem Inhalt chatten. Es begann als BiliGPT für Bilibili-Zusammenfassungen und wuchs zu einem zweisprachigen Tool mit einem gehosteten Nachfolger; die hier beschriebene Umgebungskonfiguration gilt für die selbst gehostete Open-Source-Version. Die Workload ist transkriptförmig: lange Inputs, kurze Outputs. Eine Stunde Sprache ist viel Transkript, das die App in modellgroße Stücke zerteilt, bevor sie zusammengefasst wird, also kann ein Video mehrere Chat-Completions-Calls bedeuten, deren Input-Token die von ihnen erzeugte Zusammenfassung bei weitem übertreffen. Der Preis pro Input-Token ist deshalb die ganze Ökonomie, und Long-Context-Modelle reduzieren das Chunking bei langen Vorlesungen und Podcasts. Der Provider-Aufbau löst Werte in einer sinnvollen Kaskade auf: ein Per-Request-Key (für Instanzen, die Nutzer ihre eigenen mitbringen lassen) gewinnt gegen OPENAI_COMPATIBLE_API_KEY, das gegen OPENAI_API_KEY gewinnt; dasselbe gilt für Base URL und Modell. Es gibt sogar eine OPENAI_COMPATIBLE_KEY_PREFIXES-Variable, um von Nutzern eingegebene Keys zu akzeptieren, deren Präfixe nicht sk- sind, was zählt, wenn die Keys deiner Nutzer von einem Gateway statt von OpenAI stammen.

Vollständiges Setup für eine selbst gehostete Instanz.

BibiGPT ist eine Next.js-App, also reist die Umgebung mit, wie auch immer du deployst: eine .env-Datei lokal, Projekt-Umgebungsvariablen auf Vercel, oder Container-Env in Docker. Setz die drei Variablen, deploy neu oder starte neu, und Zusammenfassungen routen über das Gateway. Die Modell-Variable ist der Standard, keine harte Grenze. Requests tragen eine Pro-Video-Config, deren model-Feld, wenn vorhanden, OPENAI_COMPATIBLE_MODEL überschreibt, also kann eine Instanz standardmäßig auf eine Volumen-ID setzen, während bestimmte Flows eine stärkere anfragen. Betreibst du die Instanz für andere und lässt sie ihre eigenen Keys einfügen, setz OPENAI_COMPATIBLE_KEY_PREFIXES so, dass es das Key-Präfix deines Gateways einschließt, damit das Formular sie akzeptiert.

OPENAI_COMPATIBLE_API_KEY=sk-YOUR-APISROUTER-KEY
OPENAI_COMPATIBLE_BASE_URL=https://api.apisrouter.com/v1
OPENAI_COMPATIBLE_MODEL=deepseek-v4-flash

# accepting user-entered gateway keys in the UI:
OPENAI_COMPATIBLE_KEY_PREFIXES=sk-

Ein Zusammenfassungsmodell wählen, Ost und West.

Der Vergleich lässt sich ehrlich durchführen: dasselbe Video, zwei Modell-IDs, beide Zusammenfassungen gegen das Transkript lesen. Das Nutzungslog pro Key bepreist jeden Kandidaten an echtem Content, und bei Transkript-Workloads ist der Unterschied sofort in der Input-Token-Spalte sichtbar.

• Chinesischer Content ist BibiGPTs Heimspiel: Bilibili-Vorlesungen, Douyin-Clips, chinesische Podcasts. glm-5.2, deepseek-v4-flash und kimi-k2.6 sind auf chinesischen Transkripten nativ stark und sitzen hinter demselben Endpoint wie alles andere.
• Englischer und gemischter Content (YouTube, globale Podcasts) macht sich gut mit claude-haiku-4-5-20251001 und gemini-3.5-flash, beide komfortabel mit langen, verrauschten Transkripten.
• Dieser Split ist das praktische China-plus-global-Argument für ein Gateway: ein Endpoint, ein Key, und der Modell-Override pro Video wählt die richtige Familie pro Content-Quelle, statt einen Vendor für beides zu erzwingen.
• Lange Vorlesungen belohnen langen Context. Weniger Chunks bedeutet weniger Calls und eine kohärentere Zusammenfassung; test eine Long-Context-ID gegen deinen längsten Content, bevor du standardisierst.
• Volumen-Instanzen (ein Team, das alles zusammenfasst, was es schaut) sollten auf deepseek-v4-flash defaulten und selektiv eskalieren; die input-lastige Form lässt Fast-Tier-Preise sich aufsummieren.

Nutzungsbasiert · unter offiziellem Preis

Selected models are priced below official list prices. Exact input, output, cache, and per-request prices are shown for each model.

Fehlerbilder speziell für BibiGPT.

Die Fallback-Kette kann überraschen. Ist OPENAI_COMPATIBLE_API_KEY leer, fällt die App still auf OPENAI_API_KEY zurück. Das ist praktisch, bis die beiden auf unterschiedliche Dienste zeigen: eine Gateway-Base-URL mit einem OpenAI-Key erzeugt Authentifizierungsfehler, die wie Gateway-Probleme aussehen. Ändert sich das Routing, setz das compatible-präfixierte Paar zusammen und lass keinen veralteten OPENAI_API_KEY anderswohin zeigen, oder stell sicher, dass er denselben Gateway-Key hält. Der Base-URL-Validator lehnt Werte ohne Schema ab, also scheitert ein nackter Host schnell mit einem klaren Fehler; schließ https:// und den /v1-Pfad ein. Abschließende Slashes werden entfernt, also funktionieren beide Formen dort. Modell-IDs sind exakte Strings gegen die /v1/models-Liste des Endpoints; ein Tippfehler in OPENAI_COMPATIBLE_MODEL lässt die erste Zusammenfassung mit model-not-found scheitern. Denk auch an den Pro-Video-Override: bleibt ein Flow bei einem alten Modell, übergibt etwas ein explizites model in der Request-Config. Transkript-Abruf ist separate Verrohrung. Liefert ein Video keine Zusammenfassung, weil Untertitel oder Audio nicht abgerufen werden konnten, ist das die Content-Pipeline (Plattform-APIs, Untertitel-Verfügbarkeit), nicht der LLM-Endpoint. Die Env-Vars in diesem Guide bewegen nur die Zusammenfassungs-Calls. Und beachte, dass der gehostete bibigpt.co-Dienst seine eigenen Modelle verwaltet; diese Variablen konfigurieren die selbst gehostete v1, die du selbst deployst.

Wer BibiGPT über ein Gateway routet.

• Zweisprachige Zuschauer, die sowohl Bilibili als auch YouTube zusammenfassen und chinesisch-starke IDs mit globalen hinter einem Key paaren statt einem Vendor pro Sprache.
• Self-Hoster in China-nahen Setups, wo ein einzelner OpenAI-kompatibler Endpoint, der auch GLM, DeepSeek und Kimi bedient, das Multi-Vendor-Billing-Problem komplett entfernt.
• Teams, die einen geteilten Zusammenfasser für Meetings und Vorlesungen betreiben, Nutzung pro Key messen und standardmäßig auf Volumen-Tier-IDs setzen.
• Heavy Podcast-Hörer, wo Stunden an Transkript pro Woche die Input-Token-Preisgestaltung zur ganzen Kostengeschichte machen.
• Entwickler ohne Zugang zum Billing eines bestimmten Vendors. Guthabenbasierter Zugang ohne Kartenpflicht entfernt die Sign-up-Abhängigkeit pro Provider.

Endpoint verifizieren und die erste Zusammenfassung debuggen.

Liste die Modelle, die dein Key adressieren kann, und bestätige, dass die ID in OPENAI_COMPATIBLE_MODEL darunter ist; diese eine Prüfung verhindert die meisten First-Run-Fehler. Fass dann etwas Kurzes zusammen. Ein Authentifizierungsfehler bedeutet, der aufgelöste Key passt nicht zur Base URL, und angesichts der Fallback-Kette, druck aus, welche Variable den Key tatsächlich lieferte, bevor du irgendetwas annimmst. Model-not-found ist ein ID-Tippfehler. Ein Schema-Fehler beim Start ist eine Base URL ohne https://. Eine Zusammenfassung, die trotz gesundem Endpoint nie startet, ist der Transkript-Abruf, der vor jedem LLM-Call scheitert. Sobald Zusammenfassungen fließen, zeigt die APIsRouter-Konsole Modell, Token-Zahlen und Ausgaben pro Anfrage. Transkript-Zusammenfassung ist die klarste input-lastige Workload, die es gibt, und eine Woche Nutzungsdaten sagt dir die echten Kosten pro Stunde Content für jedes Modell, die Zahl, die es wert ist, optimiert zu werden.

curl -s https://api.apisrouter.com/v1/models \
  -H "Authorization: Bearer $APISROUTER_API_KEY" | head -50

Häufige Fragen