Patakbuhin ang video summaries ng BibiGPT sa isang custom OpenAI-compatible API.

Mabilisang sagot: tatlong environment variable.

Direktang idinodokumento ng example environment file ng BibiGPT ang surface: itinatakda ng OPENAI_COMPATIBLE_BASE_URL ang endpoint (default na https://api.openai.com/v1), hawak ng OPENAI_COMPATIBLE_API_KEY ang key (babalik sa OPENAI_API_KEY kapag walang laman), at pinipili ng OPENAI_COMPATIBLE_MODEL ang default na model para sa mga summary. Itakda ang base URL sa https://api.apisrouter.com/v1, ilagay ang isang gateway key sa key variable, at pumili ng anumang catalog id bilang model. Nini-validate ang base URL sa paggamit: dapat itong magsimula sa http:// o https://, at tinatanggal ang trailing slashes, kaya tama nang eksakto ang /v1 form sa itaas. Sa ilalim ng hood, bumubuo ang app ng isang Vercel AI SDK openai-compatible provider mula sa mga value na ito at tinatawag ang chatModel gamit ang na-configure na id, kaya gumagana ang anumang model na si-serve ng endpoint nang walang pagbabago sa code.

# 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

Ano ang ipinapadala ng BibiGPT sa endpoint.

Ang BibiGPT (JimmyLv sa GitHub, humigit-kumulang 6K stars para sa open-source v1) ay isang one-click AI summarizer para sa audio at video: i-paste ang isang Bilibili o YouTube link, isang podcast, isang meeting recording, o isang local file, at kinukuha nito ang transcript, ini-condense ito, at pinapayagan kang mag-chat sa content. Nagsimula ito bilang BiliGPT para sa mga Bilibili summary at lumaki bilang isang bilingual na tool na may hosted successor; ang environment configuration na inilarawan dito ay para sa self-hosted open-source na bersyon. Ang workload ay hugis-transcript: mahahabang input, maiikling output. Isang oras ng pagsasalita ay isang malaking transcript, na hinahati ng app sa mga piraso na kasing-laki ng model bago ito i-summarize, kaya maaaring mangahulugan ang isang video ng ilang chat-completions call na mas malaki ang input tokens kaysa sa summary na ginagawa nito. Ang presyo per-input-token ang buong ekonomiya, at binabawasan ng long-context models ang chunking para sa mahahabang lecture at podcast. Nire-resolve ng provider construction ang mga value sa isang makatwirang cascade: isang per-request na key (para sa mga instance na nagpapahintulot sa mga user na magdala ng sarili nila) ang nananaig sa OPENAI_COMPATIBLE_API_KEY, na nananaig naman sa OPENAI_API_KEY; parehong pattern ito para sa base URL at model. May kahit isang OPENAI_COMPATIBLE_KEY_PREFIXES variable para sa pagtanggap ng mga user-entered key na ang prefix ay hindi sk-, na mahalaga kapag ang mga key na hawak ng mga user mo ay galing sa isang gateway sa halip na OpenAI.

Buong setup para sa isang self-hosted na instance.

Isang Next.js app ang BibiGPT, kaya sumusunod ang environment kung paano mo ito idi-deploy: isang .env file locally, project environment variables sa Vercel, o container env sa Docker. Itakda ang tatlong variable, i-redeploy o i-restart, at ruruta ang mga summary sa pamamagitan ng gateway. Default ang model variable, hindi hard limit. May per-video config ang mga request na ang model field, kapag naroroon, ay nag-o-override sa OPENAI_COMPATIBLE_MODEL, kaya maaaring mag-default ang isang instance sa isang volume id habang humihiling ang mga specific na flow ng mas malakas. Kung nagpapatakbo ka ng instance para sa iba at pinapayagan silang mag-paste ng sarili nilang key, itakda ang OPENAI_COMPATIBLE_KEY_PREFIXES para isama ang prefix ng key ng gateway mo para tanggapin ito ng form.

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-

Pagpili ng model para sa summarization, Silangan at Kanluran.

Madaling patakbuhin ang paghahambing nang tapat: parehong video, dalawang model id, basahin ang parehong summary laban sa transcript. Ipinepresyo ng per-key usage log ang bawat kandidato sa tunay na content, at para sa transcript workloads, agad na makikita ang pagkakaiba sa input-token column.

• Chinese content ang tahanan ng BibiGPT: Bilibili lectures, Douyin clips, Chinese podcasts. Malakas nang likas ang glm-5.2, deepseek-v4-flash, at kimi-k2.6 sa Chinese transcripts at nasa likod ng parehong endpoint tulad ng lahat.
• Maganda rin ang English at mixed content (YouTube, global podcasts) sa claude-haiku-4-5-20251001 at gemini-3.5-flash, parehong komportable sa mahahaba at maingay na transcript.
• Ito ang praktikal na argumento para sa China-plus-global sa isang gateway: isang endpoint, isang key, at ang per-video model override ang pumipili ng tamang family per content source sa halip na piliting isang vendor para sa dalawa.
• Ang mahahabang lecture ay nakikinabang sa long context. Mas kaunting chunks ay nangangahulugan ng mas kaunting calls at mas coherent na summary; subukan ang isang long-context id laban sa pinakamahabang content mo bago i-standardize.
• Dapat mag-default ang mga volume instance (isang team na nagsu-summarize ng lahat ng pinapanood nila) sa deepseek-v4-flash at umeskala nang piling-pili; ang input-heavy na hugis ay nagpapalaki sa fast-tier pricing.

Pay-as-you-go · mas mababa sa opisyal na presyo

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

Mga failure mode na specific sa BibiGPT.

Maaari kang magulat ng fallback chain. Kung walang laman ang OPENAI_COMPATIBLE_API_KEY, tahimik na babalik ang app sa OPENAI_API_KEY. Maganda ito hanggang sa magkaiba ang tinuturo ng dalawa: isang gateway base URL na may OpenAI key ay gumagawa ng authentication errors na parang problema sa gateway. Kapag nagbago ang routing, itakda ang compatible-prefixed pair nang magkasama at huwag iwanan ang isang stale na OPENAI_API_KEY na nakaturo sa iba, o siguraduhing may parehong gateway key ito. Tinatanggihan ng base URL validator ang mga value na walang scheme, kaya nabibigo agad ang isang bare host nang may malinaw na error; isama ang https:// at ang /v1 path. Nina-normalize ang trailing slashes, kaya pareho lang gumagana rito. Eksaktong string ang mga model id laban sa /v1/models listing ng endpoint; isang typo sa OPENAI_COMPATIBLE_MODEL ay nabibigo sa unang summary nang may model-not-found. Tandaan din ang per-video override: kung patuloy na gumagamit ang isang flow ng lumang model, may nagpapasa ng explicit na model sa request config. Hiwalay na makinarya ang transcript fetching. Kung walang nagawang summary ang isang video dahil hindi nakuha ang subtitle o audio, iyon ang content pipeline (platform APIs, availability ng subtitle), hindi ang LLM endpoint. Ginagalaw lamang ng env vars sa gabay na ito ang mga summarization call. At tandaan na pinamamahalaan ng hosted bibigpt.co service ang sarili nitong mga model; ini-configure ng mga variable na ito ang open-source v1 na sarili mong idi-deploy.

Sino ang nagru-route ng BibiGPT sa pamamagitan ng isang gateway.

• Mga bilingual na manonood na nag-su-summarize ng Bilibili at YouTube, pinagsasama ang mga Chinese-strong id sa mga global sa likod ng isang key sa halip na isang vendor per language.
• Mga self-hoster sa China-adjacent na setup kung saan tinatanggal ng isang OpenAI-compatible endpoint na nagse-serve rin ng GLM, DeepSeek, at Kimi ang problema sa multi-vendor billing nang lubusan.
• Mga team na nagpapatakbo ng shared summarizer para sa meetings at lectures, sinusukat ang usage per key at nag-de-default sa mga volume-tier id.
• Mga malakas na tagapakinig ng podcast, kung saan ang oras-oras na transcript per linggo ang gumagawa sa input-token pricing na buong kwento ng gastos.
• Mga developer na walang access sa billing ng isang partikular na vendor. Ang top-up based na access na walang kailangang card ay inaalis ang per-provider na sign-up dependency.

I-verify ang endpoint at i-debug ang unang summary.

Ilista ang mga model na maaabot ng key mo at kumpirmahin na kasama ang id sa OPENAI_COMPATIBLE_MODEL; ang isang check na iyon ang pumipigil sa karamihan ng mga first-run failure. Pagkatapos, mag-summarize ng maikling bagay. Ang authentication error ay nangangahulugan na hindi tumutugma ang na-resolve na key sa base URL, at dahil sa fallback chain, i-print muna kung aling variable talaga ang nagbigay ng key bago ipagpalagay. Ang model-not-found ay typo sa id. Ang scheme error sa startup ay isang base URL na kulang ang https://. Ang isang summary na hindi kailanman nagsisimula sa kabila ng malusog na endpoint ay ang transcript fetch na nabibigo bago pa man ang anumang LLM call. Kapag dumadaloy na ang mga summary, ipinapakita ng APIsRouter console ang per-request na model, token counts, at gastos. Ang transcript summarization ang pinakamalinaw na input-heavy na workload na meron, at sinasabi ng isang linggo ng usage data ang tunay na gastos per oras ng content para sa bawat model, na siyang numerong sulit i-optimize.

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

Mga madalas itanong