Referenz

Bilder & Audio

Bilder erzeugen, Text vorlesen lassen und Audio transkribieren – über OpenAI-kompatible Endpunkte.

Bilder erzeugen

POST /v1/images/generations

result = client.images.generate(
    model="gemini-3.1-flash-image",
    prompt="Aquarell eines Marktplatzes mit Rathaus im Frühling",
    n=1,
    response_format="b64_json",
)
image_base64 = result.data[0].b64_json

Parameter	Beschreibung
`model`	Pflicht, siehe Modelle
`prompt`	Pflicht, Bildbeschreibung
`n`	1–4 Bilder
`size`, `quality`, `output_format`	Format und Qualität
`response_format`	nur `b64_json` (Standard)

Sprachausgabe

POST /v1/audio/speech

audio = client.audio.speech.create(
    model="nvr-tts-de-de",
    input="Ihr Antrag ist eingegangen und wird bearbeitet.",
)
audio.write_to_file("bestaetigung.mp3")

Bis zu 4.096 Zeichen pro Anfrage. Optional: voice, response_format, speed, language_code. Die Antwort sind die Audiodaten selbst.

Transkription

POST /v1/audio/transcriptions

with open("sitzung.mp3", "rb") as f:
    transcript = client.audio.transcriptions.create(
        model="whisper-large-v3",
        file=f,
        language="de",
    )
print(transcript.text)

Dateien bis 25 MB. Optional: language, prompt (Begriffe, die vorkommen), response_format (json, text, verbose_json), temperature.