---
title: 图片、语音和视频，与聊天走同一网关
description: 在 Kaeso 0.6.0 中，应用通过已有的 SDK（OpenAI、ElevenLabs），生成图片、语音、转写、视频、音乐和音效，并使用 Kaeso 的密钥、限额、日志和费用。本文介绍哪些可用、支持哪些服务商，以及代码怎么写。
url: https://kaeso.app/zh-CN/articles/media-through-one-gateway
markdown: https://kaeso.app/zh-CN/articles/media-through-one-gateway.md
language: zh-CN
alternates:
  en: https://kaeso.app/articles/media-through-one-gateway.md
  de: https://kaeso.app/de/articles/media-through-one-gateway.md
published: 2026-11-11
authors:
  - Kaeso Team
tags:
  - 网关
  - 媒体
  - 图片
  - 音频
  - 视频
image: https://kaeso.app/articles/media-through-one-gateway/cover.jpg
index: https://kaeso.app/zh-CN/llms.txt
---

# 图片、语音和视频，与聊天走同一网关

在 Kaeso 0.6.0 中，应用通过已有的 SDK（OpenAI、ElevenLabs），生成图片、语音、转写、视频、音乐和音效，并使用 Kaeso 的密钥、限额、日志和费用。本文介绍哪些可用、支持哪些服务商，以及代码怎么写。

> Kaeso 的所有页面、文章和文档页面都列在 https://kaeso.app/zh-CN/llms.txt 中。

- 发布日期：2026年11月11日
- 阅读时间：5 分钟
- 作者：Kaeso Team

大多数在语言模型前面放了网关的团队，仍然让其他流量绕开网关。图片生成直接发给一个服务商，语音发给另一个，转写又发给第三个，每个都在应用环境里放着自己的密钥，有自己的账单，也没有共同的限额。密钥泄露或预算用完时，没有一个地方能看到。

Kaeso 0.6.0 把这些流量纳入网关。应用通过 Kaeso、用官方 SDK 生成图片、语音、转写、视频、音乐和音效，每个请求都和聊天补全一样，使用相同的密钥、别名、限额、预算、日志和费用。

## 同样的基础 URL，同样的密钥

不用学任何新东西：像聊天时那样把 OpenAI SDK 指向 Kaeso，然后调用它的媒体方法。

```python
import base64, os
from openai import OpenAI

client = OpenAI(base_url="https://kaeso.example.com/v1", api_key=os.environ["KAESO_API_KEY"])

image = client.images.generate(
    model="gpt-image-2",
    prompt="A lighthouse at dusk, watercolor",
    size="1024x1024",
)
with open("lighthouse.png", "wb") as f:
    f.write(base64.b64decode(image.data[0].b64_json))
```

Kaeso 以模型所属服务商自己的格式把请求发给它，回答则以 OpenAI 的格式返回。模型只需在项目的目录中；与其他所有端点一样，任何模型名或别名都可以使用。

## 应用可以生成什么

| 类型 | API | 服务商 |
| --- | --- | --- |
| 图片 | OpenAI Images：生成、编辑、流式的部分图片 | OpenAI、SpaceX、Google、OpenRouter、Vercel、Together AI、QwenCloud、Zhipu AI、MiniMax、ElevenLabs |
| 语音 | OpenAI Audio：语音，需要时以事件形式流式返回 | 所有提供该功能的内置服务商 |
| 转写和翻译 | OpenAI Audio：转写、翻译 | 所有提供该功能的内置服务商 |
| 视频 | OpenAI Videos：创建、轮询、下载、混剪 | SpaceX、Google AI Studio、Gemini Enterprise Agent Platform、MiniMax、Zhipu AI、OpenRouter、Together AI、QwenCloud、ElevenLabs |
| 音乐、音效、变声 | ElevenLabs 自己的 SDK | ElevenLabs，音效还可用 QwenCloud 的 Qwen-Audio-TTS-Next |

文档中的[各服务商的 API](https://docs.kaeso.app/zh-CN/concepts/provider-apis) 页面准确列出了哪个 API 能到达哪个服务商，并说明了被拒绝的原因。服务商无法接受的请求，会在发送任何内容之前被拒绝。

## 语音和转写

```python
with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="Your order shipped today.",
) as response:
    response.stream_to_file("speech.mp3")

with open("meeting.mp3", "rb") as audio:
    transcript = client.audio.transcriptions.create(model="whisper-1", file=audio)
print(transcript.text)
```

语音边生成边发给应用。服务商不报告时长时，转写和 ElevenLabs 的变声会按文件标明的时长计费，因此转写绝不会意外地显示为免费。

## 视频任务

视频生成需要几分钟，所以以任务的形式运行。Kaeso 在服务商处启动任务，用自己的 ID 跟踪它，在运行期间向服务商查询，流式传回生成的文件，并在任务结束时计费一次。

```python
video = client.videos.create_and_poll(
    model="grok-imagine-video-1.5",
    prompt="A lighthouse at dusk, waves rolling in",
    seconds="8",
    size="1280x720",
)
if video.status == "completed":
    client.videos.download_content(video.id).write_to_file("lighthouse.mp4")
```

仅限部分模型的密钥，只能看到用这些模型生成的视频和图片；查询视频也计入它的速率限制。

## 为 ElevenLabs 编写的应用

用官方 `elevenlabs` SDK 编写的应用保留原有代码，只改两个值：基础 URL 和密钥。

```python
from elevenlabs import ElevenLabs

client = ElevenLabs(base_url="https://kaeso.example.com", api_key=os.environ["KAESO_API_KEY"])
audio = client.text_to_speech.convert(
    voice_id="21m00Tcm4TlvDq8ikWAM",
    text="Your order shipped today.",
    model_id="eleven_flash_v2_5",
)
```

语音、变声、音效、音乐、转写和图片都能使用，ElevenLabs 基于 WebSocket 的实时语音和转写会话也一样。由于 Kaeso 会把每个请求发给模型所属的服务商，ElevenLabs 应用也能访问其他服务商的语音和转写模型。如果您在自己的代理后面运行 Kaeso，请把 `/v2/` 路由到网关，并放行 WebSocket 升级。

## 聊天中的媒体

聊天请求同样可以携带媒体。应用可以从任何 API 格式，把音频和视频发给所有接受它们的服务商。Chat Completions 应用和 Gemini 应用可以收到对方模型的音频回复，Gemini 模型生成的图片也能到达 Gemini 应用。某种格式或服务商无处容纳某项内容时，会在发送前拒绝，而不是悄悄丢掉。

## 看得懂的费用

每个媒体请求都会连同它生成的内容一起进入请求日志：一张图片及其尺寸、朗读的字符数、音频或视频的秒数。用量和费用把它与聊天并列统计。Kaeso 无法计价的费用显示为“未知”，绝不显示为 0 美元，因此缺少价格也不会掩盖支出。预算和速率限制对媒体请求的作用与聊天完全相同。

默认情况下，请求日志只保留图片、音频和文件的类型和大小，不保留文件本身。为组织或项目开启**保留媒体**后，日志也会保留这些文件，每个请求最多 10 MiB，日志查看器可以显示、播放和下载它们。组织的设置是其项目的上限。

## 在试验场中试用每个模型

控制台的试验场用一个提示词并排试用各类模型：聊天、图片、语音、音效、音乐、用录音或附加音频进行的转写，以及带进度和取消功能的视频。在写任何代码之前，这是比较两个图片模型或两种声音最快的方式。[在线演示](https://demo.kaeso.app)用示例数据展示了试验场。

媒体是 [Kaeso 0.6](https://kaeso.app/zh-CN/articles/kaeso-0-6) 较大的新增功能之一。[图片](https://docs.kaeso.app/zh-CN/api/images)、[音频](https://docs.kaeso.app/zh-CN/api/audio)、[视频](https://docs.kaeso.app/zh-CN/api/videos)和 [ElevenLabs](https://docs.kaeso.app/zh-CN/api/elevenlabs) API 的文档列出了每个端点和参数。

作者：Kaeso Team

## 更多文章

- [推出 MCP 门户](https://kaeso.app/zh-CN/articles/mcp-portal.md)：每个 Kaeso 项目，现在都有 MCP 门户。组织的 MCP 服务器，只需连接一次，再为每个项目选好工具。claude.ai、ChatGPT、Cursor 和您的智能体，都能调用这些工具，并使用 Kaeso 的登录、权限、限额和日志。
- [Gemini 应用经由 Kaeso，背后是 Claude 和 GPT](https://kaeso.app/zh-CN/articles/gemini-apps-through-kaeso.md)：Gemini API 应用，无论用 google-genai SDK，还是直接调用 REST，只需把基础 URL，换成 Kaeso 的地址，就能在 /v1beta 下，访问项目里的任何模型。本文介绍如何切换应用、哪些可用，以及途中的格式转换。

[查看所有文章](https://kaeso.app/zh-CN/articles.md)

## 网关归您。记录也归您

```bash
curl -fsSL https://kaeso.app/install.sh | sh
```

[安装 Kaeso](https://docs.kaeso.app/zh-CN/self-hosting/installation) · [打开在线演示](https://demo.kaeso.app)
