SDK とクライアントライブラリ
OpenAI、Anthropic、Google の SDK を Atlas Cloud に向けて使う方法と、画像・動画・音声生成向けにコピーしてそのまま使える Python / Node.js クライアント。
Atlas Cloud は独自の SDK を提供していません。言語モデルであれば、そもそも必要ありません — API は既存の SDK がすでに使っている形式をそのまま話します。メディア生成については、プロジェクトにコピーして使える小さなクライアントをこのページに用意しました。
| 呼び出す対象 | 方法 |
|---|---|
| 言語モデル | OpenAI、Anthropic、Google の SDK を Atlas Cloud に向ける |
| 画像・動画・音声・3D | 非同期エンドポイントへのプレーンな HTTP — クライアントは下記 |
| ターミナルや CI から | CLI |
| AI 支援の IDE から | MCP サーバー |
言語モデル
ベース URL と API キーを変えるだけです。それ以外はそのままで動きます。
pip install openaiimport os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["ATLASCLOUD_API_KEY"],
base_url="https://api.atlascloud.ai/v1",
)
response = client.chat.completions.create(
model="deepseek-ai/deepseek-v3.2",
messages=[{"role": "user", "content": "Explain HTTP vs HTTPS"}],
)
print(response.choices[0].message.content)モデルによって受け付けるプロトコルは異なります — Messages にしか対応しないものもあれば、Responses にしか対応しないものもあります。Chat Completions が使えると決めつけず、事前にモデルの API リファレンスを確認してください。LLM API プロトコル をご覧ください。
メディア生成クライアント
画像・動画・音声・3D の生成は非同期です。ジョブを送信してからポーリングします。以下は必要十分な最小構成のクライアントです。
import os
import time
import requests
API_KEY = os.environ["ATLASCLOUD_API_KEY"]
BASE = "https://api.atlascloud.ai/api/v1"
HEADERS = {"Authorization": f"Bearer {API_KEY}"}
# エンドポイントは出力の種類で決まる: 3D は image、音声合成・音楽・文字起こしはすべて audio
ENDPOINTS = {
"image": f"{BASE}/model/generateImage",
"video": f"{BASE}/model/generateVideo",
"audio": f"{BASE}/model/generateAudio",
}
TERMINAL = {"completed", "succeeded", "failed", "timeout"}
def submit(kind: str, model: str, **params) -> str:
"""ジョブを送信して prediction ID を返す。パラメータはトップレベルに置き、input で包まない。"""
response = requests.post(
ENDPOINTS[kind],
headers=HEADERS,
json={"model": model, **params},
timeout=60,
)
response.raise_for_status()
return response.json()["data"]["id"]
def wait(prediction_id: str, timeout: int = 600) -> dict:
"""終了状態になるまでポーリングする。間隔は徐々に広げる。"""
deadline = time.time() + timeout
delay = 2.0
while time.time() < deadline:
response = requests.get(
f"{BASE}/model/prediction/{prediction_id}",
headers=HEADERS,
timeout=30,
)
response.raise_for_status()
data = response.json()["data"]
if data.get("status") in TERMINAL:
if data["status"] in ("failed", "timeout"):
raise RuntimeError(f"生成に失敗しました: {data.get('error') or data['status']}")
return data
time.sleep(delay)
delay = min(delay * 1.5, 10.0)
raise TimeoutError(f"ジョブ {prediction_id} は {timeout} 秒以内に完了しませんでした")
def upload(path: str) -> str:
"""ローカルファイルをアップロードし、生成リクエストで使える URL を返す。"""
with open(path, "rb") as f:
response = requests.post(
f"{BASE}/model/uploadMedia", headers=HEADERS, files={"file": f}, timeout=600
)
response.raise_for_status()
data = response.json()["data"]
return data.get("download_url") or data.get("url")
if __name__ == "__main__":
pid = submit("image", "MODEL_ID", prompt="a ceramic mug on a linen backdrop")
result = wait(pid)
print(result["outputs"][0])このクライアントが正しく押さえている、間違えやすい 2 点:
- パラメータはトップレベル、
modelと同じ階層に置きます —inputオブジェクトで包まないでください。 - 文字起こしモデルと歌詞モデルでは、
outputs[0]は URL ではなくテキストです。 何も考えずにダウンロードしないでください。音声モデル をご覧ください。
本番運用のポイント
- 動画にはポーリングより Webhook を。動画は数分かかることがあります。Webhook をご覧ください。
429、500、503、504は指数バックオフでリトライしてください。400、401、402、403はリトライしないでください。エラーとレート制限 をご覧ください。- 送信のリトライには注意してください。 送信がタイムアウトしても、サーバー側では受理されている可能性があり、闇雲にリトライすると課金対象のジョブがもう 1 件増えます。非同期で送信してポーリングする方式にしてください。
- すべてのレスポンスの
X-Request-IDをログに残してください — サポートが呼び出しを追跡するために必要な値です。
コミュニティ製ライブラリ
コミュニティが管理するラッパーは awesome-atlas-cloud-integrations にまとめられています。これらは独立して管理されているため、本番環境で使う前にラッパーの実際の挙動を確認してください。
関連ドキュメント
Last updated on