메인 콘텐츠로 건너뛰기
몇 분 안에 Venice API를 시작하고 실행해보세요. API 키를 발급받고, 첫 요청을 보내고, 빌드를 시작하세요.

​
빠른 시작

1

API 키 발급받기

Venice API 설정으로 이동해 새 API 키를 생성합니다.스크린샷이 포함된 자세한 가이드는 API 키 가이드를 참고하세요.
2

API 키 설정

API 키를 환경변수에 추가합니다. 셸에서 export할 수 있습니다:
export VENICE_API_KEY='your-api-key-here'
또는 프로젝트의 .env 파일에 추가하세요:
VENICE_API_KEY=your-api-key-here
3

SDK 설치

Venice는 OpenAI 호환이므로 OpenAI SDK를 그대로 사용할 수 있습니다. cURL이나 raw HTTP 요청을 선호한다면 이 단계는 건너뛰어도 됩니다.
pip install openai
4

첫 요청 보내기

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("VENICE_API_KEY"),
    base_url="https://api.venice.ai/api/v1"
)

completion = client.chat.completions.create(
    model="zai-org-glm-5",
    messages=[
        {"role": "system", "content": "You are a helpful AI assistant"},
        {"role": "user", "content": "Why is privacy important?"}
    ]
)

print(completion.choices[0].message.content)
메시지 역할(role):
  • system - 모델이 어떻게 동작해야 하는지에 대한 지침
  • user - 사용자의 prompt 또는 질문
  • assistant - 이전 모델 응답(멀티턴 대화용)
  • tool - 함수 호출 결과(도구 사용 시)
5

모델 ID를 바꿔 모델 전환하기

모든 요청에는 model ID가 포함됩니다. 다른 모델을 사용하려면 요청의 model 값을 변경하세요. 자주 쓰이는 선택지:
  • zai-org-glm-5 - 대부분의 사용 사례를 위한 기본 모델
  • kimi-k2-6 - 복잡한 작업에 강한 추론 능력
  • claude-opus-4-8 - 복잡한 작업을 위한 고지능 모델
  • venice-uncensored-1-2 - Venice의 검열되지 않은(uncensored) 모델

모든 모델 보기

가격, 기능, context 한도와 함께 전체 모델 목록을 확인하세요
6

Venice 파라미터 사용하기

venice_parameters를 사용해 웹 검색 같은 Venice 전용 기능을 활성화할 수 있습니다:
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get("VENICE_API_KEY"),
    base_url="https://api.venice.ai/api/v1"
)

completion = client.chat.completions.create(
    model="zai-org-glm-5",
    messages=[
        {"role": "user", "content": "What are the latest developments in AI?"}
    ],
    extra_body={
        "venice_parameters": {
            "enable_web_search": "auto",
            "include_venice_system_prompt": True
        }
    }
)

print(completion.choices[0].message.content)
사용 가능한 모든 파라미터를 확인하세요.
7

스트리밍 활성화(선택 사항)

stream=True를 사용해 응답을 실시간으로 스트리밍합니다:
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get("VENICE_API_KEY"),
    base_url="https://api.venice.ai/api/v1"
)

stream = client.chat.completions.create(
    model="zai-org-glm-5",
    messages=[{"role": "user", "content": "Write a short story about AI"}],
    stream=True
)

for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content is not None:
        print(chunk.choices[0].delta.content, end="")
8

응답 동작 커스터마이즈(선택 사항)

temperature, max tokens 등 다양한 파라미터로 모델 응답 방식을 제어하세요:
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get("VENICE_API_KEY"),
    base_url="https://api.venice.ai/api/v1"
)

completion = client.chat.completions.create(
    model="zai-org-glm-5",
    messages=[
        {"role": "system", "content": "You are a creative storyteller"},
        {"role": "user", "content": "Tell me a creative story"}
    ],
    temperature=0.8,
    max_tokens=500,
    top_p=0.9,
    frequency_penalty=0.5,
    presence_penalty=0.5,
    extra_body={
        "venice_parameters": {
            "include_venice_system_prompt": False
        }
    }
)

print(completion.choices[0].message.content)
지원되는 모든 파라미터에 대한 자세한 내용은 Chat Completions 문서를 확인하세요.

​
더 많은 기능

​
이미지 생성

확산(diffusion) 모델로 텍스트 prompt에서 이미지를 생성합니다: 
import os
import requests

url = "https://api.venice.ai/api/v1/image/generate"

payload = {
    "model": "venice-sd35",
    "prompt": "A cyberpunk city with neon lights and rain",
    "width": 1024,
    "height": 1024,
    "format": "webp"
}

headers = {
    "Authorization": f"Bearer {os.getenv('VENICE_API_KEY')}",
    "Content-Type": "application/json"
}

response = requests.post(url, json=payload, headers=headers)

print(response.json())
참고: 응답은 images 배열에 base64로 인코딩된 이미지를 반환합니다. base64 문자열을 디코딩해 이미지를 저장하거나 표시하세요. 인기 있는 이미지 모델:
  • qwen-image - 가장 높은 품질의 이미지 생성
  • venice-sd35 - 기본 선택, 모든 기능과 호환
  • hidream - 프로덕션 환경을 위한 빠른 생성

모든 이미지 모델 보기

가격과 기능과 함께 사용 가능한 모든 이미지 모델을 확인하세요
cfg_scale, negative_prompt, style_preset, seed, variants 등 더 고급 파라미터 옵션은 Images API 레퍼런스를 참고하세요.

​
이미지 편집

Qwen-Image 모델을 활용한 AI 기반 인페인팅으로 기존 이미지를 수정합니다: 
import os
import requests
import base64

url = "https://api.venice.ai/api/v1/image/edit"

with open("image.jpg", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode('utf-8')

payload = {
    "prompt": "Colorize",
    "image": image_base64
}

headers = {
    "Authorization": f"Bearer {os.getenv('VENICE_API_KEY')}",
    "Content-Type": "application/json"
}

response = requests.post(url, json=payload, headers=headers)

with open("edited_image.png", "wb") as f:
    f.write(response.content)
참고: 이미지 편집기는 Qwen-Image 모델을 사용하며 실험적 endpoint입니다. 입력 이미지는 base64로 인코딩된 문자열로 보내고, API는 편집된 이미지를 바이너리 데이터로 반환합니다. 모든 파라미터는 Image Edit API를 참고하세요.

​
이미지 업스케일링

이미지를 더 높은 해상도로 향상시키고 업스케일링합니다: 
import os
import requests
import base64

url = "https://api.venice.ai/api/v1/image/upscale"

with open("image.jpg", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode('utf-8')

payload = {
    "image": image_base64,
    "scale": 2
}

headers = {
    "Authorization": f"Bearer {os.getenv('VENICE_API_KEY')}",
    "Content-Type": "application/json"
}

response = requests.post(url, json=payload, headers=headers)

with open("upscaled_image.png", "wb") as f:
    f.write(response.content)
참고: 입력 이미지는 base64로 인코딩된 문자열로 보내고, API는 업스케일된 이미지를 바이너리 데이터로 반환합니다. 모든 파라미터는 Image Upscale API를 참고하세요.

​
Text-to-Speech

50개 이상의 다국어 음성으로 텍스트를 음성으로 변환합니다: 
import os
import requests

response = requests.post(
    "https://api.venice.ai/api/v1/audio/speech",
    headers={
        "Authorization": f"Bearer {os.getenv('VENICE_API_KEY')}",
        "Content-Type": "application/json"
    },
    json={
        "input": "Hello, welcome to Venice Voice.",
        "model": "tts-kokoro",
        "voice": "af_sky"
    }
)

with open("speech.mp3", "wb") as f:
    f.write(response.content)
tts-kokoro 모델은 af_sky, af_nova, am_liam, bf_emma, zf_xiaobei, jm_kumo 등 50개 이상의 다국어 음성을 지원합니다. 모든 음성 옵션은 TTS API를 참고하세요.

​
Speech-to-Text

오디오 파일을 텍스트로 전사합니다: 
import os
import requests

url = "https://api.venice.ai/api/v1/audio/transcriptions"

with open("audio.mp3", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {os.getenv('VENICE_API_KEY')}"},
        files={"file": f},
        data={
            "model": "nvidia/parakeet-tdt-0.6b-v3",
            "response_format": "json"
        }
    )

print(response.json())
지원 포맷: WAV, FLAC, MP3, M4A, AAC, MP4. 단어 단위 타이밍 데이터가 필요하면 timestamps=true를 활성화하세요. 모든 옵션은 Transcriptions API를 참고하세요.

​
임베딩(Embeddings)

시맨틱 검색, RAG, 추천 등을 위한 벡터 임베딩을 생성합니다: 
import os
import requests

url = "https://api.venice.ai/api/v1/embeddings"

payload = {
    "model": "text-embedding-bge-m3",
    "input": "Privacy-first AI infrastructure for semantic search",
    "encoding_format": "float"
}

headers = {
    "Authorization": f"Bearer {os.getenv('VENICE_API_KEY')}",
    "Content-Type": "application/json"
}

response = requests.post(url, json=payload, headers=headers)

print(response.json())
배치 처리와 고급 옵션은 Embeddings API를 참고하세요.

​
비전(멀티모달)

qwen3-vl-235b-a22b 같은 비전 지원 모델을 사용해 이미지와 텍스트를 함께 분석합니다: 
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("VENICE_API_KEY"),
    base_url="https://api.venice.ai/api/v1"
)

response = client.chat.completions.create(
    model="qwen3-vl-235b-a22b",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "What is in this image?"},
                {
                    "type": "image_url",
                    "image_url": {"url": "https://www.gstatic.com/webp/gallery/1.jpg"}
                }
            ]
        }
    ]
)

print(response.choices[0].message.content)

​
함수 호출(Function Calling)

모델이 외부 도구와 API와 상호작용하기 위해 호출할 수 있는 함수를 정의합니다: 
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("VENICE_API_KEY"),
    base_url="https://api.venice.ai/api/v1"
)

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get the current weather in a location",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "The city and state"
                    }
                },
                "required": ["location"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="zai-org-glm-5",
    messages=[{"role": "user", "content": "What's the weather in San Francisco?"}],
    tools=tools
)

print(response.choices[0].message)

​
다음 단계

첫 요청을 보내봤다면, Venice API의 더 많은 기능을 살펴보세요:

모델 둘러보기

사용 가능한 모든 모델의 기능, 가격, context 한도를 비교하세요

API 레퍼런스

모든 endpoint와 파라미터가 포함된 상세 API 문서를 살펴보세요

구조화된 응답

스키마가 보장되는 JSON 응답을 받는 방법을 알아보세요

AI 에이전트 가이드

에이전트 앱, 코딩 에이전트, MCP 도구, 스킬, 크립토 워크플로로 빌드하세요

​
추가 리소스

Rate Limiting

rate limit과 프로덕션 사용 모범 사례를 이해하세요

에러 코드

API 에러 처리 및 문제 해결을 위한 레퍼런스

Postman 컬렉션

간편한 테스트를 위해 완전한 Postman 컬렉션을 임포트하세요

개인정보 보호 및 보안

Venice의 프라이버시 우선 아키텍처와 데이터 처리 방식을 알아보세요

​
도움이 필요하신가요?