> ## Documentation Index
> Fetch the complete documentation index at: https://docs.tokenlab.sh/llms.txt
> Use this file to discover all available pages before exploring further.

# Embedding を作成

> 入力テキストを表現する embedding ベクトルを作成します

## リクエストボディ

**同期リクエストのタイムアウト:** この非チャットエンドポイントは、ルーティング先モデルの処理完了を待ちます。大きな入力、長い音声、大きなバッチは一般的な 30s のクライアント既定値を超えることがあるため、HTTP クライアントのタイムアウトは少なくとも `120s` に設定してください。

<ParamField body="model" type="string" required>
  使用する embedding モデルの ID（例: `text-embedding-3-small`）。
</ParamField>

<ParamField body="input" type="string | array" required>
  embedding 化する入力テキスト。文字列または文字列の配列を指定できます。
</ParamField>

<ParamField body="encoding_format" type="string" default="float">
  embeddings の形式: `float` または `base64`。
</ParamField>

<ParamField body="dimensions" type="integer">
  出力の次元数（モデル固有）。
</ParamField>

<ParamField body="user" type="string">
  不正使用の監視のためにエンドユーザーを表す一意の識別子。
</ParamField>

## 利用可能なモデル

| モデル                      | 次元   | 説明    |
| ------------------------ | ---- | ----- |
| `text-embedding-3-large` | 3072 | 最高品質  |
| `text-embedding-3-small` | 1536 | バランス型 |
| `text-embedding-ada-002` | 1536 | レガシー  |

## レスポンス

<ResponseField name="object" type="string">
  常に `list` です。
</ResponseField>

<ResponseField name="data" type="array">
  embedding オブジェクトの配列。

  各オブジェクトには以下が含まれます:

  * `object` (string): `embedding`
  * `index` (integer): 入力配列内のインデックス
  * `embedding` (array): embedding ベクトル
</ResponseField>

<ResponseField name="model" type="string">
  使用されたモデル。
</ResponseField>

<ResponseField name="usage" type="object">
  `prompt_tokens` および `total_tokens` を含む token 使用量。
</ResponseField>

<RequestExample>
  ```bash cURL theme={null}
  curl -X POST "https://api.tokenlab.sh/v1/embeddings" \
    -H "Authorization: Bearer sk-your-api-key" \
    -H "Content-Type: application/json" \
    -d '{
      "model": "text-embedding-3-small",
      "input": "The quick brown fox jumps over the lazy dog"
    }'
  ```

  ```python Python theme={null}
  from openai import OpenAI

  client = OpenAI(
      api_key="sk-your-api-key",
      base_url="https://api.tokenlab.sh/v1"
  )

  response = client.embeddings.create(
      model="text-embedding-3-small",
      input="The quick brown fox jumps over the lazy dog"
  )

  embedding = response.data[0].embedding
  print(f"Embedding dimension: {len(embedding)}")
  print(f"First 5 values: {embedding[:5]}")
  ```

  ```javascript JavaScript theme={null}
  import OpenAI from 'openai';

  const client = new OpenAI({
    apiKey: 'sk-your-api-key',
    baseURL: 'https://api.tokenlab.sh/v1'
  });

  const response = await client.embeddings.create({
    model: 'text-embedding-3-small',
    input: 'The quick brown fox jumps over the lazy dog'
  });

  console.log(response.data[0].embedding.slice(0, 5));
  ```

  ```php PHP theme={null}
  <?php
  $ch = curl_init('https://api.tokenlab.sh/v1/embeddings');

  curl_setopt_array($ch, [
      CURLOPT_RETURNTRANSFER => true,
      CURLOPT_POST => true,
      CURLOPT_HTTPHEADER => [
          'Content-Type: application/json',
          'Authorization: Bearer sk-your-api-key'
      ],
      CURLOPT_POSTFIELDS => json_encode([
          'model' => 'text-embedding-3-small',
          'input' => 'The quick brown fox jumps over the lazy dog'
      ])
  ]);

  $response = curl_exec($ch);
  curl_close($ch);

  $data = json_decode($response, true);
  print_r(array_slice($data['data'][0]['embedding'], 0, 5));
  ```
</RequestExample>

<ResponseExample>
  ```json Response theme={null}
  {
    "object": "list",
    "data": [
      {
        "object": "embedding",
        "index": 0,
        "embedding": [0.0023, -0.0194, 0.0081, ...]
      }
    ],
    "model": "text-embedding-3-small",
    "usage": {
      "prompt_tokens": 9,
      "total_tokens": 9
    }
  }
  ```
</ResponseExample>

## バッチ Embeddings

```python theme={null}
# Embed multiple texts at once
response = client.embeddings.create(
    model="text-embedding-3-small",
    input=[
        "First document text",
        "Second document text",
        "Third document text"
    ]
)

for i, data in enumerate(response.data):
    print(f"Document {i}: {len(data.embedding)} dimensions")
```