package multimodal import ( "context" "encoding/json" "io" "net/http" "net/http/httptest" "strings" "testing" ) func TestSpeechClientSendsMultipartAndReturnsTranscript(t *testing.T) { server := httptest.NewServer(http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) { if r.URL.Path != "/inference" || r.Method != http.MethodPost { t.Fatalf("unexpected speech request: %s %s", r.Method, r.URL.Path) } if err := r.ParseMultipartForm(1 << 20); err != nil { t.Fatal(err) } file, _, err := r.FormFile("file") if err != nil { t.Fatal(err) } defer file.Close() data, _ := io.ReadAll(file) if string(data) != "audio" { t.Fatalf("audio payload = %q", data) } _ = json.NewEncoder(w).Encode(map[string]string{"text": "распознанная фраза"}) })) defer server.Close() text, err := (SpeechClient{BaseURL: server.URL, Client: server.Client()}).Transcribe(context.Background(), "voice.wav", "audio/wav", []byte("audio")) if err != nil || text != "распознанная фраза" { t.Fatalf("transcript=%q err=%v", text, err) } } func TestVisionClientSendsImageDataAndInstruction(t *testing.T) { server := httptest.NewServer(http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) { var payload struct { Messages []struct { Content []struct { Type string `json:"type"` Text string `json:"text"` ImageURL *struct { URL string `json:"url"` } `json:"image_url"` } `json:"content"` } `json:"messages"` } if err := json.NewDecoder(r.Body).Decode(&payload); err != nil { t.Fatal(err) } if len(payload.Messages) != 1 || len(payload.Messages[0].Content) != 2 || !strings.Contains(payload.Messages[0].Content[0].Text, "Опиши") || payload.Messages[0].Content[1].ImageURL == nil || !strings.HasPrefix(payload.Messages[0].Content[1].ImageURL.URL, "data:image/png;base64,") { t.Fatalf("unexpected vision payload: %+v", payload) } _ = json.NewEncoder(w).Encode(map[string]any{"choices": []any{map[string]any{"message": map[string]string{"content": "на изображении круг"}}}}) })) defer server.Close() text, err := (VisionClient{BaseURL: server.URL + "/v1", Client: server.Client()}).Describe(context.Background(), "vision-model", "image/png", []byte{0, 1, 2}, "Опиши изображение") if err != nil || text != "на изображении круг" { t.Fatalf("description=%q err=%v", text, err) } }