Audio

# توليد الكلام
curl https://api.ailoot.ai/v1/audio/speech \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "qwen-audio-3.0-tts-plus", "input": "طاب يومكم! هذا مثال على تحويل النص إلى كلام.", "voice": "longanlingxin"}' \
  --output speech.mp3

# التعرّف
curl https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" \
  -F model=qwen-asr \
  -F file=@meeting.wav

# التعرّف على الكلام
with open("meeting.wav", "rb") as f:
    tr = client.audio.transcriptions.create(model="qwen-asr", file=f)
print(tr.text)

{
  "text": "طاب يومكم، أيها الزملاء. لنبدأ بنتائج الأسبوع…"
}

المصادقة

• Authorizationheaderمطلوب

  المفتاح بصيغة Bearer sk-…. يمكن أيضاً استخدام الترويسات x-api-key أو x-goog-api-key.

تحويل النص إلى كلام: جسم الطلب

• modelstringمطلوب

  نموذج تحويل النص إلى كلام: gemini-3.8-flash-tts, qwen-audio-3.0-tts-plus, speech-2.8-turbo, gemini-3.8-flash-lite-tts, speech-2.8-hd, gemini-3.1-flash-tts-preview, speech-2.6-turbo, speech-2.6-hd, speech-02-turbo, speech-02-hd.

• inputstringمطلوب

  النص المراد تحويله إلى كلام. تقبل نماذج MiniMax أقل من 10 000 محرف، ويقبل qwen-audio-3.0-tts-plus حتى 600 محرف.

• voicestring

  الصوت. مطلوب لنماذج MiniMax (speech-2.8-hd وغيرها من speech-…): معرّف صوت MiniMax (أحرف لاتينية وأرقام و _ و -، حتى 128 محرفاً). لدى qwen-audio-3.0-tts-plus القيمة الافتراضية هي longanlingxin، ولدى نماذج Gemini TTS هي Kore.

• response_formatstringاختياري

  MiniMax — يدعم فقط mp3; qwen-audio-3.0-tts-plus — mp3, wav أو pcm؛ Gemini TTS — يدعم wav أو json (رابط إلى الملف).

الرد ملف صوتي (لدى MiniMax بصيغة audio/mpeg). تُحسب التكلفة بحسب محارف النص أو التوكنات، كما هو موضح في الكتالوج.

التعرّف على الكلام

• filefileمطلوب

  ملف صوتي WAV ضمن multipart/form-data. qwen-asr, qwen-asr-latest و qwen-audio-3.0-asr-flash: ملف PCM WAV كامل غير مضغوط بطول يصل إلى 5 دقائق، وحجم ملف يقارب 7,5 ميغابايت كحد أقصى (حتى 10 ميغابايت بصيغة base64). asr-1.0: ملف PCM WAV بطول يصل إلى 500 ثانية وحجم يصل إلى 50 ميغابايت. gemini-3.5-transcribe: ملف WAV بحجم يصل إلى 64 ميغابايت.

• modelstringمطلوب

  نموذج التعرّف على الكلام: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringاختياري

  فقط json (أو اترك الحقل دون تحديد).

الحقل language لا تستخدمه هذه النماذج. الرد: {"text": "…"}. تُحسب التكلفة بحسب مدة التسجيل (بالثواني أو الدقائق أو الساعات؛ لكل نموذج وحدة خاصة به).

الصوت في الوقت الفعلي

لـ qwen-audio-3.0-realtime-plus افتح اتصال WebSocket wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus بالترويسة Authorization: Bearer <API_KEY>. أرسل المفتاح من جانب الخادم: لا يُقبل المفتاح ضمن query string. انتظر session.created بالنموذج المحدد، ثم أرسل الإعدادات والرسالة و response.create. فيما يلي ثلاثة إطارات نصية JSON متتابعة للحصول على رد نصي في جلسة صوتية:

{"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"كن موجزًا."}}

{"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"قل نعم."}]}}

{"type":"response.create"}

اقرأ أحداث الرد حتى response.done وقيمة usage النهائية الخاصة به؛ تأتي الأخطاء عبر الحدث error. تُحسب التكلفة بحسب التوكنات النصية والصوتية لكل رد مؤكّد. إدخال الصوت: الحدث input_audio_buffer.append مع audio — بصيغة base64 PCM16 mono 16 kHz؛ ثم input_audio_buffer.commit و response.create. إخراج الصوت بصيغة PCM16 mono 24 kHz. لا تُقبل الإطارات الثنائية في هذه الجلسة.

أحداث العميل المدعومة: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. عناصر conversation items مخصصة للرسائل والنص فقط؛ أدوات الدوال والبحث على الويب وvoiceprint غير مدعومة. حدود الجلسة: 600 ثانية، و20 رداً، و20 جولة في سجل المحادثة، و2000 بايت لحقل instructions، و8000 بايت لنص العميل. تعتمد مهلة الخمول على الإعدادات (60 ثانية افتراضياً).