Audio

# převod textu na řeč
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": "Dobrý den! Toto je ukázka převodu textu na řeč.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "Dobrý den, kolegové. Začneme výsledky týdne…"
}

Autorizace

• Authorizationheaderpovinný

  Klíč ve tvaru Bearer sk-…. Lze použít také hlavičky x-api-key nebo x-goog-api-key.

Převod textu na řeč: tělo požadavku

• modelstringpovinný

  Model pro převod textu na řeč: 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.

• inputstringpovinný

  Text pro převod na řeč. U modelů MiniMax – méně než 10 000 znaků, u qwen-audio-3.0-tts-plus – až 600.

• voicestring

  Hlas. Povinný pro modely MiniMax (speech-2.8-hd a další speech-…): identifikátor hlasu MiniMax (latinka, číslice, _ a -, nejvýše 128 znaků). U qwen-audio-3.0-tts-plus je ve výchozím nastavení longanlingxin, u modelů Gemini TTS – Kore.

• response_formatstringnepovinný

  MiniMax – pouze mp3; qwen-audio-3.0-tts-plus – mp3, wav nebo pcm; Gemini TTS – wav nebo json (odkaz na soubor).

Odpověď je zvukový soubor (u MiniMax – audio/mpeg). Účtuje se za znaky textu nebo za tokeny podle údajů v katalogu.

Rozpoznávání řeči

• filefilepovinný

  Zvukový soubor WAV v multipart/form-data. qwen-asr, qwen-asr-latest a qwen-audio-3.0-asr-flash: úplný nekomprimovaný PCM WAV až 5 minut, soubor přibližně do 7,5 MB (v base64 – až 10 MB). asr-1.0: PCM WAV až 500 sekund a 50 MB. gemini-3.5-transcribe: WAV až 64 MB.

• modelstringpovinný

  Model pro rozpoznávání řeči: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringnepovinný

  Pouze json (nebo neuvádět).

Pole language tyto modely nevyužívají. Odpověď: {"text": "…"}. Účtuje se za délku nahrávky (sekundy, minuty nebo hodiny – každý model má svou jednotku).

Hlas v reálném čase

Pro qwen-audio-3.0-realtime-plus otevřete WebSocket wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus s hlavičkou Authorization: Bearer <API_KEY>. Klíč předávejte ze serverové strany: klíč v řetězci parametrů URL (query string) se nepřijímá. Vyčkejte na session.created s vybraným modelem, poté odešlete nastavení, zprávu a response.create. Níže jsou tři po sobě jdoucí textové rámce JSON pro textovou odpověď ve zvukové relaci:

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

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

{"type":"response.create"}

Čtěte události odpovědi až do response.done a jeho závěrečné údaje o spotřebě (usage); chyby přicházejí jako událost error. Účtuje se podle textových a zvukových tokenů každé potvrzené odpovědi. Zvukový vstup: událost input_audio_buffer.append s audio – base64 PCM16 mono 16 kHz; poté input_audio_buffer.commit a response.create. Zvukový výstup – PCM16 mono 24 kHz. Binární rámce se v této relaci nepřijímají.

Podporované klientské události: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. Položky konverzace (conversation items) mohou obsahovat pouze zprávy/text; funkční nástroje (function tools), webové vyhledávání (web search) a hlasový otisk (voiceprint) nejsou podporovány. Limity relace: 600 sekund, 20 odpovědí, 20 kol historie (history turns), 2000 bajtů pokynů (instructions) a 8000 bajtů klientského textu. Časový limit nečinnosti (Idle timeout) závisí na konfiguraci (ve výchozím nastavení 60 sekund).