Source: https://ailoot.ai/docs/cs/api/audio/ Canonical: https://ailoot.ai/docs/cs/api/audio/ Language: cs [API](https://ailoot.ai/docs/cs/) # Audio [Markdown](https://ailoot.ai/docs/cs/api/audio/index.md) Převod textu na řeč (TTS) a rozpoznávání řeči (STT) ve formátu OpenAI Audio. POST`https://api.ailoot.ai/v1/audio/speech` Audio ```bash # 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 ``` ```python # rozpoznávání řeči with open("meeting.wav", "rb") as f: tr = client.audio.transcriptions.create(model="qwen-asr", file=f) print(tr.text) ``` 200 OK · rozpoznávání řeči ```json { "text": "Dobrý den, kolegové. Začneme výsledky týdne…" } ``` ## Autorizace | Parametr | Typ | Povinný | Popis | | --- | --- | --- | --- | | `Authorization` | header | povinný | Klíč ve tvaru `Bearer sk-…`. Lze použít také hlavičky `x-api-key` nebo `x-goog-api-key`. | ## Převod textu na řeč: tělo požadavku | Parametr | Typ | Povinný | Popis | | --- | --- | --- | --- | | `model` | string | povinný | 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`. | | `input` | string | povinný | Text pro převod na řeč. U modelů MiniMax – méně než 10 000 znaků, u `qwen-audio-3.0-tts-plus` – až 600. | | `voice` | string | | 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_format` | string | nepovinný | 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 POST`https://api.ailoot.ai/v1/audio/transcriptions` | Parametr | Typ | Povinný | Popis | | --- | --- | --- | --- | | `file` | file | povinný | 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. | | `model` | string | povinný | Model pro rozpoznávání řeči: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. | | `response_format` | string | nepovinný | 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 `. 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: ```json {"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Buď stručný."}} ``` ```json {"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"Řekni ano."}]}} ``` ```json {"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). Zde je popsán hlasový režim `qwen-audio-3.0-realtime-plus`; jiné modely pro reálný čas mají svá pravidla. Cesta `/v1/realtime/sessions` a dočasné tokeny (ephemeral tokens) nejsou podporovány. Máte další dotazy? Pošlete Request ID a popis – pomůžeme situaci objasnit.[Napsat podpoře](mailto:support@ailoot.ai) ## Ailoot · Společnost a její portfolio projektů Ailoot staví na dlouhodobých provozních zkušenostech, široké klientské základně, stabilních službách a průběžném sledování KPI. Společnost a její portfolio projektů: miliony zákazníků; měsíční tržby v miliardách. Ailoot využívá tyto provozní zkušenosti k poskytování přístupu přes API k funkcím AI v produktech zákazníků, agentech, aplikacích a automatizacích.