Audio

# oplæsning
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": "Goddag! Dette er et eksempel på oplæsning.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "Goddag, kolleger. Lad os begynde med ugens resultater…"
}

Godkendelse

• Authorizationheaderpåkrævet

  Nøgle i formatet Bearer sk-…. Følgende headers kan også bruges: x-api-key eller x-goog-api-key.

Talesyntese: anmodningens indhold

• modelstringpåkrævet

  Talesyntesemodel: 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.

• inputstringpåkrævet

  Tekst, der skal læses op. MiniMax-modeller tillader færre end 10 000 tegn; for qwen-audio-3.0-tts-plus — højst 600.

• voicestring

  Stemme. Påkrævet for MiniMax-modeller (speech-2.8-hd og andre speech-…): et MiniMax-stemme-ID (latinske bogstaver, cifre, _ og -, højst 128 tegn). For qwen-audio-3.0-tts-plus er standardværdien longanlingxin, for Gemini TTS-modeller — Kore.

• response_formatstringvalgfrit

  MiniMax — kun mp3; qwen-audio-3.0-tts-plus — mp3, wav eller pcm; Gemini TTS — wav eller json (link til filen).

Svaret er en lydfil (for MiniMax — audio/mpeg). Debitering sker pr. teksttegn eller token, som angivet i kataloget.

Talegenkendelse

• filefilepåkrævet

  WAV-lydfil i multipart/form-data. qwen-asr, qwen-asr-latest og qwen-audio-3.0-asr-flash: en komplet, ukomprimeret PCM WAV-fil på højst 5 minutter, omtrent højst 7,5 MB (i base64 — højst 10 MB). asr-1.0: PCM WAV på højst 500 sekunder og 50 MB. gemini-3.5-transcribe: WAV på højst 64 MB.

• modelstringpåkrævet

  Talegenkendelsesmodel: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringvalgfrit

  Kun json (eller udelad feltet).

Feltet language bruges ikke af disse modeller. Svar: {"text": "…"}. Betalingen beregnes ud fra optagelsens varighed (sekunder, minutter eller timer — hver model har sin egen enhed).

Stemme i realtid

For qwen-audio-3.0-realtime-plus skal du åbne en WebSocket wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus med headeren Authorization: Bearer <API_KEY>. Send nøglen fra serversiden: nøgler i query string accepteres ikke. Vent på session.created med den valgte model, og send derefter indstillingerne, en besked og response.create. Her er tre JSON-tekstframes i rækkefølge, som giver et tekstsvar i en lydsession:

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

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

{"type":"response.create"}

Læs svarhændelserne frem til response.done og dens samlede usage; fejl kommer som hændelsen error. Betalingen beregnes ud fra tekst- og lydtokens for hvert bekræftet svar. Lydinput: hændelsen input_audio_buffer.append med audio — base64 PCM16 mono 16 kHz; derefter input_audio_buffer.commit og response.create. Lydoutput er PCM16 mono 24 kHz. Binære frames accepteres ikke i denne session.

Understøttede klienthændelser: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. Samtaleelementer omfatter kun beskeder/tekst; function tools, web search og voiceprint understøttes ikke. Sessionsgrænser: 600 sekunder, 20 svar, 20 samtalerunder i historikken, 2000 bytes instructions og 8000 bytes klienttekst. Timeout ved inaktivitet afhænger af konfigurationen (som standard 60 sekunder).