Source: https://ailoot.ai/docs/da/api/audio/
Canonical: https://ailoot.ai/docs/da/api/audio/
Language: da

[API](https://ailoot.ai/docs/da/) 

# Audio

[Markdown](https://ailoot.ai/docs/da/api/audio/index.md)

Talesyntese (TTS) og talegenkendelse (STT) i OpenAI Audio-format.

POST`https://api.ailoot.ai/v1/audio/speech`

Audio

```bash
# 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
```

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

200 OK · talegenkendelse

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

## Godkendelse

| Parameter | Type | Påkrævet | Beskrivelse |
| --- | --- | --- | --- |
| `Authorization` | header | påkrævet | Nøgle i formatet `Bearer sk-…`. Følgende headers kan også bruges: `x-api-key` eller `x-goog-api-key`. |

## Talesyntese: anmodningens indhold

| Parameter | Type | Påkrævet | Beskrivelse |
| --- | --- | --- | --- |
| `model` | string | påkrævet | 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`. |
| `input` | string | påkrævet | Tekst, der skal læses op. MiniMax-modeller tillader færre end 10 000 tegn; for `qwen-audio-3.0-tts-plus` — højst 600. |
| `voice` | string |  | 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_format` | string | valgfrit | 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

POST`https://api.ailoot.ai/v1/audio/transcriptions`

| Parameter | Type | Påkrævet | Beskrivelse |
| --- | --- | --- | --- |
| `file` | file | påkrævet | 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. |
| `model` | string | påkrævet | Talegenkendelsesmodel: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. |
| `response_format` | string | valgfrit | 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:

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

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

```json
{"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).

Her beskrives stemmetilstanden `qwen-audio-3.0-realtime-plus`; andre realtidsmodeller har deres egne regler. Stien `/v1/realtime/sessions` og midlertidige tokens (ephemeral tokens) understøttes ikke.

Har du stadig spørgsmål? Send Request ID og en beskrivelse — så hjælper vi med at finde ud af det.[Kontakt support](mailto:support@ailoot.ai)

## Ailoot · Virksomheden og dens projektportefølje





Ailoot bygger på solid driftserfaring, en stor kundebase, stabil service og løbende kontrol af KPI.





Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder.





Ailoot bruger denne driftserfaring til API-adgang til AI-funktioner i kundernes produkter, agenter, applikationer og automatiseringer.