Audio

# Sprachausgabe
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": "Guten Tag! Dies ist ein Beispiel für Sprachausgabe.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "Guten Tag, liebe Kolleginnen und Kollegen. Beginnen wir mit den Ergebnissen der Woche…"
}

Authentifizierung

• Authorizationheadererforderlich

  Schlüssel in der Form Bearer sk-…. Alternativ akzeptiert Ailoot die Header x-api-key oder x-goog-api-key.

Sprachausgabe: Request-Body

• modelstringerforderlich

  Modell für die Sprachausgabe: 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.

• inputstringerforderlich

  Text für die Sprachausgabe. Bei MiniMax-Modellen weniger als 10 000 Zeichen, bei qwen-audio-3.0-tts-plus — bis zu 600.

• voicestring

  Stimme. Für MiniMax-Modelle erforderlich (speech-2.8-hd und andere speech-…): MiniMax-Stimmen-ID (lateinische Buchstaben, Ziffern, _ und -, bis zu 128 Zeichen). Bei qwen-audio-3.0-tts-plus standardmäßig longanlingxin, bei Gemini-TTS-Modellen — Kore.

• response_formatstringoptional

  MiniMax — nur mp3; qwen-audio-3.0-tts-plus — mp3, wav oder pcm; Gemini TTS — wav oder json (Link zur Datei).

Die Antwort ist eine Audiodatei (bei MiniMax — audio/mpeg). Abgerechnet wird nach Textzeichen oder Tokens, wie im Katalog angegeben.

Spracherkennung

• filefileerforderlich

  WAV-Audiodatei in multipart/form-data. qwen-asr, qwen-asr-latest und qwen-audio-3.0-asr-flash: vollständiges, unkomprimiertes PCM WAV mit bis zu 5 Minuten Länge und einer Dateigröße von ungefähr bis zu 7,5 MB (in base64 bis zu 10 MB). asr-1.0: PCM WAV mit bis zu 500 Sekunden Länge und 50 MB. gemini-3.5-transcribe: WAV mit bis zu 64 MB.

• modelstringerforderlich

  Modell für die Spracherkennung: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringoptional

  Nur json (oder weglassen).

Das Feld language wird von diesen Modellen nicht verwendet. Antwort: {"text": "…"}. Abgerechnet wird nach der Aufnahmedauer (Sekunden, Minuten oder Stunden — jedes Modell hat seine eigene Einheit).

Sprache in Echtzeit

Für qwen-audio-3.0-realtime-plus öffnen Sie eine WebSocket-Verbindung zu wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus mit dem Header Authorization: Bearer <API_KEY>. Übermitteln Sie den Schlüssel serverseitig: Ein Schlüssel im Query-String wird nicht akzeptiert. Warten Sie auf session.created mit dem gewählten Modell und senden Sie danach Einstellungen, Nachricht und response.create. Nachfolgend drei aufeinanderfolgende JSON-Textframes für eine Textantwort innerhalb der Audiositzung:

{"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Fasse dich kurz."}}

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

{"type":"response.create"}

Lesen Sie die Antwortereignisse bis response.done einschließlich der abschließenden usage; Fehler werden als folgendes Ereignis übermittelt: error. Abgerechnet werden die Text- und Audiotokens jeder bestätigten Antwort. Audioeingabe: Ereignis input_audio_buffer.append mit audio — base64 PCM16 mono 16 kHz; anschließend input_audio_buffer.commit und response.create. Audioausgabe — PCM16 mono 24 kHz. Binärframes werden in dieser Sitzung nicht akzeptiert.

Unterstützte Clientereignisse: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. conversation items — ausschließlich Nachrichten/Text; function tools, web search und voiceprint werden nicht unterstützt. Sitzungslimits: 600 Sekunden, 20 Antworten, 20 history turns, 2000 Bytes instructions und 8000 Bytes Clienttext. Der Idle timeout hängt von der Konfiguration ab (standardmäßig 60 Sekunden).