Source: https://ailoot.ai/docs/de/api/audio/ Canonical: https://ailoot.ai/docs/de/api/audio/ Language: de [API](https://ailoot.ai/docs/de/) # Audio [Markdown](https://ailoot.ai/docs/de/api/audio/index.md) Text-to-Speech (TTS) und Spracherkennung (STT) im Format OpenAI Audio. POST`https://api.ailoot.ai/v1/audio/speech` Audio ```bash # 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 # Erkennung curl https://api.ailoot.ai/v1/audio/transcriptions \ -H "Authorization: Bearer $AILOOT_API_KEY" \ -F model=qwen-asr \ -F file=@meeting.wav ``` ```python # Spracherkennung with open("meeting.wav", "rb") as f: tr = client.audio.transcriptions.create(model="qwen-asr", file=f) print(tr.text) ``` 200 OK · Spracherkennung ```json { "text": "Guten Tag, Kolleginnen und Kollegen. Beginnen wir mit den Ergebnissen der Woche…" } ``` ## Authentifizierung | Parameter | Typ | Erforderlich | Beschreibung | | --- | --- | --- | --- | | `Authorization` | header | erforderlich | Schlüssel im Format `Bearer sk-…`. Alternativ eignen sich die Header `x-api-key` oder `x-goog-api-key`. | ## Sprachausgabe: Anfrageinhalt | Parameter | Typ | Erforderlich | Beschreibung | | --- | --- | --- | --- | | `model` | string | erforderlich | 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`. | | `input` | string | erforderlich | Text für die Sprachausgabe. Bei MiniMax-Modellen weniger als 10 000 Zeichen, bei `qwen-audio-3.0-tts-plus` — bis zu 600. | | `voice` | string | | Stimme. **Für MiniMax-Modelle erforderlich** (`speech-2.8-hd` und weitere `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_format` | string | optional | 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 POST`https://api.ailoot.ai/v1/audio/transcriptions` | Parameter | Typ | Erforderlich | Beschreibung | | --- | --- | --- | --- | | `file` | file | erforderlich | 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, Dateigröße etwa bis zu 7,5 MB (in base64 bis zu 10 MB). `asr-1.0`: PCM WAV mit bis zu 500 Sekunden und 50 MB. `gemini-3.5-transcribe`: WAV mit bis zu 64 MB. | | `model` | string | erforderlich | Modell für die Spracherkennung: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. | | `response_format` | string | optional | 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). ## Echtzeit-Sprachmodus Für `qwen-audio-3.0-realtime-plus` öffnen Sie eine WebSocket-Verbindung `wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus` mit dem Header `Authorization: Bearer `. 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 dann die Einstellungen, die Nachricht und `response.create`. Unten stehen drei aufeinanderfolgende JSON-Textframes für eine Textantwort in der Audiositzung: ```json {"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Fasse dich kurz."}} ``` ```json {"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"Sag ja."}]}} ``` ```json {"type":"response.create"} ``` Lesen Sie die Antwortereignisse bis `response.done` und dessen abschließendes usage; Fehler erscheinen als Ereignis `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. Binäre Frames werden in dieser Sitzung nicht akzeptiert. Unterstützte Client-Ereignisse: `session.update`, `input_audio_buffer.append/commit/clear`, `response.create/cancel`, `conversation.item.create/retrieve/delete`. conversation items sind ausschließlich Nachrichten/Text; function tools, web search und voiceprint werden nicht unterstützt. Sitzungslimits: 600 Sekunden, 20 Antworten, 20 history turns, 2000 Byte instructions und 8000 Byte Client-Text. Der Idle-Timeout hängt von der Konfiguration ab (standardmäßig 60 Sekunden). Hier wird der Sprachmodus `qwen-audio-3.0-realtime-plus` beschrieben; für andere Echtzeitmodelle gelten eigene Regeln. Der Pfad `/v1/realtime/sessions` und temporäre Tokens (ephemeral tokens) werden nicht unterstützt. Noch Fragen? Senden Sie uns die Request ID und eine Beschreibung, damit wir Ihnen weiterhelfen können.[Support kontaktieren](mailto:support@ailoot.ai) ## Ailoot · Das Unternehmen und sein Projektportfolio Ailoot baut auf bewährte Betriebserfahrung, einen großen Kundenstamm, stabilen Service und kontinuierliche KPI-Kontrolle. Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe. Ailoot nutzt diese Betriebserfahrung für den API-Zugang zu KI-Funktionen in Kundenprodukten, Agenten, Anwendungen und Automatisierungen.