Audio

# σύνθεση ομιλίας
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": "Καλημέρα! Αυτό είναι ένα παράδειγμα σύνθεσης ομιλίας.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "Καλημέρα, συνάδελφοι. Ας αρχίσουμε με τα αποτελέσματα της εβδομάδας…"
}

Έλεγχος ταυτότητας

• Authorizationheaderυποχρεωτικό

  Κλειδί στη μορφή Bearer sk-…. Μπορείτε επίσης να χρησιμοποιήσετε τις κεφαλίδες x-api-key ή x-goog-api-key.

Μετατροπή σε ομιλία: σώμα αιτήματος

• modelstringυποχρεωτικό

  Μοντέλο μετατροπής σε ομιλία: 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.

• inputstringυποχρεωτικό

  Κείμενο για μετατροπή σε ομιλία. Για τα μοντέλα MiniMax — λιγότεροι από 10 000 χαρακτήρες, για το qwen-audio-3.0-tts-plus — έως 600.

• voicestring

  Φωνή. Υποχρεωτική για τα μοντέλα MiniMax (speech-2.8-hd και άλλα speech-…): αναγνωριστικό φωνής MiniMax (λατινικά γράμματα, ψηφία, _ και -, έως 128 χαρακτήρες). Για το qwen-audio-3.0-tts-plus από προεπιλογή longanlingxin, για τα μοντέλα Gemini TTS — Kore.

• response_formatstringπροαιρετικό

  MiniMax — μόνο mp3; qwen-audio-3.0-tts-plus — mp3, wav ή pcm· Gemini TTS — wav ή json (σύνδεσμος αρχείου).

Η απάντηση είναι αρχείο ήχου (για το MiniMax — audio/mpeg). Η χρέωση γίνεται ανά χαρακτήρα κειμένου ή ανά token, όπως ορίζεται στον κατάλογο.

Αναγνώριση ομιλίας

• filefileυποχρεωτικό

  Αρχείο ήχου WAV σε multipart/form-data. qwen-asr, qwen-asr-latest και qwen-audio-3.0-asr-flash: πλήρες ασυμπίεστο PCM WAV έως 5 λεπτά, αρχείο περίπου έως 7,5 MB (σε base64 — έως 10 MB). asr-1.0: PCM WAV έως 500 δευτερόλεπτα και 50 MB. gemini-3.5-transcribe: WAV έως 64 MB.

• modelstringυποχρεωτικό

  Μοντέλο αναγνώρισης ομιλίας: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringπροαιρετικό

  Μόνο json (ή παραλείψτε το).

Το πεδίο language δεν χρησιμοποιείται από αυτά τα μοντέλα. Απάντηση: {"text": "…"}. Η χρέωση γίνεται βάσει της διάρκειας της εγγραφής (δευτερόλεπτα, λεπτά ή ώρες — κάθε μοντέλο έχει τη δική του μονάδα).

Φωνή σε πραγματικό χρόνο

Για qwen-audio-3.0-realtime-plus ανοίξτε ένα WebSocket wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus με την κεφαλίδα Authorization: Bearer <API_KEY>. Στείλτε το κλειδί από την πλευρά του διακομιστή: τα κλειδιά στη συμβολοσειρά ερωτήματος δεν γίνονται δεκτά. Περιμένετε το session.created με το επιλεγμένο μοντέλο και, στη συνέχεια, στείλτε τις ρυθμίσεις, το μήνυμα και το response.create. Παρακάτω δίνονται τρία διαδοχικά πλαίσια κειμένου JSON για απάντηση κειμένου σε συνεδρία ήχου:

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

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

{"type":"response.create"}

Διαβάστε τα συμβάντα απάντησης έως το response.done και τα τελικά στοιχεία χρήσης (usage) του· τα σφάλματα φτάνουν ως συμβάν error. Η χρέωση γίνεται βάσει των token κειμένου και ήχου κάθε επιβεβαιωμένης απάντησης. Είσοδος ήχου: συμβάν input_audio_buffer.append με audio — base64 PCM16 mono 16 kHz· έπειτα input_audio_buffer.commit και response.create. Έξοδος ήχου — PCM16 mono 24 kHz. Τα δυαδικά πλαίσια δεν γίνονται δεκτά σε αυτή τη συνεδρία.

Υποστηριζόμενα συμβάντα πελάτη: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. Τα στοιχεία συνομιλίας υποστηρίζουν μόνο μηνύματα/κείμενο· εργαλεία κλήσης συναρτήσεων, αναζήτηση στον ιστό και φωνητικά αποτυπώματα δεν υποστηρίζονται. Όρια συνεδρίας: 600 δευτερόλεπτα, 20 απαντήσεις, 20 γύροι ιστορικού συνομιλίας, 2000 byte για το instructions και 8000 byte για το κείμενο του πελάτη. Το χρονικό όριο αδράνειας εξαρτάται από τη διαμόρφωση (από προεπιλογή 60 δευτερόλεπτα).