Source: https://ailoot.ai/docs/el/api/audio/ Canonical: https://ailoot.ai/docs/el/api/audio/ Language: el [API](https://ailoot.ai/docs/el/) # Audio [Markdown](https://ailoot.ai/docs/el/api/audio/index.md) Μετατροπή κειμένου σε ομιλία (TTS) και αναγνώριση ομιλίας (STT) στη μορφή OpenAI Audio. POST`https://api.ailoot.ai/v1/audio/speech` Audio ```bash # 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 ``` ```python # αναγνώριση ομιλίας with open("meeting.wav", "rb") as f: tr = client.audio.transcriptions.create(model="qwen-asr", file=f) print(tr.text) ``` 200 OK · αναγνώριση ομιλίας ```json { "text": "Καλημέρα, συνάδελφοι. Ας αρχίσουμε με τα αποτελέσματα της εβδομάδας…" } ``` ## Έλεγχος ταυτότητας | Παράμετρος | Τύπος | Απαιτείται | Περιγραφή | | --- | --- | --- | --- | | `Authorization` | header | υποχρεωτικό | Κλειδί στη μορφή `Bearer sk-…`. Μπορείτε επίσης να χρησιμοποιήσετε τις κεφαλίδες `x-api-key` ή `x-goog-api-key`. | ## Μετατροπή σε ομιλία: σώμα αιτήματος | Παράμετρος | Τύπος | Απαιτείται | Περιγραφή | | --- | --- | --- | --- | | `model` | string | υποχρεωτικό | 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`. | | `input` | string | υποχρεωτικό | Κείμενο για μετατροπή σε ομιλία. Για τα μοντέλα MiniMax — λιγότεροι από 10 000 χαρακτήρες, για το `qwen-audio-3.0-tts-plus` — έως 600. | | `voice` | string | | 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_format` | string | προαιρετικό | 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 POST`https://api.ailoot.ai/v1/audio/transcriptions` | Παράμετρος | Τύπος | Απαιτείται | Περιγραφή | | --- | --- | --- | --- | | `file` | file | υποχρεωτικό | 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. | | `model` | string | υποχρεωτικό | Μοντέλο αναγνώρισης ομιλίας: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. | | `response_format` | string | προαιρετικό | 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 `. 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: ```json {"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Απάντησε σύντομα."}} ``` ```json {"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"Πες ναι."}]}} ``` ```json {"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). Εδώ περιγράφεται η λειτουργία φωνής του `qwen-audio-3.0-realtime-plus`· τα άλλα μοντέλα πραγματικού χρόνου έχουν δικούς τους κανόνες. Η διαδρομή `/v1/realtime/sessions` και τα προσωρινά token (ephemeral tokens) δεν υποστηρίζονται. Έχετε ερωτήσεις; Στείλτε μας το Request ID και μια περιγραφή — θα σας βοηθήσουμε να βρείτε την αιτία.[Επικοινωνία με την υποστήριξη](mailto:support@ailoot.ai) ## Ailoot · Η εταιρεία και το χαρτοφυλάκιο έργων της Η Ailoot στηρίζεται στη συσσωρευμένη λειτουργική εμπειρία, τη μεγάλη πελατειακή βάση, τη σταθερή εξυπηρέτηση και τον συνεχή έλεγχο KPI. Η εταιρεία και το χαρτοφυλάκιο έργων της: εκατομμύρια πελάτες· μηνιαίες πωλήσεις δισεκατομμυρίων. Η Ailoot αξιοποιεί αυτή τη λειτουργική εμπειρία για πρόσβαση μέσω API σε λειτουργίες AI στα προϊόντα, τους πράκτορες, τις εφαρμογές και τους αυτοματισμούς των πελατών.