Source: https://ailoot.ai/docs/es-mx/api/audio/ Canonical: https://ailoot.ai/docs/es-mx/api/audio/ Language: es-mx [API](https://ailoot.ai/docs/es-mx/) # Audio [Markdown](https://ailoot.ai/docs/es-mx/api/audio/index.md) Conversión de texto a voz (TTS) y reconocimiento de voz (STT) en formato OpenAI Audio. POST`https://api.ailoot.ai/v1/audio/speech` Audio ```bash # Síntesis de voz 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": "¡Buen día! Este es un ejemplo de síntesis de voz.", "voice": "longanlingxin"}' \ --output speech.mp3 # Transcripción curl https://api.ailoot.ai/v1/audio/transcriptions \ -H "Authorization: Bearer $AILOOT_API_KEY" \ -F model=qwen-asr \ -F file=@meeting.wav ``` ```python # Reconocimiento de voz with open("meeting.wav", "rb") as f: tr = client.audio.transcriptions.create(model="qwen-asr", file=f) print(tr.text) ``` 200 OK · transcripción ```json { "text": "Buen día, colegas. Empecemos con los resultados de la semana…" } ``` ## Autenticación | Parámetro | Tipo | Obligatorio | Descripción | | --- | --- | --- | --- | | `Authorization` | header | obligatorio | Clave en formato `Bearer sk-…`. También se admiten los encabezados `x-api-key` o `x-goog-api-key`. | ## Texto a voz: cuerpo de la solicitud | Parámetro | Tipo | Obligatorio | Descripción | | --- | --- | --- | --- | | `model` | string | obligatorio | Modelo de texto a voz: `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 | obligatorio | Texto que se va a convertir en voz. Los modelos de MiniMax admiten menos de 10 000 caracteres; `qwen-audio-3.0-tts-plus` admite hasta 600. | | `voice` | string | | Voz. **Obligatoria para los modelos de MiniMax** (`speech-2.8-hd` y otros modelos `speech-…`): identificador de voz de MiniMax (letras latinas, números, `_` y `-`, hasta 128 caracteres). En `qwen-audio-3.0-tts-plus` el valor predeterminado es `longanlingxin`; en los modelos Gemini TTS, `Kore`. | | `response_format` | string | opcional | MiniMax: solo `mp3`; `qwen-audio-3.0-tts-plus` — `mp3`, `wav` o `pcm`; Gemini TTS: `wav` o `json` (enlace al archivo). | La respuesta es un archivo de audio (en MiniMax, `audio/mpeg`). Se factura por caracteres de texto o por tokens, según lo indicado en el catálogo. ## Reconocimiento de voz POST`https://api.ailoot.ai/v1/audio/transcriptions` | Parámetro | Tipo | Obligatorio | Descripción | | --- | --- | --- | --- | | `file` | file | obligatorio | Archivo de audio WAV en `multipart/form-data`. `qwen-asr`, `qwen-asr-latest` y `qwen-audio-3.0-asr-flash`: PCM WAV completo sin comprimir de hasta 5 minutos, con un tamaño aproximado máximo de 7.5 MB (hasta 10 MB en base64). `asr-1.0`: PCM WAV de hasta 500 segundos y 50 MB. `gemini-3.5-transcribe`: WAV de hasta 64 MB. | | `model` | string | obligatorio | Modelo de reconocimiento de voz: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. | | `response_format` | string | opcional | Solo `json` (o se puede omitir). | El campo `language` no se utiliza en estos modelos. Respuesta: `{"text": "…"}`. Se factura por la duración de la grabación (segundos, minutos u horas, según la unidad de cada modelo). ## Voz en tiempo real Para `qwen-audio-3.0-realtime-plus` , abre un WebSocket en `wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus` con el encabezado `Authorization: Bearer `. Envía la clave desde el servidor: no se admiten claves en la cadena de consulta. Espera a recibir `session.created` con el modelo seleccionado y, después, envía la configuración, el mensaje y `response.create`. A continuación se muestran tres tramas de texto JSON consecutivas para obtener una respuesta de texto en una sesión de audio: ```json {"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Sé breve."}} ``` ```json {"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"Di sí."}]}} ``` ```json {"type":"response.create"} ``` Lee los eventos de respuesta hasta `response.done` y su usage final; los errores llegan en un evento `error`. Se factura por los tokens de texto y audio de cada respuesta confirmada. Entrada de audio: evento `input_audio_buffer.append` con `audio` en base64 PCM16 mono de 16 kHz; después, `input_audio_buffer.commit` y `response.create`. Salida de audio: PCM16 mono de 24 kHz. Esta sesión no admite tramas binarias. Eventos de cliente admitidos: `session.update`, `input_audio_buffer.append/commit/clear`, `response.create/cancel`, `conversation.item.create/retrieve/delete`. Los elementos de conversación solo admiten mensajes y texto; no se admiten herramientas de tipo función, búsqueda web ni huellas de voz. Límites de sesión: 600 segundos, 20 respuestas, 20 turnos de historial, 2000 bytes para instructions y 8000 bytes de texto del cliente. El tiempo de espera por inactividad depende de la configuración (60 segundos de forma predeterminada). Aquí se describe el modo de voz de `qwen-audio-3.0-realtime-plus`; otros modelos en tiempo real tienen sus propias reglas. No se admiten la ruta `/v1/realtime/sessions` ni los tokens temporales (ephemeral tokens). ¿Tienes alguna pregunta? Envíanos el Request ID y una descripción; te ayudaremos a resolverla.[Contactar a soporte](mailto:support@ailoot.ai) ## Ailoot · La empresa y su cartera de proyectos Ailoot se apoya en la experiencia operativa acumulada, una amplia base de clientes, un servicio estable y el seguimiento continuo de KPI. La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. Ailoot aplica esa experiencia operativa al acceso por API a funciones de IA en productos de clientes, agentes, aplicaciones y automatizaciones.