Source: https://ailoot.ai/docs/fi/api/audio/ Canonical: https://ailoot.ai/docs/fi/api/audio/ Language: fi [API](https://ailoot.ai/docs/fi/) # Audio [Markdown](https://ailoot.ai/docs/fi/api/audio/index.md) Tekstin muuttaminen puheeksi (TTS) ja puheentunnistus (STT) OpenAI Audio -muodossa. POST`https://api.ailoot.ai/v1/audio/speech` Audio ```bash # puhesynteesi 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": "Hyvää päivää! Tämä on esimerkki puhesynteesistä.", "voice": "longanlingxin"}' \ --output speech.mp3 # tunnistus curl https://api.ailoot.ai/v1/audio/transcriptions \ -H "Authorization: Bearer $AILOOT_API_KEY" \ -F model=qwen-asr \ -F file=@meeting.wav ``` ```python # puheentunnistus with open("meeting.wav", "rb") as f: tr = client.audio.transcriptions.create(model="qwen-asr", file=f) print(tr.text) ``` 200 OK · puheentunnistus ```json { "text": "Hyvää päivää, kollegat. Aloitetaan viikon tuloksista…" } ``` ## Todennus | Parametri | Tyyppi | Pakollinen | Kuvaus | | --- | --- | --- | --- | | `Authorization` | header | pakollinen | Avain muodossa `Bearer sk-…`. Myös seuraavat otsakkeet käyvät: `x-api-key` tai `x-goog-api-key`. | ## Puheentuotto: pyynnön runko | Parametri | Tyyppi | Pakollinen | Kuvaus | | --- | --- | --- | --- | | `model` | string | pakollinen | Puheentuottomalli: `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 | pakollinen | Puheeksi muunnettava teksti. MiniMax-malleilla alle 10 000 merkkiä, mallilla `qwen-audio-3.0-tts-plus` — enintään 600. | | `voice` | string | | Ääni. **Pakollinen MiniMax-malleille** (`speech-2.8-hd` ja muut `speech-…`): MiniMax-äänen tunniste (latinalaiset kirjaimet, numerot, `_` ja `-`, enintään 128 merkkiä). Mallilla `qwen-audio-3.0-tts-plus` oletuksena `longanlingxin`, Gemini TTS -malleilla — `Kore`. | | `response_format` | string | valinnainen | MiniMax — vain `mp3`; `qwen-audio-3.0-tts-plus` — `mp3`, `wav` tai `pcm`; Gemini TTS — `wav` tai `json` (linkki tiedostoon). | Vastaus on äänitiedosto (MiniMaxilla — `audio/mpeg`). Maksu määräytyy tekstin merkkien tai tokenien mukaan, kuten luettelossa ilmoitetaan. ## Puheentunnistus POST`https://api.ailoot.ai/v1/audio/transcriptions` | Parametri | Tyyppi | Pakollinen | Kuvaus | | --- | --- | --- | --- | | `file` | file | pakollinen | WAV-äänitiedosto muodossa `multipart/form-data`. `qwen-asr`, `qwen-asr-latest` ja `qwen-audio-3.0-asr-flash`: kokonainen pakkaamaton PCM WAV, enintään 5 minuuttia, tiedosto noin 7,5 Mt (base64-muodossa enintään 10 Mt). `asr-1.0`: PCM WAV, enintään 500 sekuntia ja 50 Mt. `gemini-3.5-transcribe`: WAV, enintään 64 Mt. | | `model` | string | pakollinen | Puheentunnistusmalli: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. | | `response_format` | string | valinnainen | Vain `json` (tai jätä määrittämättä). | Kenttä `language` ei ole käytössä näillä malleilla. Vastaus: `{"text": "…"}`. Maksu määräytyy tallenteen keston mukaan (sekunteina, minuutteina tai tunteina — kullakin mallilla on oma yksikkönsä). ## Reaaliaikainen ääni Mallille `qwen-audio-3.0-realtime-plus` avaa WebSocket `wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus` otsakkeella `Authorization: Bearer `. Lähetä avain palvelinpuolelta: kyselymerkkijonossa olevaa avainta ei hyväksytä. Odota tapahtumaa `session.created` valitulla mallilla ja lähetä sitten asetukset, viesti ja `response.create`. Alla on kolme peräkkäistä JSON-tekstikehystä tekstivastauksen saamiseksi ääni-istunnossa: ```json {"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Ole ytimekäs."}} ``` ```json {"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"Sano kyllä."}]}} ``` ```json {"type":"response.create"} ``` Lue vastaustapahtumia tapahtumaan `response.done` ja sen lopulliseen usage-arvoon asti; virheet saapuvat tapahtumana `error`. Maksu määräytyy kunkin vahvistetun vastauksen teksti- ja äänitokenien mukaan. Äänisyöte: tapahtuma `input_audio_buffer.append` kentällä `audio` — base64 PCM16 mono 16 kHz; sen jälkeen `input_audio_buffer.commit` ja `response.create`. Äänituloste on PCM16 mono 24 kHz. Binaarikehyksiä ei hyväksytä tässä istunnossa. Tuetut asiakastapahtumat: `session.update`, `input_audio_buffer.append/commit/clear`, `response.create/cancel`, `conversation.item.create/retrieve/delete`. conversation items -elementit sisältävät vain viestejä/tekstiä; function tools -työkalut, verkkohaku ja voiceprint eivät ole tuettuja. Istuntorajat: 600 sekuntia, 20 vastausta, 20 keskusteluhistorian vuoroa, 2000 tavua instructions-kentässä ja 8000 tavua asiakkaan tekstiä. Joutoajan aikakatkaisu riippuu asetuksista (oletuksena 60 sekuntia). Tässä kuvataan mallin `qwen-audio-3.0-realtime-plus` äänitila; muilla reaaliaikaisilla malleilla on omat sääntönsä. Polku `/v1/realtime/sessions` ja lyhytaikaiset tokenit (ephemeral tokens) eivät ole tuettuja. Onko vielä kysyttävää? Lähetä Request ID ja kuvaus — autamme selvittämään asian.[Ota yhteyttä tukeen](mailto:support@ailoot.ai) ## Ailoot · Yritys ja sen projektisalkku Ailoot perustuu kertyneeseen toimintakokemukseen, laajaan asiakaskuntaan, vakaaseen palveluun ja jatkuvaan KPI-seurantaan. Yritys ja sen projektisalkku: miljoonia asiakkaita; kuukausittainen myynti miljardiluokassa. Ailoot hyödyntää tätä toimintakokemusta tarjotessaan API-yhteyden tekoälytoimintoihin asiakkaiden tuotteissa, agenteissa, sovelluksissa ja automaatioissa.