Audio

# המרת טקסט לדיבור
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": "שלום! זו דוגמה להמרת טקסט לדיבור.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "שלום, עמיתים לעבודה. נתחיל בסיכום השבוע…"
}

אימות

• Authorizationheaderחובה

  המפתח בפורמט Bearer sk-…. אפשר להשתמש גם בכותרות x-api-key או x-goog-api-key.

הקראת טקסט: גוף הבקשה

• modelstringחובה

  מודל להקראת טקסט: 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.

• inputstringחובה

  הטקסט להקראה. במודלי MiniMax — פחות מ-10 000 תווים, ובמודל qwen-audio-3.0-tts-plus — עד 600.

• voicestring

  קול. חובה במודלי MiniMax (speech-2.8-hd ובמודלים נוספים speech-…): מזהה קול של MiniMax (אותיות לטיניות, ספרות, _ וכן -, עד 128 תווים). במודל qwen-audio-3.0-tts-plus ברירת המחדל היא longanlingxin, ובמודלי Gemini TTS — Kore.

• response_formatstringרשות

  MiniMax — רק mp3; qwen-audio-3.0-tts-plus — mp3, wav או pcm; Gemini TTS — wav או json (קישור לקובץ).

התשובה היא קובץ שמע (ב-MiniMax — audio/mpeg). החיוב הוא לפי תווי הטקסט או לפי טוקנים, כפי שמצוין בקטלוג.

זיהוי דיבור

• filefileחובה

  קובץ שמע WAV בפורמט multipart/form-data. qwen-asr, qwen-asr-latest וכן qwen-audio-3.0-asr-flash: PCM WAV מלא ולא דחוס באורך של עד 5 דקות, קובץ בגודל של עד כ-7.5 MB (ב-base64 — עד 10 MB). asr-1.0: PCM WAV באורך של עד 500 שניות ובגודל של עד 50 MB. gemini-3.5-transcribe: WAV בגודל של עד 64 MB.

• modelstringחובה

  מודל לזיהוי דיבור: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringרשות

  רק json (או להשמיט את השדה).

השדה language אינו משמש במודלים האלה. התשובה: {"text": "…"}. החיוב הוא לפי משך ההקלטה (שניות, דקות או שעות — לכל מודל יחידה משלו).

קול בזמן אמת

עבור qwen-audio-3.0-realtime-plus יש לפתוח WebSocket wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus עם הכותרת Authorization: Bearer <API_KEY>. יש להעביר את המפתח מצד השרת: מפתח ב-query string אינו מתקבל. יש להמתין לאירוע session.created עם המודל שנבחר, ולאחר מכן לשלוח את ההגדרות, ההודעה ואת response.create. להלן שלוש מסגרות טקסט JSON עוקבות לקבלת תשובת טקסט בסשן שמע:

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

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

{"type":"response.create"}

יש לקרוא את אירועי התשובה עד לאירוע response.done ונתוני ה-usage הסופיים שלו; שגיאות מגיעות באירוע error. החיוב הוא לפי טוקני הטקסט והשמע של כל תשובה שאומתה. קלט שמע: האירוע input_audio_buffer.append עם audio — base64 PCM16 mono 16 kHz; ולאחר מכן input_audio_buffer.commit וכן response.create. פלט השמע הוא PCM16 mono 24 kHz. מסגרות בינאריות אינן מתקבלות בסשן הזה.

אירועי הלקוח הנתמכים: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. conversation items כוללים רק הודעות וטקסט; function tools, web search ו-voiceprint אינם נתמכים. מגבלות הסשן: 600 שניות, 20 תשובות, 20 history turns, 2000 בתים של instructions ו-8000 בתים של טקסט מהלקוח. Idle timeout תלוי בהגדרות (ברירת המחדל היא 60 שניות).