Audio

# szövegfelolvasás
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": "Jó napot! Ez egy szövegfelolvasási példa.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "Jó napot, kollégák! Kezdjük a hét eredményeivel…"
}

Hitelesítés

• Authorizationheaderkötelező

  A kulcs formátuma Bearer sk-…. A következő fejlécek is használhatók: x-api-key vagy x-goog-api-key.

Szövegfelolvasás: a kérés törzse

• modelstringkötelező

  Szövegfelolvasó modell: 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.

• inputstringkötelező

  Felolvasandó szöveg. A MiniMax modelleknél kevesebb mint 10 000 karakter, a qwen-audio-3.0-tts-plus esetében legfeljebb 600.

• voicestring

  Hang. MiniMax modellek esetén kötelező (speech-2.8-hd és más speech-…): a MiniMax-hang azonosítója (latin betűk, számjegyek, _ és -, legfeljebb 128 karakter). A qwen-audio-3.0-tts-plus alapértelmezett értéke longanlingxin, a Gemini TTS modelleknél pedig Kore.

• response_formatstringnem kötelező

  MiniMax — kizárólag mp3; qwen-audio-3.0-tts-plus — mp3, wav vagy pcm; Gemini TTS — wav vagy json (hivatkozás a fájlra).

A válasz egy hangfájl (MiniMax esetén audio/mpeg). A díjat a katalógusban megadottak szerint szövegkarakterenként vagy tokenenként számítjuk fel.

Beszédfelismerés

• filefilekötelező

  WAV-hangfájl a következő formátumban: multipart/form-data. qwen-asr, qwen-asr-latest és qwen-audio-3.0-asr-flash: teljes, tömörítetlen PCM WAV, legfeljebb 5 perc, körülbelül legfeljebb 7,5 MB-os fájl (base64 formátumban legfeljebb 10 MB). asr-1.0: PCM WAV, legfeljebb 500 másodperc és 50 MB. gemini-3.5-transcribe: WAV, legfeljebb 64 MB.

• modelstringkötelező

  Beszédfelismerő modell: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringnem kötelező

  Kizárólag json (vagy hagyja el a mezőt).

Mező: language — ezek a modellek nem használják. Válasz: {"text": "…"}. A díjat a felvétel hossza alapján számítjuk fel (másodperc, perc vagy óra — modellenként eltérő egységgel).

Valós idejű hang

A qwen-audio-3.0-realtime-plus modellhez nyisson WebSocket-kapcsolatot: wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus a következő fejléccel: Authorization: Bearer <API_KEY>. A kulcsot szerveroldalról küldje: a query stringben megadott kulcsot nem fogadjuk el. Várja meg a session.created eseményt a kiválasztott modellel, majd küldje el a beállításokat, az üzenetet és a response.createeseményt. Az alábbi három egymást követő JSON szöveges keret egy hangalapú munkamenet szöveges válaszához tartozik:

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

{"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"Mondja azt, hogy igen."}]}}

{"type":"response.create"}

Olvassa a válaszeseményeket a response.done eseményig és annak összesített usage adataiig; a hibák a következő eseményben érkeznek: error. A díjat minden megerősített válasz szöveg- és hangtokenjei alapján számítjuk fel. Hangbemenet: a következő esemény: input_audio_buffer.append a következővel: audio — base64 PCM16 mono 16 kHz; utána input_audio_buffer.commit és response.create. Hangkimenet: PCM16 mono 24 kHz. Ebben a munkamenetben bináris keretek nem fogadhatók.

Támogatott kliensesemények: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. A conversation items csak üzenet/szöveg lehet; a function tools, web search és voiceprint nem támogatott. A munkamenet korlátai: 600 másodperc, 20 válasz, 20 history turns, 2000 bájt instructions és 8000 bájt kliensszöveg. Az Idle timeout a konfigurációtól függ (alapértelmezés szerint 60 másodperc).