Source: https://ailoot.ai/docs/hu/api/audio/ Canonical: https://ailoot.ai/docs/hu/api/audio/ Language: hu [API](https://ailoot.ai/docs/hu/) # Audio [Markdown](https://ailoot.ai/docs/hu/api/audio/index.md) Szövegfelolvasás (TTS) és beszédfelismerés (STT) OpenAI Audio formátumban. POST`https://api.ailoot.ai/v1/audio/speech` Audio ```bash # 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 ``` ```python # beszédfelismerés with open("meeting.wav", "rb") as f: tr = client.audio.transcriptions.create(model="qwen-asr", file=f) print(tr.text) ``` 200 OK · felismerés ```json { "text": "Jó napot, kollégák! Kezdjük a hét eredményeivel…" } ``` ## Hitelesítés | Paraméter | Típus | Kötelező | Leírás | | --- | --- | --- | --- | | `Authorization` | header | kötelező | A kulcs formátuma `Bearer sk-…`. A következő fejlécek is használhatók: `x-api-key` vagy `x-goog-api-key`. | ## Szövegfelolvasás: a kérés törzse | Paraméter | Típus | Kötelező | Leírás | | --- | --- | --- | --- | | `model` | string | kötelező | 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`. | | `input` | string | kötelező | Felolvasandó szöveg. A MiniMax modelleknél kevesebb mint 10 000 karakter, a `qwen-audio-3.0-tts-plus` esetében legfeljebb 600. | | `voice` | string | | 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_format` | string | nem 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 POST`https://api.ailoot.ai/v1/audio/transcriptions` | Paraméter | Típus | Kötelező | Leírás | | --- | --- | --- | --- | | `file` | file | kötelező | 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. | | `model` | string | kötelező | Beszédfelismerő modell: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. | | `response_format` | string | nem 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 `. 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.create`eseményt. Az alábbi három egymást követő JSON szöveges keret egy hangalapú munkamenet szöveges válaszához tartozik: ```json {"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Legyen tömör."}} ``` ```json {"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"Mondja azt, hogy igen."}]}} ``` ```json {"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). Itt a következő modell hangmódját ismertetjük: `qwen-audio-3.0-realtime-plus`; más valós idejű modellekre eltérő szabályok vonatkoznak. A `/v1/realtime/sessions` útvonal és az ideiglenes tokenek (ephemeral tokens) nem támogatottak. Maradt kérdése? Küldje el a Request ID-t és a probléma leírását — segítünk tisztázni.[Írjon a támogatásnak](mailto:support@ailoot.ai) ## Ailoot · A vállalat és projektportfóliója Az Ailoot felhalmozott működési tapasztalatra, széles ügyfélkörre, stabil szolgáltatásra és folyamatos KPI-ellenőrzésre épít. A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. Az Ailoot ezt a működési tapasztalatot használja az ügyfelek termékeiben, ágenseiben, alkalmazásaiban és automatizálásaiban elérhető AI-funkciók API-hozzáféréséhez.