Audio

# sintesis ucapan
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": "Selamat siang! Ini contoh sintesis ucapan.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "Selamat siang, rekan-rekan. Mari mulai dengan hasil minggu ini…"
}

Autentikasi

• Authorizationheaderwajib

  Kunci dalam format Bearer sk-…. Header yang juga dapat digunakan: x-api-key atau x-goog-api-key.

Sintesis suara: isi permintaan

• modelstringwajib

  Model sintesis suara: 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.

• inputstringwajib

  Teks yang akan dibacakan. Untuk model MiniMax — kurang dari 10 000 karakter; untuk qwen-audio-3.0-tts-plus — hingga 600.

• voicestring

  Suara. Wajib untuk model MiniMax (speech-2.8-hd dan model lain dalam seri speech-…): ID suara MiniMax (huruf Latin, angka, _ dan -, hingga 128 karakter). Untuk qwen-audio-3.0-tts-plus nilai defaultnya longanlingxin, untuk model Gemini TTS — Kore.

• response_formatstringopsional

  MiniMax — hanya mp3; qwen-audio-3.0-tts-plus — mp3, wav atau pcm; Gemini TTS — wav atau json (tautan file).

Respons berupa file audio (untuk MiniMax — audio/mpeg). Biaya dihitung per karakter teks atau per token, sesuai keterangan dalam katalog.

Pengenalan ucapan

• filefilewajib

  File audio WAV dalam multipart/form-data. qwen-asr, qwen-asr-latest dan qwen-audio-3.0-asr-flash: PCM WAV utuh tanpa kompresi hingga 5 menit, ukuran file sekitar maksimal 7,5 MB (dalam base64 — hingga 10 MB). asr-1.0: PCM WAV hingga 500 detik dan 50 MB. gemini-3.5-transcribe: WAV hingga 64 MB.

• modelstringwajib

  Model pengenalan ucapan: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringopsional

  Hanya json (atau tidak perlu diisi).

Kolom language tidak digunakan oleh model-model ini. Respons: {"text": "…"}. Biaya dihitung berdasarkan durasi rekaman (detik, menit, atau jam — setiap model memiliki satuannya sendiri).

Suara waktu nyata

Untuk qwen-audio-3.0-realtime-plus buka WebSocket wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus dengan header Authorization: Bearer <API_KEY>. Kirim kunci dari sisi server: kunci dalam query string tidak diterima. Tunggu session.created dengan model yang dipilih, lalu kirim pengaturan, pesan, dan response.create. Berikut tiga frame teks JSON berurutan untuk respons teks dalam sesi audio:

{"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Jawab dengan singkat."}}

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

{"type":"response.create"}

Baca peristiwa respons hingga response.done beserta usage akhirnya; kesalahan dikirim melalui peristiwa error. Biaya dihitung berdasarkan token teks dan audio untuk setiap respons yang dikonfirmasi. Input audio: peristiwa input_audio_buffer.append dengan audio — base64 PCM16 mono 16 kHz; lalu input_audio_buffer.commit dan response.create. Output audio — PCM16 mono 24 kHz. Frame biner tidak diterima dalam sesi ini.

Peristiwa klien yang didukung: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. conversation items hanya mendukung pesan/teks; function tools, web search, dan voiceprint tidak didukung. Batas sesi: 600 detik, 20 respons, 20 history turns, 2000 byte instructions, dan 8000 byte teks klien. Idle timeout bergantung pada konfigurasi (default 60 detik).