Audio

# 音声合成
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": "こんにちは！ これは音声合成の例です。", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "皆さん、こんにちは。今週の成果から始めましょう…"
}

認証

• Authorizationheader必須

  キーの形式：Bearer sk-…。次のヘッダーも使用できます：x-api-key または x-goog-api-key。

音声合成：リクエストボディ

• modelstring必須

  音声合成モデル：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。

• inputstring必須

  音声合成するテキスト。MiniMaxのモデルでは10 000文字未満、 qwen-audio-3.0-tts-plus では600文字まで。

• voicestring

  声。MiniMaxモデルでは必須 (speech-2.8-hd などの speech-…): MiniMaxの音声ID（英字、数字、 _と-、128文字まで）。qwen-audio-3.0-tts-plus のデフォルトは longanlingxin、Gemini TTSモデルでは Kore。

• response_formatstring任意

  MiniMaxは次の形式のみ：mp3; qwen-audio-3.0-tts-plus — mp3, wav または pcm；Gemini TTSでは wav または json （ファイルへのリンク）。

レスポンスは音声ファイル（MiniMaxでは audio/mpeg）。料金は、カタログの記載に従い、テキストの文字数またはトークン数に基づきます。

音声認識

• filefile必須

  WAV音声ファイルの送信形式：multipart/form-data。 qwen-asr, qwen-asr-latestとqwen-audio-3.0-asr-flash：完全な非圧縮PCM WAV。5分まで、ファイルはおよそ7,5 MBまで（base64では10 MBまで）。asr-1.0：PCM WAV、500秒・50 MBまで。gemini-3.5-transcribe：WAV、64 MBまで。

• modelstring必須

  音声認識モデル：gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0。

• response_formatstring任意

  次の形式のみ：json （省略も可能）。

フィールド language は、これらのモデルでは使用されません。レスポンス：{"text": "…"}。料金は録音の長さに基づきます（秒・分・時間のいずれかで、単位はモデルごとに異なります）。

リアルタイム音声

モデル qwen-audio-3.0-realtime-plus ではWebSocket接続を開いてください。接続先は wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus 、ヘッダーは Authorization: Bearer <API_KEY>です。キーはサーバー側から送信してください。query stringで渡すキーは受け付けません。選択したモデルの session.created を待ってから、設定とメッセージを送信し、 response.createを送信してください。以下は、音声セッションでテキストレスポンスを取得するための、三つの連続したJSON text framesです：

{"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"簡潔に回答してください。"}}

{"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"はいと答えてください。"}]}}

{"type":"response.create"}

レスポンスイベントは、次のイベントまで読み取ってください：response.doneと、その最終usage。エラーは次のイベントで届きます：error。料金は、確認済みの各レスポンスのテキストトークンと音声トークンに基づきます。音声入力：イベント input_audio_buffer.append 、 audio はbase64 PCM16 mono 16 kHzです。その後、 input_audio_buffer.commitとresponse.createを送信します。音声出力はPCM16 mono 24 kHzです。このセッションではバイナリフレームを受け付けません。

対応するクライアントイベント：session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete。conversation itemsはメッセージとテキストのみです。function tools、web search、voiceprintには対応していません。セッションの制限：600秒、20レスポンス、20 history turns、instructionsは2000バイト、クライアントのテキストは8000バイト。アイドルタイムアウトは設定によって異なります（デフォルトは60秒）。