Аудио

# дыбыстау
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": "Қайырлы күн! Бұл — дыбыстау мысалы.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "Қайырлы күн, әріптестер. Апта қорытындысынан бастайық…"
}

Авторизация

• Authorizationheaderміндетті

  Кілт мына пішімде Bearer sk-…. Сондай-ақ мына тақырыптар жарайды: x-api-key немесе x-goog-api-key.

Дыбыстау: сұрау денесі

• modelstringміндетті

  Дыбыстау моделі: 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.

• inputstringміндетті

  Дыбысталатын мәтін. MiniMax модельдерінде — 10 000 таңбадан аз, ал qwen-audio-3.0-tts-plus — 600-ге дейін.

• voicestring

  Дауыс. MiniMax модельдері үшін міндетті (speech-2.8-hd және басқа speech-…): MiniMax дауыс идентификаторы (латын әріптері, цифрлар, _ және -, 128 таңбаға дейін). Ал qwen-audio-3.0-tts-plus әдепкі мәні longanlingxin, ал Gemini TTS модельдерінде — Kore.

• response_formatstringміндетті емес

  MiniMax — тек mp3; qwen-audio-3.0-tts-plus — mp3, wav немесе pcm; Gemini TTS — wav немесе json (файлға сілтеме).

Жауап — аудиофайл (MiniMax үшін — audio/mpeg). Төлем каталогта көрсетілгендей мәтін таңбалары немесе токендер бойынша есептеледі.

Сөйлеуді тану

• filefileміндетті

  WAV аудиофайлы мына форматта: multipart/form-data. qwen-asr, qwen-asr-latest және qwen-audio-3.0-asr-flash: сығылмаған толық PCM WAV, ұзақтығы 5 минутқа дейін, файл көлемі шамамен 7,5 МБ-қа дейін (base64 форматында — 10 МБ-қа дейін). asr-1.0: ұзақтығы 500 секундқа дейін және көлемі 50 МБ-қа дейінгі PCM WAV. gemini-3.5-transcribe: көлемі 64 МБ-қа дейінгі WAV.

• modelstringміндетті

  Сөйлеуді тану моделі: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringміндетті емес

  Тек json (немесе көрсетпеңіз).

Өріс language бұл модельдерде қолданылмайды. Жауап: {"text": "…"}. Төлем жазба ұзақтығы бойынша есептеледі (секунд, минут немесе сағат — әр модельдің өз өлшем бірлігі бар).

Нақты уақыттағы дауыс

Мына модель үшін: qwen-audio-3.0-realtime-plus WebSocket ашыңыз: wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus мына тақырыппен: Authorization: Bearer <API_KEY>. Кілтті сервер жағынан жіберіңіз: query string ішіндегі кілт қабылданбайды. Мына оқиғаны күтіңіз: session.created таңдалған модельмен, содан кейін баптауларды, хабарламаны және мынаны жіберіңіз: response.create. Төменде аудиосеанста мәтіндік жауап алу үшін ретімен жіберілетін үш JSON text frames берілген:

{"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Қысқа жауап бер."}}

{"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"Иә деп айт."}]}}

{"type":"response.create"}

Жауап оқиғаларын мына оқиғаға дейін оқыңыз: response.done және оның қорытынды usage деректерін алыңыз; қателер мына оқиғамен келеді: error. Төлем әр расталған жауаптың мәтіндік және аудиотокендері бойынша есептеледі. Аудиокіріс: мына оқиға: input_audio_buffer.append мынамен бірге: audio — base64 PCM16 mono 16 kHz; содан кейін input_audio_buffer.commit және response.create. Аудиошығыс — PCM16 mono 24 kHz. Бұл сеанста Binary frames қабылданбайды.

Қолдау көрсетілетін клиент оқиғалары: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. conversation items — тек хабарламалар/мәтін; function tools, web search және voiceprint мүмкіндіктеріне қолдау көрсетілмейді. Сеанс лимиттері: 600 секунд, 20 жауап, 20 history turns, instructions үшін 2000 байт және клиент мәтіні үшін 8000 байт. Idle timeout конфигурацияға байланысты (әдепкіде 60 секунд).