Source: https://ailoot.ai/docs/kk/api/audio/ Canonical: https://ailoot.ai/docs/kk/api/audio/ Language: kk [API](https://ailoot.ai/docs/kk/) # Аудио [Markdown](https://ailoot.ai/docs/kk/api/audio/index.md) OpenAI Audio форматында мәтінді дыбыстау (TTS) және сөйлеуді тану (STT). POST`https://api.ailoot.ai/v1/audio/speech` Аудио ```bash # 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 ``` ```python # сөйлеуді тану with open("meeting.wav", "rb") as f: tr = client.audio.transcriptions.create(model="qwen-asr", file=f) print(tr.text) ``` 200 OK · сөйлеуді тану ```json { "text": "Қайырлы күн, әріптестер. Апта қорытындысынан бастайық…" } ``` ## Авторизация | Параметр | Түрі | Міндетті | Сипаттама | | --- | --- | --- | --- | | `Authorization` | header | міндетті | Кілт мына пішімде `Bearer sk-…`. Сондай-ақ мына тақырыптар жарайды: `x-api-key` немесе `x-goog-api-key`. | ## Дыбыстау: сұрау денесі | Параметр | Түрі | Міндетті | Сипаттама | | --- | --- | --- | --- | | `model` | string | міндетті | 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`. | | `input` | string | міндетті | Дыбысталатын мәтін. MiniMax модельдерінде — 10 000 таңбадан аз, ал `qwen-audio-3.0-tts-plus` — 600-ге дейін. | | `voice` | string | | 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_format` | string | міндетті 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 POST`https://api.ailoot.ai/v1/audio/transcriptions` | Параметр | Түрі | Міндетті | Сипаттама | | --- | --- | --- | --- | | `file` | file | міндетті | 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. | | `model` | string | міндетті | Сөйлеуді тану моделі: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. | | `response_format` | string | міндетті 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 `. 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: ```json {"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Қысқа жауап бер."}} ``` ```json {"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"Иә деп айт."}]}} ``` ```json {"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). Мұнда мына модельдің дауыстық режимі сипатталған: `qwen-audio-3.0-realtime-plus`; нақты уақытта жұмыс істейтін басқа модельдердің өз ережелері бар. Мына жолға: `/v1/realtime/sessions` және уақытша токендерге (ephemeral tokens) қолдау көрсетілмейді. Сұрақтарыңыз қалды ма? Request ID мен сипаттаманы жіберіңіз — мәселені анықтауға көмектесеміз.[Қолдау қызметіне жазу](mailto:support@ailoot.ai) ## Ailoot · Компания және оның жобалар портфелі Ailoot жинақталған жұмыс тәжірибесіне, кең клиенттік базаға, тұрақты қызметке және KPI көрсеткіштерін үздіксіз бақылауға сүйенеді. Компания және оның жобалар портфелі: миллиондаған клиент; ай сайынғы сату көлемі миллиардтармен есептеледі. Ailoot осы тәжірибені клиенттердің өнімдерінде, агенттерінде, қолданбаларында және автоматтандыруларында жасанды интеллект мүмкіндіктеріне API арқылы қол жеткізуді қамтамасыз етуге пайдаланады.