Source: https://ailoot.ai/docs/lt/api/audio/
Canonical: https://ailoot.ai/docs/lt/api/audio/
Language: lt

[API](https://ailoot.ai/docs/lt/) 

# Garsas

[Markdown](https://ailoot.ai/docs/lt/api/audio/index.md)

Teksto pavertimas kalba (TTS) ir kalbos atpažinimas (STT) OpenAI Audio formatu.

POST`https://api.ailoot.ai/v1/audio/speech`

Garsas

```bash
# teksto įgarsinimas
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": "Laba diena! Tai teksto įgarsinimo pavyzdys.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

200 OK · atpažinimas

```json
{
  "text": "Laba diena, kolegos. Pradėkime nuo savaitės rezultatų…"
}
```

## Autorizacija

| Parametras | Tipas | Privalomas | Aprašymas |
| --- | --- | --- | --- |
| `Authorization` | header | privalomas | Raktas formatu `Bearer sk-…`. Taip pat tinka antraštės `x-api-key` arba `x-goog-api-key`. |

## Teksto pavertimas kalba: užklausos turinys

| Parametras | Tipas | Privalomas | Aprašymas |
| --- | --- | --- | --- |
| `model` | string | privalomas | Teksto pavertimo kalba modelis: `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 | privalomas | Tekstas, kurį reikia paversti kalba. MiniMax modeliams — mažiau nei 10 000 ženklų, modeliui `qwen-audio-3.0-tts-plus` — iki 600. |
| `voice` | string |  | Balsas. **Privalomas MiniMax modeliams** (`speech-2.8-hd` ir kitiems `speech-…`): MiniMax balso identifikatorius (lotyniškos raidės, skaitmenys, `_` ir `-`, iki 128 ženklų). Modelio `qwen-audio-3.0-tts-plus` numatytoji reikšmė `longanlingxin`, Gemini TTS modelių — `Kore`. |
| `response_format` | string | neprivalomas | MiniMax — tik `mp3`; `qwen-audio-3.0-tts-plus` — `mp3`, `wav` arba `pcm`; Gemini TTS — `wav` arba `json` (nuoroda į failą). |

Atsakymas — garso failas (MiniMax atveju — `audio/mpeg`). Mokama už teksto ženklus arba žetonus, kaip nurodyta kataloge.

## Kalbos atpažinimas

POST`https://api.ailoot.ai/v1/audio/transcriptions`

| Parametras | Tipas | Privalomas | Aprašymas |
| --- | --- | --- | --- |
| `file` | file | privalomas | WAV garso failas formatu `multipart/form-data`. `qwen-asr`, `qwen-asr-latest` ir `qwen-audio-3.0-asr-flash`: visas nesuspaustas PCM WAV iki 5 minučių, failas maždaug iki 7,5 MB (base64 formatu — iki 10 MB). `asr-1.0`: PCM WAV iki 500 sekundžių ir 50 MB. `gemini-3.5-transcribe`: WAV iki 64 MB. |
| `model` | string | privalomas | Kalbos atpažinimo modelis: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. |
| `response_format` | string | neprivalomas | Tik `json` (arba nenurodykite). |

Laukas `language` šiuose modeliuose nenaudojamas. Atsakymas: `{"text": "…"}`. Mokama už įrašo trukmę (sekundes, minutes arba valandas — kiekvienas modelis turi savo vienetą).

## Balsas realiuoju laiku

Modeliui `qwen-audio-3.0-realtime-plus` atverkite WebSocket `wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus` su antrašte `Authorization: Bearer <API_KEY>`. Raktą perduokite iš serverio: raktas užklausos eilutėje nepriimamas. Sulaukite `session.created` su pasirinktu modeliu, tada nusiųskite nustatymus, pranešimą ir `response.create`. Toliau pateikti trys iš eilės siunčiami JSON teksto kadrai tekstiniam atsakymui garso seanse:

```json
{"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Atsakyk trumpai."}}
```

```json
{"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"Pasakyk taip."}]}}
```

```json
{"type":"response.create"}
```

Skaitykite atsakymo įvykius iki `response.done` ir jo galutinio usage; klaidos pateikiamos įvykiu `error`. Mokama už kiekvieno patvirtinto atsakymo teksto ir garso žetonus. Garso įvestis: įvykis `input_audio_buffer.append` su `audio` — base64 PCM16 mono 16 kHz; tada `input_audio_buffer.commit` ir `response.create`. Garso išvestis — PCM16 mono 24 kHz. Dvejetainiai kadrai šiame seanse nepriimami.

Palaikomi kliento įvykiai: `session.update`, `input_audio_buffer.append/commit/clear`, `response.create/cancel`, `conversation.item.create/retrieve/delete`. conversation items — tik pranešimai / tekstas; function tools, web search ir voiceprint nepalaikomi. Seanso limitai: 600 sekundžių, 20 atsakymų, 20 history turns, 2000 baitų instructions ir 8000 baitų kliento teksto. Idle timeout priklauso nuo konfigūracijos (numatytoji reikšmė — 60 sekundžių).

Čia aprašytas balso režimas `qwen-audio-3.0-realtime-plus`; kiti realiojo laiko modeliai turi savas taisykles. Kelias `/v1/realtime/sessions` ir laikinieji žetonai (ephemeral tokens) nepalaikomi.

Liko klausimų? Atsiųskite Request ID ir aprašymą — padėsime išsiaiškinti.[Rašyti pagalbos tarnybai](mailto:support@ailoot.ai)

## Ailoot · Įmonė ir jos projektų portfelis





Ailoot remiasi sukaupta veiklos patirtimi, plačia klientų baze, stabiliomis paslaugomis ir nuolatine KPI kontrole.





Įmonė ir jos projektų portfelis: milijonai klientų; mėnesio pardavimai siekia milijardus.





Ailoot šią veiklos patirtį pritaiko teikdama API prieigą prie DI funkcijų klientų produktuose, agentuose, programose ir automatizavimo sprendimuose.