Audio

# talesyntese
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": "God dag! Dette er et eksempel på talesyntese.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "God dag, kolleger. La oss begynne med ukens resultater…"
}

Autentisering

• Authorizationheaderpåkrevd

  Nøkkel i formatet Bearer sk-…. Du kan også bruke headerne x-api-key eller x-goog-api-key.

Talesyntese: forespørselskropp

• modelstringpåkrevd

  Talesyntesemodell: 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.

• inputstringpåkrevd

  Tekst som skal leses opp. MiniMax-modeller: færre enn 10 000 tegn; qwen-audio-3.0-tts-plus — opptil 600.

• voicestring

  Stemme. Påkrevd for MiniMax-modeller (speech-2.8-hd og andre speech-…): MiniMax-stemme-ID (latinske bokstaver, tall, _ og -, opptil 128 tegn). For qwen-audio-3.0-tts-plus er standardverdien longanlingxin, for Gemini TTS-modeller — Kore.

• response_formatstringvalgfri

  MiniMax — bare mp3; qwen-audio-3.0-tts-plus — mp3, wav eller pcm; Gemini TTS — wav eller json (lenke til filen).

Svaret er en lydfil (for MiniMax — audio/mpeg). Betaling beregnes per teksttegn eller per token, slik det er angitt i katalogen.

Talegjenkjenning

• filefilepåkrevd

  WAV-lydfil i multipart/form-data. qwen-asr, qwen-asr-latest og qwen-audio-3.0-asr-flash: en komplett, ukomprimert PCM WAV-fil på opptil 5 minutter, omtrent opptil 7,5 MB (i base64 — opptil 10 MB). asr-1.0: PCM WAV opptil 500 sekunder og 50 MB. gemini-3.5-transcribe: WAV opptil 64 MB.

• modelstringpåkrevd

  Talegjenkjenningsmodell: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringvalgfri

  Bare json (eller utelat feltet).

Feltet language brukes ikke av disse modellene. Svar: {"text": "…"}. Betaling beregnes etter opptakets varighet (sekunder, minutter eller timer — hver modell har sin egen enhet).

Stemme i sanntid

For qwen-audio-3.0-realtime-plus åpner du WebSocket wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus med headeren Authorization: Bearer <API_KEY>. Send nøkkelen fra serversiden: nøkler i query string godtas ikke. Vent på session.created med den valgte modellen, og send deretter innstillinger, en melding og response.create. Nedenfor er tre påfølgende JSON-tekstrammer for et tekstsvar i en lydøkt:

{"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"Vær kortfattet."}}

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

{"type":"response.create"}

Les svarhendelser frem til response.done og den endelige usage-verdien; feil kommer som hendelsen error. Betaling beregnes etter tekst- og lydtokenene i hvert bekreftet svar. Lyd inn: hendelsen input_audio_buffer.append med audio — base64 PCM16 mono 16 kHz; deretter input_audio_buffer.commit og response.create. Lyd ut er PCM16 mono 24 kHz. Binære rammer godtas ikke i denne økten.

Støttede klienthendelser: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. Samtaleelementer (conversation items) — bare meldinger/tekst; funksjonsverktøy, nettsøk og voiceprint støttes ikke. Øktgrenser: 600 sekunder, 20 svar, 20 historikkrunder, 2000 byte instructions og 8000 byte klienttekst. Tidsgrensen ved inaktivitet avhenger av konfigurasjonen (standard: 60 sekunder).