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

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

# Audio

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

Talesyntese (TTS) og talegjenkjenning (STT) i OpenAI Audio-format.

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

Audio

```bash
# 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
```

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

200 OK · talegjenkjenning

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

## Autentisering

| Parameter | Type | Påkrevd | Beskrivelse |
| --- | --- | --- | --- |
| `Authorization` | header | påkrevd | Nøkkel i formatet `Bearer sk-…`. Du kan også bruke headerne `x-api-key` eller `x-goog-api-key`. |

## Talesyntese: forespørselskropp

| Parameter | Type | Påkrevd | Beskrivelse |
| --- | --- | --- | --- |
| `model` | string | påkrevd | 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`. |
| `input` | string | påkrevd | Tekst som skal leses opp. MiniMax-modeller: færre enn 10 000 tegn; `qwen-audio-3.0-tts-plus` — opptil 600. |
| `voice` | string |  | 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_format` | string | valgfri | 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

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

| Parameter | Type | Påkrevd | Beskrivelse |
| --- | --- | --- | --- |
| `file` | file | påkrevd | 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. |
| `model` | string | påkrevd | Talegjenkjenningsmodell: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. |
| `response_format` | string | valgfri | 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:

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

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

```json
{"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).

Her beskrives stemmemodusen `qwen-audio-3.0-realtime-plus`; andre sanntidsmodeller har egne regler. Endepunktet `/v1/realtime/sessions` og midlertidige tokener (ephemeral tokens) støttes ikke.

Flere spørsmål? Send Request ID og en beskrivelse, så hjelper vi deg.[Kontakt brukerstøtte](mailto:support@ailoot.ai)

## Ailoot · Selskapet og dets prosjektportefølje





Ailoot bygger på etablert driftserfaring, en stor kundebase, stabil tjeneste og løpende KPI-kontroll.





Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder.





Ailoot bruker denne driftserfaringen til API-tilgang til AI-funksjoner i kundenes produkter, agenter, applikasjoner og automatiseringer.