Audio

# synteza mowy
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": "Dzień dobry! To przykład syntezy mowy.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "Dzień dobry, koleżanki i koledzy. Zacznijmy od podsumowania tygodnia…"
}

Autoryzacja

• Authorizationheaderwymagany

  Klucz w postaci Bearer sk-…. Można też użyć nagłówków x-api-key lub x-goog-api-key.

Synteza mowy: treść żądania

• modelstringwymagany

  Model syntezy mowy: 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.

• inputstringwymagany

  Tekst do syntezy mowy. W modelach MiniMax — mniej niż 10 000 znaków, w qwen-audio-3.0-tts-plus — do 600.

• voicestring

  Głos. Wymagany w modelach MiniMax (speech-2.8-hd i inne speech-…): identyfikator głosu MiniMax (litery łacińskie, cyfry, _ i -, do 128 znaków). W qwen-audio-3.0-tts-plus domyślnie longanlingxin, w modelach Gemini TTS — Kore.

• response_formatstringopcjonalny

  MiniMax — tylko mp3; qwen-audio-3.0-tts-plus — mp3, wav lub pcm; Gemini TTS — wav lub json (link do pliku).

Odpowiedź — plik audio (w przypadku MiniMax — audio/mpeg). Opłata — za znaki tekstu lub tokeny, zgodnie z katalogiem.

Rozpoznawanie mowy

• filefilewymagany

  Plik audio WAV w multipart/form-data. qwen-asr, qwen-asr-latest i qwen-audio-3.0-asr-flash: pełny nieskompresowany PCM WAV o długości do 5 minut, plik do około 7,5 MB (w base64 — do 10 MB). asr-1.0: PCM WAV do 500 sekund i 50 MB. gemini-3.5-transcribe: WAV do 64 MB.

• modelstringwymagany

  Model rozpoznawania mowy: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringopcjonalny

  Tylko json (lub nie podawać).

Pole language nie jest używane przez te modele. Odpowiedź: {"text": "…"}. Opłata — za czas trwania nagrania (sekundy, minuty lub godziny — każdy model ma własną jednostkę).

Głos w czasie rzeczywistym

Dla qwen-audio-3.0-realtime-plus otwórz WebSocket wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus z nagłówkiem Authorization: Bearer <API_KEY>. Przekazuj klucz po stronie serwera: klucz w query string nie jest akceptowany. Poczekaj na session.created z wybranym modelem, a następnie wyślij ustawienia, wiadomość i response.create. Poniżej trzy kolejne ramki tekstowe JSON dla odpowiedzi tekstowej w sesji audio:

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

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

{"type":"response.create"}

Odczytuj zdarzenia odpowiedzi aż do response.done i jego końcowego usage; błędy przychodzą jako zdarzenie error. Opłata — za tokeny tekstowe i audio każdej potwierdzonej odpowiedzi. Wejście audio: zdarzenie input_audio_buffer.append z audio — base64 PCM16 mono 16 kHz; następnie input_audio_buffer.commit i response.create. Wyjście audio — PCM16 mono 24 kHz. Ramki binarne w tej sesji nie są akceptowane.

Obsługiwane zdarzenia klienta: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. Elementy konwersacji — tylko wiadomości/tekst; narzędzia funkcyjne, wyszukiwanie w internecie i voiceprint nie są obsługiwane. Limity sesji: 600 sekund, 20 odpowiedzi, 20 tur historii, 2000 bajtów instructions i 8000 bajtów tekstu klienta. Limit czasu bezczynności zależy od konfiguracji (domyślnie 60 sekund).