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

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

# Audio

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

Озвучка текста (TTS) и распознавание речи (STT) в формате OpenAI Audio.

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

Audio

```bash
# озвучка
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": "Добрый день! Это пример озвучки.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

200 OK · распознавание

```json
{
  "text": "Добрый день, коллеги. Начнём с итогов недели…"
}
```

## Авторизация

| Параметр | Тип | Обязательность | Описание |
| --- | --- | --- | --- |
| `Authorization` | header | обязательный | Ключ в виде `Bearer sk-…`. Также подойдут заголовки `x-api-key` или `x-goog-api-key`. |

## Озвучка: тело запроса

| Параметр | Тип | Обязательность | Описание |
| --- | --- | --- | --- |
| `model` | string | обязательный | Модель озвучки: `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 | обязательный | Текст для озвучки. У моделей MiniMax — меньше 10 000 символов, у `qwen-audio-3.0-tts-plus` — до 600. |
| `voice` | string |  | Голос. **Обязателен для моделей MiniMax** (`speech-2.8-hd` и другие `speech-…`): идентификатор голоса MiniMax (латиница, цифры, `_` и `-`, до 128 символов). У `qwen-audio-3.0-tts-plus` по умолчанию `longanlingxin`, у моделей Gemini TTS — `Kore`. |
| `response_format` | string | необязательный | MiniMax — только `mp3`; `qwen-audio-3.0-tts-plus` — `mp3`, `wav` или `pcm`; Gemini TTS — `wav` или `json` (ссылка на файл). |

Ответ — аудиофайл (у MiniMax — `audio/mpeg`). Оплата — за символы текста или за токены, как указано в каталоге.

## Распознавание речи

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

| Параметр | Тип | Обязательность | Описание |
| --- | --- | --- | --- |
| `file` | file | обязательный | Аудиофайл WAV в `multipart/form-data`. `qwen-asr`, `qwen-asr-latest` и `qwen-audio-3.0-asr-flash`: полный несжатый PCM WAV до 5 минут, файл примерно до 7,5 МБ (в base64 — до 10 МБ). `asr-1.0`: PCM WAV до 500 секунд и 50 МБ. `gemini-3.5-transcribe`: WAV до 64 МБ. |
| `model` | string | обязательный | Модель распознавания: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. |
| `response_format` | string | необязательный | Только `json` (или не указывать). |

Поле `language` этими моделями не используется. Ответ: `{"text": "…"}`. Оплата — за длительность записи (секунды, минуты или часы — у каждой модели своя единица).

## Голос в реальном времени

Для `qwen-audio-3.0-realtime-plus` откройте WebSocket `wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus` с заголовком `Authorization: Bearer <API_KEY>`. Передавайте ключ с серверной стороны: ключ в query string не принимается. Дождитесь `session.created` с выбранной моделью, затем отправьте настройки, сообщение и `response.create`. Ниже три последовательных JSON text frames для текстового ответа в аудиосессии:

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

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

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

Читайте события ответа до `response.done` и его итогового usage; ошибки приходят событием `error`. Оплата — по текстовым и аудиотокенам каждого подтверждённого ответа. Аудиовход: событие `input_audio_buffer.append` с `audio` — base64 PCM16 mono 16 kHz; затем `input_audio_buffer.commit` и `response.create`. Аудиовыход — PCM16 mono 24 kHz. Binary frames в этой сессии не принимаются.

Поддерживаемые клиентские события: `session.update`, `input_audio_buffer.append/commit/clear`, `response.create/cancel`, `conversation.item.create/retrieve/delete`. conversation items — только сообщения/текст; function tools, web search и voiceprint не поддерживаются. Лимиты сессии: 600 секунд, 20 ответов, 20 history turns, 2000 байт instructions и 8000 байт клиентского текста. Idle timeout зависит от конфигурации (по умолчанию 60 секунд).

Здесь описан голосовой режим `qwen-audio-3.0-realtime-plus`; у других моделей реального времени свои правила. Путь `/v1/realtime/sessions` и временные токены (ephemeral tokens) не поддерживаются.

Остались вопросы? Пришлите Request ID и описание — поможем разобраться.[Написать в поддержку](mailto:support@ailoot.ai)

## Ailoot · Компания и портфель её проектов





Ailoot опирается на накопленный опыт работы, большую клиентскую базу, стабильный сервис и постоянный контроль KPI.





Компания и портфель её проектов: миллионы клиентов; продажи на миллиарды ежемесячно.





Этот опыт Ailoot использует для API-доступа к нейросетям в продуктах клиентов, агентах, приложениях и автоматизациях.