Audio

# syntéza reči
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": "Dobrý deň! Toto je ukážka syntézy reči.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "Dobrý deň, kolegovia. Začnime výsledkami týždňa…"
}

Autorizácia

• Authorizationheaderpovinné

  Kľúč vo formáte Bearer sk-…. Možno použiť aj hlavičky x-api-key alebo x-goog-api-key.

Syntéza reči: telo požiadavky

• modelstringpovinné

  Model na syntézu reči: 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.

• inputstringpovinné

  Text na syntézu reči. Pri modeloch MiniMax menej ako 10 000 znakov, pri qwen-audio-3.0-tts-plus najviac 600.

• voicestring

  Hlas. Povinný pri modeloch MiniMax (speech-2.8-hd a ďalšie speech-…): identifikátor hlasu MiniMax (latinské písmená, číslice, _ a -, najviac 128 znakov). Pri qwen-audio-3.0-tts-plus predvolene longanlingxin, pri modeloch Gemini TTS Kore.

• response_formatstringvoliteľné

  MiniMax podporuje iba mp3; qwen-audio-3.0-tts-plus – mp3, wav alebo pcm; Gemini TTS wav alebo json (odkaz na súbor).

Odpoveďou je zvukový súbor (pri MiniMax audio/mpeg). Účtuje sa za znaky textu alebo tokeny podľa údajov v katalógu.

Rozpoznávanie reči

• filefilepovinné

  Zvukový súbor WAV vo formáte multipart/form-data. qwen-asr, qwen-asr-latest a qwen-audio-3.0-asr-flash: úplný nekomprimovaný PCM WAV s dĺžkou najviac 5 minút, súbor približne do 7,5 MB (v base64 do 10 MB). asr-1.0: PCM WAV s dĺžkou najviac 500 sekúnd a veľkosťou najviac 50 MB. gemini-3.5-transcribe: WAV do 64 MB.

• modelstringpovinné

  Model na rozpoznávanie reči: gemini-3.5-transcribe, qwen-audio-3.0-asr-flash, asr-1.0.

• response_formatstringvoliteľné

  Iba json (alebo neuvádzať).

Pole language tieto modely nepoužívajú. Odpoveď: {"text": "…"}. Účtuje sa za dĺžku nahrávky (sekundy, minúty alebo hodiny – každý model má vlastnú jednotku).

Hlas v reálnom čase

Pre qwen-audio-3.0-realtime-plus otvorte WebSocket wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus s hlavičkou Authorization: Bearer <API_KEY>. Kľúč odosielajte zo servera: kľúč v query string sa neprijíma. Počkajte na session.created s vybraným modelom, potom odošlite nastavenia, správu a response.create. Nižšie sú tri po sebe idúce textové rámce JSON pre textovú odpoveď v zvukovej relácii:

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

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

{"type":"response.create"}

Čítajte udalosti odpovede až po response.done a jeho konečné usage; chyby prichádzajú ako udalosť error. Účtuje sa podľa textových a zvukových tokenov každej potvrdenej odpovede. Zvukový vstup: udalosť input_audio_buffer.append s audio – base64 PCM16 mono 16 kHz; potom input_audio_buffer.commit a response.create. Zvukový výstup je PCM16 mono 24 kHz. Binárne rámce sa v tejto relácii neprijímajú.

Podporované klientske udalosti: session.update, input_audio_buffer.append/commit/clear, response.create/cancel, conversation.item.create/retrieve/delete. conversation items podporujú iba správy/text; function tools, web search a voiceprint sa nepodporujú. Limity relácie: 600 sekúnd, 20 odpovedí, 20 history turns, 2000 bajtov instructions a 8000 bajtov klientskeho textu. Časový limit nečinnosti závisí od konfigurácie (predvolene 60 sekúnd).