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

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

# Audio

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

Syntéza reči z textu (TTS) a rozpoznávanie reči (STT) vo formáte OpenAI Audio.

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

Audio

```bash
# 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
```

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

200 OK · rozpoznávanie

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

## Autorizácia

| Parameter | Typ | Povinný | Popis |
| --- | --- | --- | --- |
| `Authorization` | header | povinné | Kľúč vo formáte `Bearer sk-…`. Možno použiť aj hlavičky `x-api-key` alebo `x-goog-api-key`. |

## Syntéza reči: telo požiadavky

| Parameter | Typ | Povinný | Popis |
| --- | --- | --- | --- |
| `model` | string | povinné | 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`. |
| `input` | string | povinné | Text na syntézu reči. Pri modeloch MiniMax menej ako 10 000 znakov, pri `qwen-audio-3.0-tts-plus` najviac 600. |
| `voice` | string |  | 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_format` | string | voliteľné | 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

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

| Parameter | Typ | Povinný | Popis |
| --- | --- | --- | --- |
| `file` | file | povinné | 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. |
| `model` | string | povinné | Model na rozpoznávanie reči: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. |
| `response_format` | string | voliteľné | 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:

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

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

```json
{"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).

Tu je opísaný hlasový režim `qwen-audio-3.0-realtime-plus`; ostatné modely pre prácu v reálnom čase majú vlastné pravidlá. Cesta `/v1/realtime/sessions` a dočasné tokeny (ephemeral tokens) sa nepodporujú.

Máte ďalšie otázky? Pošlite Request ID a opis problému – pomôžeme vám ho vyriešiť.[Napísať podpore](mailto:support@ailoot.ai)

## Ailoot · Spoločnosť a jej portfólio projektov





Ailoot stavia na dlhodobých prevádzkových skúsenostiach, širokej klientskej základni, stabilných službách a priebežnom sledovaní KPI.





Spoločnosť a jej portfólio projektov: milióny zákazníkov; mesačné tržby v miliardách.





Ailoot využíva tieto prevádzkové skúsenosti na poskytovanie prístupu cez API k funkciám AI v produktoch zákazníkov, agentoch, aplikáciách a automatizáciách.