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

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

# Audio

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

Pretvorba besedila v govor (TTS) in prepoznavanje govora (STT) v formatu OpenAI Audio.

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

Audio

```bash
# pretvorba v govor
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": "Dober dan! To je primer pretvorbe besedila v govor.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

200 OK · prepoznavanje

```json
{
  "text": "Dober dan, sodelavci. Začnimo s pregledom tedna…"
}
```

## Avtentikacija

| Parameter | Tip | Obvezen | Opis |
| --- | --- | --- | --- |
| `Authorization` | header | obvezno | Ključ v obliki `Bearer sk-…`. Uporabite lahko tudi glavi `x-api-key` ali `x-goog-api-key`. |

## Pretvorba v govor: telo zahteve

| Parameter | Tip | Obvezen | Opis |
| --- | --- | --- | --- |
| `model` | string | obvezno | Model za pretvorbo v govor: `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 | obvezno | Besedilo za pretvorbo v govor. Pri modelih MiniMax mora vsebovati manj kot 10 000 znakov, pri `qwen-audio-3.0-tts-plus` – največ 600. |
| `voice` | string |  | Glas. **Obvezen pri modelih MiniMax** (`speech-2.8-hd` in drugi `speech-…`): identifikator glasu MiniMax (latinične črke, številke, `_` in `-`, največ 128 znakov). Pri `qwen-audio-3.0-tts-plus` privzeto `longanlingxin`, pri modelih Gemini TTS pa – `Kore`. |
| `response_format` | string | neobvezno | MiniMax – samo `mp3`; `qwen-audio-3.0-tts-plus` – `mp3`, `wav` ali `pcm`; Gemini TTS – `wav` ali `json` (povezava do datoteke). |

Odgovor je zvočna datoteka (pri MiniMax – `audio/mpeg`). Obračunavanje poteka po znakih besedila ali žetonih, kot je navedeno v katalogu.

## Prepoznavanje govora

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

| Parameter | Tip | Obvezen | Opis |
| --- | --- | --- | --- |
| `file` | file | obvezno | Zvočna datoteka WAV v `multipart/form-data`. `qwen-asr`, `qwen-asr-latest` in `qwen-audio-3.0-asr-flash`: celotna nestisnjena datoteka PCM WAV, dolga največ 5 minut, datoteka približno do 7,5 MB (v base64 – do 10 MB). `asr-1.0`: PCM WAV do 500 sekund in 50 MB. `gemini-3.5-transcribe`: WAV do 64 MB. |
| `model` | string | obvezno | Model za prepoznavanje: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. |
| `response_format` | string | neobvezno | Samo `json` (ali ga ne navedite). |

Polje `language` se pri teh modelih ne uporablja. Odgovor: `{"text": "…"}`. Obračunavanje poteka po dolžini posnetka (sekunde, minute ali ure – vsak model ima svojo enoto).

## Govor v realnem času

Za `qwen-audio-3.0-realtime-plus` odprite WebSocket `wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus` z glavo `Authorization: Bearer <API_KEY>`. Ključ pošljite s strežniške strani: ključ v poizvedbenem nizu ni sprejet. Počakajte na `session.created` z izbranim modelom, nato pošljite nastavitve, sporočilo in `response.create`. Spodaj so trije zaporedni besedilni okvirji JSON za besedilni odgovor v zvočni seji:

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

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

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

Berite dogodke odgovora do `response.done` in njegovih končnih podatkov usage; napake prispejo kot dogodek `error`. Obračunavanje poteka po besedilnih in zvočnih žetonih vsakega potrjenega odgovora. Zvočni vhod: dogodek `input_audio_buffer.append` z `audio` – base64 PCM16 mono 16 kHz; nato `input_audio_buffer.commit` in `response.create`. Zvočni izhod – PCM16 mono 24 kHz. Binarni okvirji v tej seji niso sprejeti.

Podprti dogodki odjemalca: `session.update`, `input_audio_buffer.append/commit/clear`, `response.create/cancel`, `conversation.item.create/retrieve/delete`. Elementi pogovora so lahko le sporočila/besedilo; funkcijska orodja, spletno iskanje in glasovni odtis niso podprti. Omejitve seje: 600 sekund, 20 odgovorov, 20 izmenjav v zgodovini, 2000 bajtov instructions in 8000 bajtov odjemalčevega besedila. Časovna omejitev nedejavnosti je odvisna od konfiguracije (privzeto 60 sekund).

Tukaj je opisan govorni način `qwen-audio-3.0-realtime-plus`; drugi modeli za delo v realnem času imajo svoja pravila. Pot `/v1/realtime/sessions` in začasni žetoni (ephemeral tokens) niso podprti.

Imate še vprašanja? Pošljite Request ID in opis – pomagali vam bomo razjasniti težavo.[Pišite podpori](mailto:support@ailoot.ai)

## Ailoot · Podjetje in njegov portfelj projektov





Ailoot temelji na pridobljenih operativnih izkušnjah, široki bazi strank, stabilni storitvi in stalnem spremljanju KPI.





Podjetje in njegov portfelj projektov: milijoni strank; mesečna prodaja v milijardah.





Ailoot te operativne izkušnje uporablja za dostop prek API do funkcij umetne inteligence v izdelkih strank, agentih, aplikacijah in avtomatizacijah.