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

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

# Audio

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

Talsyntes (TTS) och taligenkänning (STT) i OpenAI Audio-format.

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

Audio

```bash
# Talproduktion
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": "God dag! Det här är ett exempel på talproduktion.", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

200 OK · taligenkänning

```json
{
  "text": "God dag, kollegor. Vi börjar med veckans resultat…"
}
```

## Autentisering

| Parameter | Typ | Obligatorisk | Beskrivning |
| --- | --- | --- | --- |
| `Authorization` | header | obligatoriskt | Nyckel i formatet `Bearer sk-…`. Även följande headers kan användas `x-api-key` eller `x-goog-api-key`. |

## Talsyntes: anropskropp

| Parameter | Typ | Obligatorisk | Beskrivning |
| --- | --- | --- | --- |
| `model` | string | obligatoriskt | Talsyntesmodell: `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 | obligatoriskt | Text att läsa upp. För MiniMax-modeller gäller färre än 10 000 tecken; för `qwen-audio-3.0-tts-plus` — högst 600. |
| `voice` | string |  | Röst. **Krävs för MiniMax-modeller** (`speech-2.8-hd` och andra `speech-…`): ett röst-ID från MiniMax (latinska bokstäver, siffror, `_` och `-`, högst 128 tecken). För `qwen-audio-3.0-tts-plus` är standardvärdet `longanlingxin`, för Gemini TTS-modeller — `Kore`. |
| `response_format` | string | valfritt | MiniMax — endast `mp3`; `qwen-audio-3.0-tts-plus` — `mp3`, `wav` eller `pcm`; Gemini TTS — `wav` eller `json` (länk till filen). |

Svaret är en ljudfil (för MiniMax — `audio/mpeg`). Debitering sker per texttecken eller token, enligt katalogen.

## Taligenkänning

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

| Parameter | Typ | Obligatorisk | Beskrivning |
| --- | --- | --- | --- |
| `file` | file | obligatoriskt | WAV-ljudfil i `multipart/form-data`. `qwen-asr`, `qwen-asr-latest` och `qwen-audio-3.0-asr-flash`: en fullständig, okomprimerad PCM WAV-fil på högst 5 minuter, ungefär högst 7,5 MB (i base64 — högst 10 MB). `asr-1.0`: PCM WAV på högst 500 sekunder och 50 MB. `gemini-3.5-transcribe`: WAV på högst 64 MB. |
| `model` | string | obligatoriskt | Taligenkänningsmodell: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. |
| `response_format` | string | valfritt | Endast `json` (eller utelämna fältet). |

Fältet `language` används inte av dessa modeller. Svar: `{"text": "…"}`. Debitering sker efter inspelningens längd (sekunder, minuter eller timmar — varje modell har sin egen enhet).

## Röst i realtid

För `qwen-audio-3.0-realtime-plus` öppnar du en WebSocket `wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus` med headern `Authorization: Bearer <API_KEY>`. Skicka nyckeln från serversidan: en nyckel i query string godtas inte. Vänta på `session.created` med den valda modellen och skicka sedan inställningarna, ett meddelande och `response.create`. Nedan visas tre JSON-textramar i följd för ett textsvar i en ljudsession:

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

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

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

Läs svarshändelser fram till `response.done` och dess slutliga usage; fel skickas som händelsen `error`. Debitering sker efter text- och ljudtoken för varje bekräftat svar. Ljudindata: händelsen `input_audio_buffer.append` med `audio` — base64 PCM16 mono 16 kHz; därefter `input_audio_buffer.commit` och `response.create`. Ljudutdata är PCM16 mono 24 kHz. Binära ramar godtas inte i den här sessionen.

Klienthändelser som stöds: `session.update`, `input_audio_buffer.append/commit/clear`, `response.create/cancel`, `conversation.item.create/retrieve/delete`. Samtalsobjekt (conversation items) — endast meddelanden/text; funktionsverktyg, webbsökning och voiceprint stöds inte. Sessionsgränser: 600 sekunder, 20 svar, 20 historikomgångar, 2000 byte instructions och 8000 byte klienttext. Tidsgränsen vid inaktivitet beror på konfigurationen (standard: 60 sekunder).

Här beskrivs röstläget `qwen-audio-3.0-realtime-plus`; andra realtidsmodeller har egna regler. Sökvägen `/v1/realtime/sessions` och tillfälliga token (ephemeral tokens) stöds inte.

Har du fler frågor? Skicka Request ID och en beskrivning, så hjälper vi dig.[Kontakta supporten](mailto:support@ailoot.ai)

## Ailoot · Företaget och dess projektportfölj





Ailoot bygger på etablerad driftserfarenhet, en stor kundbas, stabil service och löpande KPI-kontroll.





Företaget och dess projektportfölj: miljontals kunder; månatlig försäljning för miljarder.





Ailoot använder denna driftserfarenhet för API-åtkomst till AI-funktioner i kundernas produkter, agenter, applikationer och automatiseringar.