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

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

# Audio

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

การแปลงข้อความเป็นเสียง (TTS) และการรู้จำเสียงพูด (STT) ในรูปแบบ OpenAI Audio

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

Audio

```bash
# การสังเคราะห์เสียงพูด
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": "สวัสดี! นี่คือตัวอย่างการสังเคราะห์เสียงพูด", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

200 OK · การรู้จำเสียงพูด

```json
{
  "text": "สวัสดีเพื่อนร่วมงานทุกคน เริ่มจากสรุปผลของสัปดาห์นี้กัน…"
}
```

## การยืนยันสิทธิ์

| พารามิเตอร์ | ชนิด | จำเป็น | คำอธิบาย |
| --- | --- | --- | --- |
| `Authorization` | header | จำเป็น | คีย์ในรูปแบบ `Bearer sk-…`. ใช้เฮดเดอร์ต่อไปนี้ได้เช่นกัน `x-api-key` หรือ `x-goog-api-key`. |

## การแปลงข้อความเป็นเสียง: เนื้อหาคำขอ

| พารามิเตอร์ | ชนิด | จำเป็น | คำอธิบาย |
| --- | --- | --- | --- |
| `model` | string | จำเป็น | โมเดลแปลงข้อความเป็นเสียง: `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 | จำเป็น | ข้อความที่ต้องการแปลงเป็นเสียง สำหรับโมเดล MiniMax ต้องน้อยกว่า 10 000 อักขระ ส่วน `qwen-audio-3.0-tts-plus` — สูงสุด 600 อักขระ |
| `voice` | string |  | เสียง **จำเป็นสำหรับโมเดล MiniMax** (`speech-2.8-hd` และโมเดลอื่น ๆ `speech-…`): รหัสเสียง MiniMax (ตัวอักษรละติน ตัวเลข `_` และ `-`, สูงสุด 128 อักขระ) สำหรับ `qwen-audio-3.0-tts-plus` ค่าเริ่มต้นคือ `longanlingxin`, ส่วนโมเดล Gemini TTS ใช้ `Kore`. |
| `response_format` | string | ไม่จำเป็น | MiniMax — รองรับเฉพาะ `mp3`; `qwen-audio-3.0-tts-plus` — `mp3`, `wav` หรือ `pcm`; Gemini TTS — `wav` หรือ `json` (ลิงก์ไปยังไฟล์) |

คำตอบเป็นไฟล์เสียง (สำหรับ MiniMax — `audio/mpeg`). คิดค่าบริการตามจำนวนอักขระข้อความหรือโทเค็น ตามที่ระบุในแค็ตตาล็อก

## การรู้จำเสียงพูด

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

| พารามิเตอร์ | ชนิด | จำเป็น | คำอธิบาย |
| --- | --- | --- | --- |
| `file` | file | จำเป็น | ไฟล์เสียง WAV ใน `multipart/form-data`. `qwen-asr`, `qwen-asr-latest` และ `qwen-audio-3.0-asr-flash`: PCM WAV แบบไม่บีบอัดทั้งไฟล์ ความยาวไม่เกิน 5 นาที ขนาดประมาณไม่เกิน 7,5 MB (เมื่อเป็น base64 — ไม่เกิน 10 MB) `asr-1.0`: PCM WAV ความยาวไม่เกิน 500 วินาที และขนาดไม่เกิน 50 MB `gemini-3.5-transcribe`: WAV ขนาดไม่เกิน 64 MB |
| `model` | string | จำเป็น | โมเดลรู้จำเสียงพูด: `gemini-3.5-transcribe`, `qwen-audio-3.0-asr-flash`, `asr-1.0`. |
| `response_format` | string | ไม่จำเป็น | เฉพาะ `json` (หรือไม่ระบุ) |

ฟิลด์ `language` ไม่ถูกใช้โดยโมเดลเหล่านี้ คำตอบ: `{"text": "…"}`. คิดค่าบริการตามความยาวของเสียงที่บันทึก (วินาที นาที หรือชั่วโมง — แต่ละโมเดลใช้หน่วยต่างกัน)

## เสียงแบบเรียลไทม์

สำหรับ `qwen-audio-3.0-realtime-plus` เปิด WebSocket `wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus` พร้อมเฮดเดอร์ `Authorization: Bearer <API_KEY>`. ส่งคีย์จากฝั่งเซิร์ฟเวอร์: ไม่รับคีย์ใน query string รอ `session.created` ที่ระบุโมเดลที่เลือก จากนั้นส่งการตั้งค่า ข้อความ และ `response.create`. ด้านล่างคือ JSON text frames สามเฟรมที่ส่งตามลำดับ เพื่อรับคำตอบแบบข้อความในเซสชันเสียง:

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

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

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

อ่านอีเวนต์คำตอบจนถึง `response.done` และ usage สรุปของคำตอบ ข้อผิดพลาดจะส่งมาในอีเวนต์ `error`. คิดค่าบริการตามโทเค็นข้อความและเสียงของคำตอบแต่ละรายการที่ยืนยันแล้ว เสียงขาเข้า: อีเวนต์ `input_audio_buffer.append` พร้อม `audio` — base64 PCM16 mono 16 kHz; จากนั้น `input_audio_buffer.commit` และ `response.create`. เสียงขาออกเป็น PCM16 mono 24 kHz เซสชันนี้ไม่รับ Binary frames

อีเวนต์ฝั่งไคลเอนต์ที่รองรับ: `session.update`, `input_audio_buffer.append/commit/clear`, `response.create/cancel`, `conversation.item.create/retrieve/delete`. conversation items — รองรับเฉพาะข้อความ/ข้อความตัวอักษร ไม่รองรับ function tools, web search และ voiceprint ขีดจำกัดเซสชัน: 600 วินาที, 20 คำตอบ, 20 history turns, instructions ขนาด 2000 ไบต์ และข้อความฝั่งไคลเอนต์ขนาด 8000 ไบต์ Idle timeout ขึ้นอยู่กับการกำหนดค่า (ค่าเริ่มต้น 60 วินาที)

หน้านี้อธิบายโหมดเสียง `qwen-audio-3.0-realtime-plus`; โมเดลเรียลไทม์อื่นมีข้อกำหนดของตนเอง พาธ `/v1/realtime/sessions` และโทเค็นชั่วคราว (ephemeral tokens) ไม่รองรับ

ยังมีคำถามอยู่ใช่ไหม ส่ง Request ID และรายละเอียดมาให้เรา เราจะช่วยตรวจ⁠สอบ[ติดต่อฝ่ายสนับสนุน](mailto:support@ailoot.ai)

## Ailoot · บริษัทและพอร์ตโฟลิโอโครงการของบริษัท





Ailoot อาศัยประสบการณ์การดำเนินงานที่สั่งสม ฐานลูกค้าขนาดใหญ่ บริการที่เสถียร และการติดตาม KPI อย่างต่อเนื่อง





บริษัทและพอร์ตโฟลิโอโครงการของบริษัท: ลูกค้าหลายล้านราย; ยอดขายระดับหลายพันล้านต่อเดือน.





Ailoot นำประสบการณ์การดำเนินงานนี้มาใช้เพื่อให้เข้าถึงฟังก์ชัน AI ผ่าน API ในผลิตภัณฑ์ของลูกค้า เอเจนต์ แอปพลิเคชัน และระบบอัตโนมัติ