音訊

# 語音合成
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": "您好！這是語音合成範例。", "voice": "longanlingxin"}' \
  --output speech.mp3

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

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

{
  "text": "各位同事，大家好。先從本週成果開始…"
}

身分驗證

• Authorizationheader必填

  金鑰格式為Bearer sk-…。也可使用標頭x-api-key或x-goog-api-key。

文字轉語音：請求本文

• modelstring必填

  文字轉語音模型：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。

• inputstring必填

  用於文字轉語音的文字。MiniMax 模型須少於 10 000 個字元； qwen-audio-3.0-tts-plus —最多 600 個字元。

• voicestring

  音色。MiniMax 模型必填 (speech-2.8-hd與其他speech-…): MiniMax 音色 ID (拉丁字母、數字、 _與-，最多 128 個字元). 而qwen-audio-3.0-tts-plus預設為longanlingxin，Gemini TTS 模型— Kore。

• response_formatstring選填

  MiniMax—僅支援mp3; qwen-audio-3.0-tts-plus — mp3，wav或pcm; Gemini TTS— wav或json (檔案連結)。

回應為音訊檔案 (MiniMax 為audio/mpeg). 依目錄所列，以文字字元數或 token 數計費。

語音辨識

• filefile必填

  WAV 音訊檔案，採用multipart/form-data。 qwen-asr，qwen-asr-latest與qwen-audio-3.0-asr-flash：完整、未壓縮的 PCM WAV，最長 5 分鐘，檔案約最多 7,5 MB (base64 格式最多 10 MB)。asr-1.0：PCM WAV，最長 500 秒、最大 50 MB。gemini-3.5-transcribe：WAV，最大 64 MB。

• modelstring必填

  語音辨識模型：gemini-3.5-transcribe，qwen-audio-3.0-asr-flash，asr-1.0。

• response_formatstring選填

  僅支援json (或不指定)。

欄位language不會被這些模型使用。回應：{"text": "…"}。依錄音時長計費 (秒、分鐘或小時—各模型採用不同單位)。

即時語音

使用qwen-audio-3.0-realtime-plus時，請開啟 WebSocket wss://api.ailoot.ai/v1/realtime?model=qwen-audio-3.0-realtime-plus並包含標頭Authorization: Bearer <API_KEY>。請從伺服器端傳送金鑰：不接受查詢字串中的金鑰。請等待session.created以所選模型建立的事件，接著傳送設定、訊息與response.create。以下是音訊工作階段中用於取得文字回應的三個依序傳送的 JSON 文字訊框：

{"type":"session.update","session":{"modalities":["text"],"turn_detection":null,"max_history_turns":20,"instructions":"請簡短回答。"}}

{"type":"conversation.item.create","item":{"type":"message","role":"user","content":[{"type":"input_text","text":"請說好。"}]}}

{"type":"response.create"}

請持續讀取回應事件，直到response.done及其最終 usage；錯誤會透過事件error。每個已確認回應依文字與音訊 token 數計費。音訊輸入：事件input_audio_buffer.append包含audio —base64 PCM16 mono 16 kHz；接著input_audio_buffer.commit與response.create。音訊輸出為 PCM16 mono 24 kHz。此工作階段不接受二進位訊框。

支援的用戶端事件：session.update，input_audio_buffer.append/commit/clear，response.create/cancel，conversation.item.create/retrieve/delete。對話項目僅支援訊息或文字；不支援函式工具、網頁搜尋與聲紋。工作階段限制：600 秒、20 個回應、20 個歷史對話回合、2000 位元組的 instructions，以及 8000 位元組的用戶端文字。閒置逾時取決於設定 (預設為 60 秒)。