Voxtral TTS es el modelo de texto a voz de 4B de Mistral AI para generar audio hablado a partir de texto y una referencia de voz. La página del fabricante identifica la edición 2603 como voxtral-mini-tts-2603, mientras que la ficha de pesos publicada se llama Voxtral 4B TTS 2603. Esta entrada trata de esa versión de generación de voz, distinta de Voxtral Small para comprensión de audio, transcripción y modelos posteriores de entrada en tiempo real.
Voz expresiva y adaptación de voz
El modelo está diseñado para captar pausas, ritmo, entonación, acento y expresión emocional de una voz de referencia. La voz indica cómo debe sonar el texto; la descripción general del fabricante no exige etiquetas separadas de prosodia o emoción ni una transcripción de la grabación de referencia. El texto fuente determina qué se dice y la referencia de audio orienta cómo se interpreta.
La descripción general explica la adaptación de una voz con apenas dos a tres segundos de audio. La descripción de arquitectura trata referencias de voz de cinco a veinticinco segundos. Son afirmaciones de alcances distintos: un ejemplo de adaptación breve no exige usar la referencia más corta posible. Elige voz clara que represente el estilo y acento deseados para el resultado.
La ficha publicada incluye veinte voces predefinidas y adaptación a voces nuevas. El flujo de voz del fabricante puede usar un perfil guardado o un clip de referencia de un solo uso. Guardar un perfil permite reutilizar la misma referencia en solicitudes de voz distintas, mientras que un clip de un solo uso la aporta para la tarea actual. Un perfil y una grabación generada son recursos diferentes.
Idiomas e interpretación entre idiomas
La versión admite inglés, francés, español, alemán, italiano, portugués, neerlandés, árabe e hindi, con variaciones dialectales, transferencia de voz entre idiomas y mezcla de idiomas descritas por el fabricante. Para obtener el mejor resultado, la guía recomienda que el idioma de la referencia coincida con el del texto. La transferencia entre idiomas puede conservar el acento de la referencia al pronunciar el texto preparado en otro idioma compatible.
Una tarea práctica de narración puede usar el mismo estilo de voz para explicar algo en distintos idiomas compatibles, con cada texto preparado para su público. Una respuesta de asistente de voz puede utilizar un guion breve y conversacional en vez de leer un documento sin editar. El modelo de texto a voz reproduce las palabras preparadas; cualquier traducción o redacción de respuestas que las produzca es una etapa separada.
Preparación del texto
La guía de voz del fabricante recomienda texto pronunciable. Escribe números y símbolos en la forma en que deben escucharse para que el modelo no tenga que elegir entre lecturas posibles. Un número puede ser cantidad, hora o identificador; define su redacción hablada antes de sintetizar. Desarrolla las abreviaturas cuando importe la pronunciación y separa las letras cuando esa sea la lectura prevista.
Evita formato enriquecido, emojis y caracteres especiales que no se reproducirán como contenido hablado. Prepara frases completas con la puntuación y redacción necesarias para la interpretación. La guía recomienda instrucciones de menos de 300 palabras para mejores resultados. Es una recomendación de calidad, no un máximo estricto declarado de longitud de entrada.
Para explicar un procedimiento, escribe la acción y la condición en una frase que pueda seguirse al escucharla. Para un anuncio, coloca la información importante antes del detalle opcional. Para una respuesta de voz, conserva la respuesta factual y elimina el formato exclusivo de pantalla o la notación de fuentes que no deba pronunciarse. Así, el guion queda adecuado para audio antes de que la referencia determine el estilo.
Streaming, salida y duración
El fabricante documenta entrega básica y en streaming, y describe generación nativa de hasta dos minutos de audio. La ficha de pesos también enumera inferencia por lotes para preparar varias tareas de voz. Las generaciones de servicio más largas utilizan intercalado, en vez de tratar un bloque nativo como ilimitado. Para narraciones largas, prepara secciones coherentes y mantén consistentes su voz y preparación textual con el flujo de entrega que gestiona la continuación.
La ficha publicada especifica audio de 24 kHz y enumera WAV, PCM, FLAC, MP3, AAC y Opus como formatos de salida. La guía del servicio trata MP3 para entrega comprimida, WAV para PCM sin comprimir, FLAC para compresión sin pérdida y PCM u Opus para streaming. Elige un formato compatible con el flujo conectado y adecuado para su reproductor o etapa de procesamiento. La elección de formato y el comportamiento en streaming son independientes de la adaptación de voz.
Arquitectura del modelo y límites prácticos
El anuncio describe una arquitectura autorregresiva con flow matching: una base de decodificador Transformer de 3.4B, un Transformer acústico de 390 millones de parámetros y un códec de audio neuronal de 300 millones. El decodificador predice contenido semántico y el componente acústico produce la representación de voz, mientras el códec gestiona el audio. Estos componentes explican la etiqueta aproximada de modelo de 4B; no son idiomas de entrada adicionales ni otro modelo de generación de respuestas.
Una salida práctica es la grabación sintetizada o el flujo de audio asociado a su guion preparado y voz elegida. Mantén esas asociaciones al generar varias secciones para que la aplicación guarde, reproduzca o ensamble el material correcto. El modelo produce audio, no una transcripción, vector de búsqueda semántica o respuesta factual de nueva redacción.
Conserva la edición de voz 2603, el idioma compatible y el estilo de referencia. Las fuentes consultadas aportan la afirmación de dos minutos nativos y la recomendación de preparación de menos de 300 palabras, pero no establecen un máximo estricto independiente de caracteres de texto ni de duración total de una grabación ensamblada. Usa los requisitos reales de texto, voz e interpretación para definir el recurso de audio terminado.
", "aboutText": "Voxtral TTS es el modelo de texto a voz de 4B de Mistral AI para generar audio hablado a partir de texto y una referencia de voz. La página del fabricante identifica la edición 2603 como voxtral-mini-tts-2603, mientras que la ficha de pesos publicada se llama Voxtral 4B TTS 2603. Esta entrada trata de esa versión de generación de voz, distinta de Voxtral Small para comprensión de audio, transcripción y modelos posteriores de entrada en tiempo real.\n\nVoz expresiva y adaptación de voz\n\nEl modelo está diseñado para captar pausas, ritmo, entonación, acento y expresión emocional de una voz de referencia. La voz indica cómo debe sonar el texto; la descripción general del fabricante no exige etiquetas separadas de prosodia o emoción ni una transcripción de la grabación de referencia. El texto fuente determina qué se dice y la referencia de audio orienta cómo se interpreta.\n\nLa descripción general explica la adaptación de una voz con apenas dos a tres segundos de audio. La descripción de arquitectura trata referencias de voz de cinco a veinticinco segundos. Son afirmaciones de alcances distintos: un ejemplo de adaptación breve no exige usar la referencia más corta posible. Elige voz clara que represente el estilo y acento deseados para el resultado.\n\nLa ficha publicada incluye veinte voces predefinidas y adaptación a voces nuevas. El flujo de voz del fabricante puede usar un perfil guardado o un clip de referencia de un solo uso. Guardar un perfil permite reutilizar la misma referencia en solicitudes de voz distintas, mientras que un clip de un solo uso la aporta para la tarea actual. Un perfil y una grabación generada son recursos diferentes.\n\nIdiomas e interpretación entre idiomas\n\nLa versión admite inglés, francés, español, alemán, italiano, portugués, neerlandés, árabe e hindi, con variaciones dialectales, transferencia de voz entre idiomas y mezcla de idiomas descritas por el fabricante. Para obtener el mejor resultado, la guía recomienda que el idioma de la referencia coincida con el del texto. La transferencia entre idiomas puede conservar el acento de la referencia al pronunciar el texto preparado en otro idioma compatible.\n\nUna tarea práctica de narración puede usar el mismo estilo de voz para explicar algo en distintos idiomas compatibles, con cada texto preparado para su público. Una respuesta de asistente de voz puede utilizar un guion breve y conversacional en vez de leer un documento sin editar. El modelo de texto a voz reproduce las palabras preparadas; cualquier traducción o redacción de respuestas que las produzca es una etapa separada.\n\nPreparación del texto\n\nLa guía de voz del fabricante recomienda texto pronunciable. Escribe números y símbolos en la forma en que deben escucharse para que el modelo no tenga que elegir entre lecturas posibles. Un número puede ser cantidad, hora o identificador; define su redacción hablada antes de sintetizar. Desarrolla las abreviaturas cuando importe la pronunciación y separa las letras cuando esa sea la lectura prevista.\n\nEvita formato enriquecido, emojis y caracteres especiales que no se reproducirán como contenido hablado. Prepara frases completas con la puntuación y redacción necesarias para la interpretación. La guía recomienda instrucciones de menos de 300 palabras para mejores resultados. Es una recomendación de calidad, no un máximo estricto declarado de longitud de entrada.\n\nPara explicar un procedimiento, escribe la acción y la condición en una frase que pueda seguirse al escucharla. Para un anuncio, coloca la información importante antes del detalle opcional. Para una respuesta de voz, conserva la respuesta factual y elimina el formato exclusivo de pantalla o la notación de fuentes que no deba pronunciarse. Así, el guion queda adecuado para audio antes de que la referencia determine el estilo.\n\nStreaming, salida y duración\n\nEl fabricante documenta entrega básica y en streaming, y describe generación nativa de hasta dos minutos de audio. La ficha de pesos también enumera inferencia por lotes para preparar varias tareas de voz. Las generaciones de servicio más largas utilizan intercalado, en vez de tratar un bloque nativo como ilimitado. Para narraciones largas, prepara secciones coherentes y mantén consistentes su voz y preparación textual con el flujo de entrega que gestiona la continuación.\n\nLa ficha publicada especifica audio de 24 kHz y enumera WAV, PCM, FLAC, MP3, AAC y Opus como formatos de salida. La guía del servicio trata MP3 para entrega comprimida, WAV para PCM sin comprimir, FLAC para compresión sin pérdida y PCM u Opus para streaming. Elige un formato compatible con el flujo conectado y adecuado para su reproductor o etapa de procesamiento. La elección de formato y el comportamiento en streaming son independientes de la adaptación de voz.\n\nArquitectura del modelo y límites prácticos\n\nEl anuncio describe una arquitectura autorregresiva con flow matching: una base de decodificador Transformer de 3.4B, un Transformer acústico de 390 millones de parámetros y un códec de audio neuronal de 300 millones. El decodificador predice contenido semántico y el componente acústico produce la representación de voz, mientras el códec gestiona el audio. Estos componentes explican la etiqueta aproximada de modelo de 4B; no son idiomas de entrada adicionales ni otro modelo de generación de respuestas.\n\nUna salida práctica es la grabación sintetizada o el flujo de audio asociado a su guion preparado y voz elegida. Mantén esas asociaciones al generar varias secciones para que la aplicación guarde, reproduzca o ensamble el material correcto. El modelo produce audio, no una transcripción, vector de búsqueda semántica o respuesta factual de nueva redacción.\n\nConserva la edición de voz 2603, el idioma compatible y el estilo de referencia. Las fuentes consultadas aportan la afirmación de dos minutos nativos y la recomendación de preparación de menos de 300 palabras, pero no establecen un máximo estricto independiente de caracteres de texto ni de duración total de una grabación ensamblada. Usa los requisitos reales de texto, voz e interpretación para definir el recurso de audio terminado.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ab8b50fc3a2711781933b06595b32f910c3113a336767ff38b65dd0a07354756", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "mistralai/voxtral-mini-tts-2603Voxtral TTS es el modelo de generación de voz de 4B de Mistral AI, con adaptación de voz basada en referencias en nueve idiomas. Convierte texto preparado en audio expresivo, admite referencias de voz reutilizables o de un solo uso y streaming, y produce salida de 24 kHz en los formatos de audio documentados.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Voxtral TTS es el modelo de texto a voz de 4B de Mistral AI para generar audio hablado a partir de texto y una referencia de voz. La página del fabricante identifica la edición 2603 como voxtral-mini-tts-2603, mientras que la ficha de pesos publicada se llama Voxtral 4B TTS 2603. Esta entrada trata de esa versión de generación de voz, distinta de Voxtral Small para comprensión de audio, transcripción y modelos posteriores de entrada en tiempo real.
Voz expresiva y adaptación de voz
El modelo está diseñado para captar pausas, ritmo, entonación, acento y expresión emocional de una voz de referencia. La voz indica cómo debe sonar el texto; la descripción general del fabricante no exige etiquetas separadas de prosodia o emoción ni una transcripción de la grabación de referencia. El texto fuente determina qué se dice y la referencia de audio orienta cómo se interpreta.
La descripción general explica la adaptación de una voz con apenas dos a tres segundos de audio. La descripción de arquitectura trata referencias de voz de cinco a veinticinco segundos. Son afirmaciones de alcances distintos: un ejemplo de adaptación breve no exige usar la referencia más corta posible. Elige voz clara que represente el estilo y acento deseados para el resultado.
La ficha publicada incluye veinte voces predefinidas y adaptación a voces nuevas. El flujo de voz del fabricante puede usar un perfil guardado o un clip de referencia de un solo uso. Guardar un perfil permite reutilizar la misma referencia en solicitudes de voz distintas, mientras que un clip de un solo uso la aporta para la tarea actual. Un perfil y una grabación generada son recursos diferentes.
Idiomas e interpretación entre idiomas
La versión admite inglés, francés, español, alemán, italiano, portugués, neerlandés, árabe e hindi, con variaciones dialectales, transferencia de voz entre idiomas y mezcla de idiomas descritas por el fabricante. Para obtener el mejor resultado, la guía recomienda que el idioma de la referencia coincida con el del texto. La transferencia entre idiomas puede conservar el acento de la referencia al pronunciar el texto preparado en otro idioma compatible.
Una tarea práctica de narración puede usar el mismo estilo de voz para explicar algo en distintos idiomas compatibles, con cada texto preparado para su público. Una respuesta de asistente de voz puede utilizar un guion breve y conversacional en vez de leer un documento sin editar. El modelo de texto a voz reproduce las palabras preparadas; cualquier traducción o redacción de respuestas que las produzca es una etapa separada.
Preparación del texto
La guía de voz del fabricante recomienda texto pronunciable. Escribe números y símbolos en la forma en que deben escucharse para que el modelo no tenga que elegir entre lecturas posibles. Un número puede ser cantidad, hora o identificador; define su redacción hablada antes de sintetizar. Desarrolla las abreviaturas cuando importe la pronunciación y separa las letras cuando esa sea la lectura prevista.
Evita formato enriquecido, emojis y caracteres especiales que no se reproducirán como contenido hablado. Prepara frases completas con la puntuación y redacción necesarias para la interpretación. La guía recomienda instrucciones de menos de 300 palabras para mejores resultados. Es una recomendación de calidad, no un máximo estricto declarado de longitud de entrada.
Para explicar un procedimiento, escribe la acción y la condición en una frase que pueda seguirse al escucharla. Para un anuncio, coloca la información importante antes del detalle opcional. Para una respuesta de voz, conserva la respuesta factual y elimina el formato exclusivo de pantalla o la notación de fuentes que no deba pronunciarse. Así, el guion queda adecuado para audio antes de que la referencia determine el estilo.
Streaming, salida y duración
El fabricante documenta entrega básica y en streaming, y describe generación nativa de hasta dos minutos de audio. La ficha de pesos también enumera inferencia por lotes para preparar varias tareas de voz. Las generaciones de servicio más largas utilizan intercalado, en vez de tratar un bloque nativo como ilimitado. Para narraciones largas, prepara secciones coherentes y mantén consistentes su voz y preparación textual con el flujo de entrega que gestiona la continuación.
La ficha publicada especifica audio de 24 kHz y enumera WAV, PCM, FLAC, MP3, AAC y Opus como formatos de salida. La guía del servicio trata MP3 para entrega comprimida, WAV para PCM sin comprimir, FLAC para compresión sin pérdida y PCM u Opus para streaming. Elige un formato compatible con el flujo conectado y adecuado para su reproductor o etapa de procesamiento. La elección de formato y el comportamiento en streaming son independientes de la adaptación de voz.
Arquitectura del modelo y límites prácticos
El anuncio describe una arquitectura autorregresiva con flow matching: una base de decodificador Transformer de 3.4B, un Transformer acústico de 390 millones de parámetros y un códec de audio neuronal de 300 millones. El decodificador predice contenido semántico y el componente acústico produce la representación de voz, mientras el códec gestiona el audio. Estos componentes explican la etiqueta aproximada de modelo de 4B; no son idiomas de entrada adicionales ni otro modelo de generación de respuestas.
Una salida práctica es la grabación sintetizada o el flujo de audio asociado a su guion preparado y voz elegida. Mantén esas asociaciones al generar varias secciones para que la aplicación guarde, reproduzca o ensamble el material correcto. El modelo produce audio, no una transcripción, vector de búsqueda semántica o respuesta factual de nueva redacción.
Conserva la edición de voz 2603, el idioma compatible y el estilo de referencia. Las fuentes consultadas aportan la afirmación de dos minutos nativos y la recomendación de preparación de menos de 300 palabras, pero no establecen un máximo estricto independiente de caracteres de texto ni de duración total de una grabación ensamblada. Usa los requisitos reales de texto, voz e interpretación para definir el recurso de audio terminado.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/voxtral-mini-tts-2603 | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Unidad: caracteres Unicode | Predeterminado— |
Campovoice | Tipostring | RequisitoObligatorio | Valores y límites en_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoObligatorio | Valores y límites mp3 | Predeterminado— |
text_to_speech · Obligatorio: input
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input, voice, response_format |
Parámetrovoice_ids | Contratoen_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry |
Parámetroresponse_format | Contratomp3 |
Parámetromax_input_characters | Contratonull |
Parámetroother_options | Contratofalse |
Parámetroinput | Contratotexto UTF-8 exacto; conteo de caracteres Unicode sin normalización |
Parámetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · El task_id real devuelto o el registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Selecciona una voz exacta de este perfil de modelo.
Los caracteres de entrada y los segundos de audio se miden por separado.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Cantidad facturable | Unidad de facturación | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad facturable— | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónUltra | Tabla de tarifas— | Cantidad facturableCada punto de código Unicode cuenta como un carácter, incluidos los caracteres Han. | Unidad de facturaciónpor 1K caracteres de entrada | Cargo Entrada · carácter de entrada $0.032 por 1K caracteres de entrada |
Las tablas de referencia del modelo no cambian la selección del método, las cotizaciones ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado.
| Configuración | Condiciones de facturación | Cargo |
|---|---|---|
| ConfiguraciónMistral: Voxtral Mini TTS · Configuración predeterminada | Condiciones de facturaciónConfiguración predeterminada | Cargo Entrada · Caracteres de entrada USD 0.000032 por carácter de entrada |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/voxtral-mini-tts-2603", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["en_paul_sad", "en_paul_neutral", "en_paul_happy", "en_paul_frustrated", "en_paul_excited", "en_paul_confident", "en_paul_cheerful", "en_paul_angry", "gb_oliver_neutral", "gb_oliver_sad", "gb_oliver_excited", "gb_oliver_curious", "gb_oliver_confident", "gb_oliver_cheerful", "gb_oliver_angry", "gb_jane_sarcasm", "gb_jane_confused", "gb_jane_shameful", "gb_jane_sad", "gb_jane_neutral", "gb_jane_jealousy", "gb_jane_frustrated", "gb_jane_curious", "gb_jane_confident", "fr_marie_sad", "fr_marie_neutral", "fr_marie_happy", "fr_marie_excited", "fr_marie_curious", "fr_marie_angry"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el resultado binario completo y los encabezados. Si se devuelve JSON o varias salidas, conserva cada elemento de data y descarga cada recurso desde su URL firmada real.
Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta específica para consultar el estado del audio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Respuestaserver_error | CondiciónLa respuesta devuelta indica que la operación o el resultado requiere una revisión | Siguiente pasoConserva el ID original de operación o tarea devuelto, los encabezados de la solicitud y la respuesta; continúa con las consultas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot Ultra mistralai/voxtral-mini-tts-2603
Usa las rutas de método indicadas arriba.