Voxtral TTS es el modelo de conversión 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 modelo del fabricante identifica la edición 2603 como voxtral-mini-tts-2603, mientras que la ficha de los pesos publicados se denomina Voxtral 4B TTS 2603. Esta entrada corresponde a 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 las pausas, el ritmo, la entonación, el acento y la expresión emocional de una voz de referencia. La voz actúa como una instrucción sobre cómo debe sonar el texto; la presentación del fabricante no exige etiquetas independientes de prosodia o emoción ni una transcripción de la grabación de referencia. El texto de origen determina lo que se dice, mientras que la referencia de audio orienta la interpretación.
La presentación describe la adaptación de una voz con tan solo dos o tres segundos de audio. La descripción de la arquitectura habla de referencias de voz de cinco a veinticinco segundos. Esas afirmaciones tienen alcances diferentes: un ejemplo de adaptación breve no obliga a utilizar la referencia más corta posible. Elija voz clara que represente el estilo y el acento deseados para el resultado final.
La ficha publicada incluye veinte voces predefinidas y adaptación a voces nuevas. El flujo de voz del fabricante puede utilizar un perfil de voz guardado o un clip de referencia de un solo uso. Guardar un perfil permite reutilizar la misma referencia de voz en solicitudes de voz independientes, mientras que un clip de un solo uso la proporciona para la tarea actual. Un perfil y una grabación generada son recursos diferentes.
Idiomas y locución entre idiomas
La versión admite inglés, francés, español, alemán, italiano, portugués, neerlandés, árabe e hindi, con variación dialectal, transferencia de voz entre idiomas y mezcla de idiomas descritas por el fabricante. Para obtener el mejor resultado, la guía de voz 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 utilizar el mismo estilo de voz para una explicación en distintos idiomas compatibles, con cada texto preparado para su oyente previsto. La respuesta de un asistente de voz puede utilizar un guion breve y conversacional, en lugar de leer en voz alta un documento sin editar. El modelo de conversión de texto a voz pronuncia las palabras preparadas; cualquier fase de traducción o redacción de respuestas que produzca esas palabras es un paso independiente.
Preparación del texto
La guía de voz del fabricante recomienda texto que pueda verbalizarse. Escriba los números y los símbolos tal como deban pronunciarse para que el modelo no tenga que elegir entre distintas lecturas. Un número puede ser una cantidad, una hora o un identificador; defina la redacción oral prevista antes de la síntesis. Desarrolle las abreviaturas cuando importe la pronunciación y utilice letras separadas cuando esa sea la lectura deseada.
Evite formato enriquecido, emojis y caracteres especiales que no vayan a reproducirse como contenido hablado. Prepare oraciones completas con la puntuación y las palabras necesarias para la interpretación. La guía recomienda entradas de menos de 300 palabras para obtener mejores resultados. Es una recomendación de calidad, no una longitud máxima de entrada declarada como límite estricto.
Para una explicación de un procedimiento, escriba la acción y la condición en una frase que el oyente pueda seguir. Para un anuncio, coloque la información importante antes de los detalles opcionales. Para una respuesta de voz, conserve la respuesta factual y elimine el formato exclusivo de pantalla o las anotaciones de fuentes que no deban pronunciarse. Estos preparativos hacen que el propio guion sea adecuado para audio antes de que la referencia determine su estilo.
Streaming, salida y duración
El fabricante documenta entrega básica y en streaming y describe la generación nativa de hasta dos minutos de audio. La ficha de los pesos publicados también incluye inferencia por lotes para preparar varias tareas de voz. Las generaciones más largas del servicio utilizan intercalado, en lugar de tratar un bloque nativo como ilimitado. Para narraciones más largas, prepare secciones coherentes y mantenga constantes la voz y la preparación del texto de acuerdo con el flujo de entrega que gestiona la continuación.
La ficha publicada especifica audio de 24 kHz y enumera los formatos de salida WAV, PCM, FLAC, MP3, AAC y Opus. La guía del servicio de voz trata MP3 para entrega comprimida, WAV para PCM sin comprimir, FLAC para compresión sin pérdida y PCM u Opus para streaming. Elija un formato admitido por el flujo conectado y adecuado para su reproductor o fase de procesamiento. La selección del formato y el comportamiento del streaming son distintos de la propia adaptación de voz.
Arquitectura del modelo y límites prácticos
El anuncio describe una arquitectura autorregresiva de flow matching con 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 de parámetros. El decodificador predice el contenido semántico y el componente acústico produce la representación del habla, mientras que el códec se encarga del audio. Estos componentes explican la denominación aproximada de modelo de 4B; no son idiomas de entrada adicionales ni un modelo distinto de generación de respuestas.
Una salida práctica es la grabación sintetizada o el flujo de audio asociado a su guion preparado y a la voz elegida. Conserve esas asociaciones al generar varias secciones para que la aplicación pueda guardar, reproducir o ensamblar el material correcto. El modelo produce audio, en lugar de una transcripción, un vector de búsqueda semántica o una respuesta factual recién redactada.
Conserve 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 preparar menos de 300 palabras, pero no establecen un límite estricto independiente de caracteres de texto ni de duración total de una grabación ensamblada. Utilice los requisitos reales de texto, voz y entrega para definir el recurso de audio terminado.
", "aboutText": "Voxtral TTS es el modelo de conversión 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 modelo del fabricante identifica la edición 2603 como voxtral-mini-tts-2603, mientras que la ficha de los pesos publicados se denomina Voxtral 4B TTS 2603. Esta entrada corresponde a 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 las pausas, el ritmo, la entonación, el acento y la expresión emocional de una voz de referencia. La voz actúa como una instrucción sobre cómo debe sonar el texto; la presentación del fabricante no exige etiquetas independientes de prosodia o emoción ni una transcripción de la grabación de referencia. El texto de origen determina lo que se dice, mientras que la referencia de audio orienta la interpretación.\n\nLa presentación describe la adaptación de una voz con tan solo dos o tres segundos de audio. La descripción de la arquitectura habla de referencias de voz de cinco a veinticinco segundos. Esas afirmaciones tienen alcances diferentes: un ejemplo de adaptación breve no obliga a utilizar la referencia más corta posible. Elija voz clara que represente el estilo y el acento deseados para el resultado final.\n\nLa ficha publicada incluye veinte voces predefinidas y adaptación a voces nuevas. El flujo de voz del fabricante puede utilizar un perfil de voz guardado o un clip de referencia de un solo uso. Guardar un perfil permite reutilizar la misma referencia de voz en solicitudes de voz independientes, mientras que un clip de un solo uso la proporciona para la tarea actual. Un perfil y una grabación generada son recursos diferentes.\n\nIdiomas y locución entre idiomas\n\nLa versión admite inglés, francés, español, alemán, italiano, portugués, neerlandés, árabe e hindi, con variación dialectal, transferencia de voz entre idiomas y mezcla de idiomas descritas por el fabricante. Para obtener el mejor resultado, la guía de voz 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 utilizar el mismo estilo de voz para una explicación en distintos idiomas compatibles, con cada texto preparado para su oyente previsto. La respuesta de un asistente de voz puede utilizar un guion breve y conversacional, en lugar de leer en voz alta un documento sin editar. El modelo de conversión de texto a voz pronuncia las palabras preparadas; cualquier fase de traducción o redacción de respuestas que produzca esas palabras es un paso independiente.\n\nPreparación del texto\n\nLa guía de voz del fabricante recomienda texto que pueda verbalizarse. Escriba los números y los símbolos tal como deban pronunciarse para que el modelo no tenga que elegir entre distintas lecturas. Un número puede ser una cantidad, una hora o un identificador; defina la redacción oral prevista antes de la síntesis. Desarrolle las abreviaturas cuando importe la pronunciación y utilice letras separadas cuando esa sea la lectura deseada.\n\nEvite formato enriquecido, emojis y caracteres especiales que no vayan a reproducirse como contenido hablado. Prepare oraciones completas con la puntuación y las palabras necesarias para la interpretación. La guía recomienda entradas de menos de 300 palabras para obtener mejores resultados. Es una recomendación de calidad, no una longitud máxima de entrada declarada como límite estricto.\n\nPara una explicación de un procedimiento, escriba la acción y la condición en una frase que el oyente pueda seguir. Para un anuncio, coloque la información importante antes de los detalles opcionales. Para una respuesta de voz, conserve la respuesta factual y elimine el formato exclusivo de pantalla o las anotaciones de fuentes que no deban pronunciarse. Estos preparativos hacen que el propio guion sea adecuado para audio antes de que la referencia determine su estilo.\n\nStreaming, salida y duración\n\nEl fabricante documenta entrega básica y en streaming y describe la generación nativa de hasta dos minutos de audio. La ficha de los pesos publicados también incluye inferencia por lotes para preparar varias tareas de voz. Las generaciones más largas del servicio utilizan intercalado, en lugar de tratar un bloque nativo como ilimitado. Para narraciones más largas, prepare secciones coherentes y mantenga constantes la voz y la preparación del texto de acuerdo con el flujo de entrega que gestiona la continuación.\n\nLa ficha publicada especifica audio de 24 kHz y enumera los formatos de salida WAV, PCM, FLAC, MP3, AAC y Opus. La guía del servicio de voz trata MP3 para entrega comprimida, WAV para PCM sin comprimir, FLAC para compresión sin pérdida y PCM u Opus para streaming. Elija un formato admitido por el flujo conectado y adecuado para su reproductor o fase de procesamiento. La selección del formato y el comportamiento del streaming son distintos de la propia adaptación de voz.\n\nArquitectura del modelo y límites prácticos\n\nEl anuncio describe una arquitectura autorregresiva de flow matching con 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 de parámetros. El decodificador predice el contenido semántico y el componente acústico produce la representación del habla, mientras que el códec se encarga del audio. Estos componentes explican la denominación aproximada de modelo de 4B; no son idiomas de entrada adicionales ni un modelo distinto de generación de respuestas.\n\nUna salida práctica es la grabación sintetizada o el flujo de audio asociado a su guion preparado y a la voz elegida. Conserve esas asociaciones al generar varias secciones para que la aplicación pueda guardar, reproducir o ensamblar el material correcto. El modelo produce audio, en lugar de una transcripción, un vector de búsqueda semántica o una respuesta factual recién redactada.\n\nConserve 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 preparar menos de 300 palabras, pero no establecen un límite estricto independiente de caracteres de texto ni de duración total de una grabación ensamblada. Utilice los requisitos reales de texto, voz y entrega para definir el recurso de audio terminado.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "83a94208d759d46a9ffca3fd1fe0c4ab84e479f68b01cbee572bd4d6ce135f49", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "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 conversión 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 modelo del fabricante identifica la edición 2603 como voxtral-mini-tts-2603, mientras que la ficha de los pesos publicados se denomina Voxtral 4B TTS 2603. Esta entrada corresponde a 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 las pausas, el ritmo, la entonación, el acento y la expresión emocional de una voz de referencia. La voz actúa como una instrucción sobre cómo debe sonar el texto; la presentación del fabricante no exige etiquetas independientes de prosodia o emoción ni una transcripción de la grabación de referencia. El texto de origen determina lo que se dice, mientras que la referencia de audio orienta la interpretación.
La presentación describe la adaptación de una voz con tan solo dos o tres segundos de audio. La descripción de la arquitectura habla de referencias de voz de cinco a veinticinco segundos. Esas afirmaciones tienen alcances diferentes: un ejemplo de adaptación breve no obliga a utilizar la referencia más corta posible. Elija voz clara que represente el estilo y el acento deseados para el resultado final.
La ficha publicada incluye veinte voces predefinidas y adaptación a voces nuevas. El flujo de voz del fabricante puede utilizar un perfil de voz guardado o un clip de referencia de un solo uso. Guardar un perfil permite reutilizar la misma referencia de voz en solicitudes de voz independientes, mientras que un clip de un solo uso la proporciona para la tarea actual. Un perfil y una grabación generada son recursos diferentes.
Idiomas y locución entre idiomas
La versión admite inglés, francés, español, alemán, italiano, portugués, neerlandés, árabe e hindi, con variación dialectal, transferencia de voz entre idiomas y mezcla de idiomas descritas por el fabricante. Para obtener el mejor resultado, la guía de voz 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 utilizar el mismo estilo de voz para una explicación en distintos idiomas compatibles, con cada texto preparado para su oyente previsto. La respuesta de un asistente de voz puede utilizar un guion breve y conversacional, en lugar de leer en voz alta un documento sin editar. El modelo de conversión de texto a voz pronuncia las palabras preparadas; cualquier fase de traducción o redacción de respuestas que produzca esas palabras es un paso independiente.
Preparación del texto
La guía de voz del fabricante recomienda texto que pueda verbalizarse. Escriba los números y los símbolos tal como deban pronunciarse para que el modelo no tenga que elegir entre distintas lecturas. Un número puede ser una cantidad, una hora o un identificador; defina la redacción oral prevista antes de la síntesis. Desarrolle las abreviaturas cuando importe la pronunciación y utilice letras separadas cuando esa sea la lectura deseada.
Evite formato enriquecido, emojis y caracteres especiales que no vayan a reproducirse como contenido hablado. Prepare oraciones completas con la puntuación y las palabras necesarias para la interpretación. La guía recomienda entradas de menos de 300 palabras para obtener mejores resultados. Es una recomendación de calidad, no una longitud máxima de entrada declarada como límite estricto.
Para una explicación de un procedimiento, escriba la acción y la condición en una frase que el oyente pueda seguir. Para un anuncio, coloque la información importante antes de los detalles opcionales. Para una respuesta de voz, conserve la respuesta factual y elimine el formato exclusivo de pantalla o las anotaciones de fuentes que no deban pronunciarse. Estos preparativos hacen que el propio guion sea adecuado para audio antes de que la referencia determine su estilo.
Streaming, salida y duración
El fabricante documenta entrega básica y en streaming y describe la generación nativa de hasta dos minutos de audio. La ficha de los pesos publicados también incluye inferencia por lotes para preparar varias tareas de voz. Las generaciones más largas del servicio utilizan intercalado, en lugar de tratar un bloque nativo como ilimitado. Para narraciones más largas, prepare secciones coherentes y mantenga constantes la voz y la preparación del texto de acuerdo con el flujo de entrega que gestiona la continuación.
La ficha publicada especifica audio de 24 kHz y enumera los formatos de salida WAV, PCM, FLAC, MP3, AAC y Opus. La guía del servicio de voz trata MP3 para entrega comprimida, WAV para PCM sin comprimir, FLAC para compresión sin pérdida y PCM u Opus para streaming. Elija un formato admitido por el flujo conectado y adecuado para su reproductor o fase de procesamiento. La selección del formato y el comportamiento del streaming son distintos de la propia adaptación de voz.
Arquitectura del modelo y límites prácticos
El anuncio describe una arquitectura autorregresiva de flow matching con 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 de parámetros. El decodificador predice el contenido semántico y el componente acústico produce la representación del habla, mientras que el códec se encarga del audio. Estos componentes explican la denominación aproximada de modelo de 4B; no son idiomas de entrada adicionales ni un modelo distinto de generación de respuestas.
Una salida práctica es la grabación sintetizada o el flujo de audio asociado a su guion preparado y a la voz elegida. Conserve esas asociaciones al generar varias secciones para que la aplicación pueda guardar, reproducir o ensamblar el material correcto. El modelo produce audio, en lugar de una transcripción, un vector de búsqueda semántica o una respuesta factual recién redactada.
Conserve 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 preparar menos de 300 palabras, pero no establecen un límite estricto independiente de caracteres de texto ni de duración total de una grabación ensamblada. Utilice los requisitos reales de texto, voz y entrega 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; recuento de caracteres Unicode sin normalización |
Parámetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id real devuelto o 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 son métricas de consumo diferentes.
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 $0.032 por 1K caracteres de entrada |
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado.
| Configuración | Condiciones de facturación | Cargo |
|---|---|---|
| ConfiguraciónMistral: Voxtral Mini TTS · Configuración predeterminada | Condiciones de facturaciónConfiguración predeterminada | Cargo Entrada · Caracteres de entrada 0,000032 US$ por carácter de entrada |
Ailoot reserva un importe 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 las cabeceras. Si se devuelve JSON o varias salidas, conserva todos los elementos de datos y descarga el recurso de cada 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 dedicada para consultar periódicamente el 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 comprobación | Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas 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.