Qwen-Audio-3.0-TTS-Plus transforme le texte écrit en parole expressive; l’édition Plus privilégie la qualité de synthèse, le naturel et une interprétation vocale détaillée. Qwen cite la création de contenu, les livres audio, le doublage de films et vidéos et la production vocale professionnelle comme applications principales. Le profil actualisé décrit une prise en charge plus large des langues peu dotées en ressources et des dialectes chinois, une meilleure authenticité des dialectes et un contrôle renforcé de l’émotion, du ton, du caractère, du débit, du volume et du style. Le fabricant signale aussi une amélioration de la clarté, de la résolution et de la robustesse dans des conditions acoustiques bruyantes ou réverbérantes.
Plus est l’édition axée sur la qualité de cette famille de synthèse vocale; Flash est positionnée séparément pour l’interaction en temps réel. Préparez la narration comme un script parlé, en indiquant le public, le rythme et la direction émotionnelle. Pour un passage de livre audio, une consigne peut demander une articulation claire, un rythme mesuré et une chaleur retenue; pour une voix off vidéo, une ouverture sérieuse puis une explication plus énergique. Il s’agit de choix d’interprétation des mots fournis. Le modèle synthétise la parole, plutôt que de la transcrire ou de générer une scène visuelle complète.
Les voix système officielles de Plus comprennent Long An Ling Xin, décrite comme chaleureuse et empathique, et Long An Lu Feng, décrite comme claire et joyeuse. Toutes deux sont indiquées pour le mandarin et l’anglais. Le fabricant fournit aussi plus de 500 voix de base pour cette édition, avec des aperçus à écouter avant le choix. Il recommande les voix système pour une synthèse plus régulière. Sélectionnez une voix dans la liste exacte de Plus et adaptez la langue du script aux langues qu’elle prend en charge; une voix Flash n’est pas interchangeable simplement parce qu’elle appartient à la même famille générale.
Le modèle prend en charge le clonage vocal à partir d’un échantillon. Les langues documentées des voix clonées comprennent le chinois, l’anglais, le japonais, le coréen, le russe, le français, l’allemand, le portugais, le thaï, l’indonésien, le vietnamien, l’espagnol, l’italien, le malais, le filipino et l’arabe. Les variantes chinoises comprennent le mandarin, le cantonais, Chongqing, le Nord-Est, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, le shanghaïen, Sichuan et Yunnan, avec un contrôle des dialectes par instructions. Le tableau du fabricant distingue le clonage de la création d’une voix à partir d’une description textuelle : Plus prend en charge le clonage, mais pas ce mode distinct de conception vocale.
Une référence adaptée au clonage est une parole claire à vitesse normale, sans musique, bruit de fond, autres locuteurs ni chant. Le fabricant recommande 10–20 secondes et autorise jusqu’à 60 secondes dans un fichier ne dépassant pas 10 MB. Les formats de référence sont WAV 16 bits, MP3 et M4A, avec une fréquence d’échantillonnage minimale de 16 kHz. Au moins cinq secondes de parole claire continue sont requises; il est recommandé que les pauses restantes ne dépassent pas deux secondes. En stéréo, seul le premier canal est traité. L’identifiant vocal créé est lié à Plus et sert à la synthèse lorsqu’il est prêt; reproduire la même référence avec Flash nécessite une voix Flash créée séparément.
Les instructions en langage naturel peuvent façonner le ton, le rythme, l’émotion et le timbre des voix système comme des voix clonées. Utilisez des descriptions auditives concrètes plutôt qu’une demande vague de belle voix. Les tags d’émotion intégrés peuvent définir un style dans le script, et les tags d’effets vocaux insérer un effet à un endroit choisi. Par exemple, [serious] modifie l’interprétation qui suit, tandis que [sighing] insère un soupir sans modifier le style émotionnel environnant. Les tags de contrôle s’appliquent jusqu’au tag suivant ou à la segmentation automatique des phrases. Cette fonction à base de tags est documentée uniquement pour le streaming unidirectionnel; sa portée diffère donc des instructions utilisées avec une entrée textuelle bidirectionnelle.
Les options de sortie du fabricant sont PCM, WAV, MP3 et Opus, aux fréquences indiquées de 8 000, 16 000, 22 050, 24 000, 44 100 et 48 000 Hz. MP3 et 22 050 Hz sont les valeurs par défaut documentées. Le volume se règle de 0 à 100, le débit et la hauteur de 0,5 à 2,0; MP3 et Opus autorisent aussi un débit binaire de 6 à 510 kbps. Choisissez la représentation nécessaire à la lecture ou au montage, puis gardez ces réglages identiques entre les sections d’une œuvre longue. La sortie en streaming comprend des trames audio et des métadonnées de phrases, avec des horodatages de mots pour les voix éligibles, y compris clonées.
Le processus documenté d’entrée textuelle WebSocket autorise 20 000 caractères par message et 200 000 au total, et exige un intervalle d’envoi ne dépassant pas 23 secondes. Il peut recevoir un script complet ou des segments textuels ordonnés et se terminer quand l’entrée est complète. Le fabricant documente aussi l’annulation du tour de synthèse en cours. Ce sont des limites et comportements de ce protocole, pas un plafond universel de durée audio générée. Pour une narration longue, organisez le script en sections cohérentes et conservez leur ordre et leur texte avec l’audio produit pour assembler et vérifier l’œuvre de manière homogène.
Pour la prononciation, le fabricant propose des indications de langue cible, des annotations pinyin et des remplacements de texte pour corriger des lectures indésirables de chiffres, abréviations, symboles ou mots. SSML est un mode de balisage distinct soumis à des conditions d’éligibilité : la documentation Qwen le prend en charge pour les voix clonées dans les appels sans streaming ou en streaming unidirectionnel, avec une seule soumission de texte lorsqu’il est activé. Cela n’établit pas SSML pour toutes les voix système ni pour le streaming bidirectionnel. Un processus Plus pratique commence par une voix compatible et un script terminé, puis ajoute des choix précis d’interprétation et de prononciation pour le passage narré.
", "aboutText": "Qwen-Audio-3.0-TTS-Plus transforme le texte écrit en parole expressive; l’édition Plus privilégie la qualité de synthèse, le naturel et une interprétation vocale détaillée. Qwen cite la création de contenu, les livres audio, le doublage de films et vidéos et la production vocale professionnelle comme applications principales. Le profil actualisé décrit une prise en charge plus large des langues peu dotées en ressources et des dialectes chinois, une meilleure authenticité des dialectes et un contrôle renforcé de l’émotion, du ton, du caractère, du débit, du volume et du style. Le fabricant signale aussi une amélioration de la clarté, de la résolution et de la robustesse dans des conditions acoustiques bruyantes ou réverbérantes.\n\nPlus est l’édition axée sur la qualité de cette famille de synthèse vocale; Flash est positionnée séparément pour l’interaction en temps réel. Préparez la narration comme un script parlé, en indiquant le public, le rythme et la direction émotionnelle. Pour un passage de livre audio, une consigne peut demander une articulation claire, un rythme mesuré et une chaleur retenue; pour une voix off vidéo, une ouverture sérieuse puis une explication plus énergique. Il s’agit de choix d’interprétation des mots fournis. Le modèle synthétise la parole, plutôt que de la transcrire ou de générer une scène visuelle complète.\n\nLes voix système officielles de Plus comprennent Long An Ling Xin, décrite comme chaleureuse et empathique, et Long An Lu Feng, décrite comme claire et joyeuse. Toutes deux sont indiquées pour le mandarin et l’anglais. Le fabricant fournit aussi plus de 500 voix de base pour cette édition, avec des aperçus à écouter avant le choix. Il recommande les voix système pour une synthèse plus régulière. Sélectionnez une voix dans la liste exacte de Plus et adaptez la langue du script aux langues qu’elle prend en charge; une voix Flash n’est pas interchangeable simplement parce qu’elle appartient à la même famille générale.\n\nLe modèle prend en charge le clonage vocal à partir d’un échantillon. Les langues documentées des voix clonées comprennent le chinois, l’anglais, le japonais, le coréen, le russe, le français, l’allemand, le portugais, le thaï, l’indonésien, le vietnamien, l’espagnol, l’italien, le malais, le filipino et l’arabe. Les variantes chinoises comprennent le mandarin, le cantonais, Chongqing, le Nord-Est, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, le shanghaïen, Sichuan et Yunnan, avec un contrôle des dialectes par instructions. Le tableau du fabricant distingue le clonage de la création d’une voix à partir d’une description textuelle : Plus prend en charge le clonage, mais pas ce mode distinct de conception vocale.\n\nUne référence adaptée au clonage est une parole claire à vitesse normale, sans musique, bruit de fond, autres locuteurs ni chant. Le fabricant recommande 10–20 secondes et autorise jusqu’à 60 secondes dans un fichier ne dépassant pas 10 MB. Les formats de référence sont WAV 16 bits, MP3 et M4A, avec une fréquence d’échantillonnage minimale de 16 kHz. Au moins cinq secondes de parole claire continue sont requises; il est recommandé que les pauses restantes ne dépassent pas deux secondes. En stéréo, seul le premier canal est traité. L’identifiant vocal créé est lié à Plus et sert à la synthèse lorsqu’il est prêt; reproduire la même référence avec Flash nécessite une voix Flash créée séparément.\n\nLes instructions en langage naturel peuvent façonner le ton, le rythme, l’émotion et le timbre des voix système comme des voix clonées. Utilisez des descriptions auditives concrètes plutôt qu’une demande vague de belle voix. Les tags d’émotion intégrés peuvent définir un style dans le script, et les tags d’effets vocaux insérer un effet à un endroit choisi. Par exemple, [serious] modifie l’interprétation qui suit, tandis que [sighing] insère un soupir sans modifier le style émotionnel environnant. Les tags de contrôle s’appliquent jusqu’au tag suivant ou à la segmentation automatique des phrases. Cette fonction à base de tags est documentée uniquement pour le streaming unidirectionnel; sa portée diffère donc des instructions utilisées avec une entrée textuelle bidirectionnelle.\n\nLes options de sortie du fabricant sont PCM, WAV, MP3 et Opus, aux fréquences indiquées de 8 000, 16 000, 22 050, 24 000, 44 100 et 48 000 Hz. MP3 et 22 050 Hz sont les valeurs par défaut documentées. Le volume se règle de 0 à 100, le débit et la hauteur de 0,5 à 2,0; MP3 et Opus autorisent aussi un débit binaire de 6 à 510 kbps. Choisissez la représentation nécessaire à la lecture ou au montage, puis gardez ces réglages identiques entre les sections d’une œuvre longue. La sortie en streaming comprend des trames audio et des métadonnées de phrases, avec des horodatages de mots pour les voix éligibles, y compris clonées.\n\nLe processus documenté d’entrée textuelle WebSocket autorise 20 000 caractères par message et 200 000 au total, et exige un intervalle d’envoi ne dépassant pas 23 secondes. Il peut recevoir un script complet ou des segments textuels ordonnés et se terminer quand l’entrée est complète. Le fabricant documente aussi l’annulation du tour de synthèse en cours. Ce sont des limites et comportements de ce protocole, pas un plafond universel de durée audio générée. Pour une narration longue, organisez le script en sections cohérentes et conservez leur ordre et leur texte avec l’audio produit pour assembler et vérifier l’œuvre de manière homogène.\n\nPour la prononciation, le fabricant propose des indications de langue cible, des annotations pinyin et des remplacements de texte pour corriger des lectures indésirables de chiffres, abréviations, symboles ou mots. SSML est un mode de balisage distinct soumis à des conditions d’éligibilité : la documentation Qwen le prend en charge pour les voix clonées dans les appels sans streaming ou en streaming unidirectionnel, avec une seule soumission de texte lorsqu’il est activé. Cela n’établit pas SSML pour toutes les voix système ni pour le streaming bidirectionnel. Un processus Plus pratique commence par une voix compatible et un script terminé, puis ajoute des choix précis d’interprétation et de prononciation pour le passage narré.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "cf3f81a12b67352706162dcffa905031f35becef3915b200e3ab5cb23c5537a7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "qwen/qwen-audio-3.0-tts-plusQwen-Audio-3.0-TTS-Plus est le modèle de synthèse vocale de Qwen axé sur un audio détaillé, naturel et expressif pour narration, livres audio et doublage. Il prend en charge des voix prédéfinies ou clonées propres au modèle, la sortie en streaming et des instructions ou tags pour façonner la diction.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen-Audio-3.0-TTS-Plus transforme le texte écrit en parole expressive; l’édition Plus privilégie la qualité de synthèse, le naturel et une interprétation vocale détaillée. Qwen cite la création de contenu, les livres audio, le doublage de films et vidéos et la production vocale professionnelle comme applications principales. Le profil actualisé décrit une prise en charge plus large des langues peu dotées en ressources et des dialectes chinois, une meilleure authenticité des dialectes et un contrôle renforcé de l’émotion, du ton, du caractère, du débit, du volume et du style. Le fabricant signale aussi une amélioration de la clarté, de la résolution et de la robustesse dans des conditions acoustiques bruyantes ou réverbérantes.
Plus est l’édition axée sur la qualité de cette famille de synthèse vocale; Flash est positionnée séparément pour l’interaction en temps réel. Préparez la narration comme un script parlé, en indiquant le public, le rythme et la direction émotionnelle. Pour un passage de livre audio, une consigne peut demander une articulation claire, un rythme mesuré et une chaleur retenue; pour une voix off vidéo, une ouverture sérieuse puis une explication plus énergique. Il s’agit de choix d’interprétation des mots fournis. Le modèle synthétise la parole, plutôt que de la transcrire ou de générer une scène visuelle complète.
Les voix système officielles de Plus comprennent Long An Ling Xin, décrite comme chaleureuse et empathique, et Long An Lu Feng, décrite comme claire et joyeuse. Toutes deux sont indiquées pour le mandarin et l’anglais. Le fabricant fournit aussi plus de 500 voix de base pour cette édition, avec des aperçus à écouter avant le choix. Il recommande les voix système pour une synthèse plus régulière. Sélectionnez une voix dans la liste exacte de Plus et adaptez la langue du script aux langues qu’elle prend en charge; une voix Flash n’est pas interchangeable simplement parce qu’elle appartient à la même famille générale.
Le modèle prend en charge le clonage vocal à partir d’un échantillon. Les langues documentées des voix clonées comprennent le chinois, l’anglais, le japonais, le coréen, le russe, le français, l’allemand, le portugais, le thaï, l’indonésien, le vietnamien, l’espagnol, l’italien, le malais, le filipino et l’arabe. Les variantes chinoises comprennent le mandarin, le cantonais, Chongqing, le Nord-Est, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, le shanghaïen, Sichuan et Yunnan, avec un contrôle des dialectes par instructions. Le tableau du fabricant distingue le clonage de la création d’une voix à partir d’une description textuelle : Plus prend en charge le clonage, mais pas ce mode distinct de conception vocale.
Une référence adaptée au clonage est une parole claire à vitesse normale, sans musique, bruit de fond, autres locuteurs ni chant. Le fabricant recommande 10–20 secondes et autorise jusqu’à 60 secondes dans un fichier ne dépassant pas 10 MB. Les formats de référence sont WAV 16 bits, MP3 et M4A, avec une fréquence d’échantillonnage minimale de 16 kHz. Au moins cinq secondes de parole claire continue sont requises; il est recommandé que les pauses restantes ne dépassent pas deux secondes. En stéréo, seul le premier canal est traité. L’identifiant vocal créé est lié à Plus et sert à la synthèse lorsqu’il est prêt; reproduire la même référence avec Flash nécessite une voix Flash créée séparément.
Les instructions en langage naturel peuvent façonner le ton, le rythme, l’émotion et le timbre des voix système comme des voix clonées. Utilisez des descriptions auditives concrètes plutôt qu’une demande vague de belle voix. Les tags d’émotion intégrés peuvent définir un style dans le script, et les tags d’effets vocaux insérer un effet à un endroit choisi. Par exemple, [serious] modifie l’interprétation qui suit, tandis que [sighing] insère un soupir sans modifier le style émotionnel environnant. Les tags de contrôle s’appliquent jusqu’au tag suivant ou à la segmentation automatique des phrases. Cette fonction à base de tags est documentée uniquement pour le streaming unidirectionnel; sa portée diffère donc des instructions utilisées avec une entrée textuelle bidirectionnelle.
Les options de sortie du fabricant sont PCM, WAV, MP3 et Opus, aux fréquences indiquées de 8 000, 16 000, 22 050, 24 000, 44 100 et 48 000 Hz. MP3 et 22 050 Hz sont les valeurs par défaut documentées. Le volume se règle de 0 à 100, le débit et la hauteur de 0,5 à 2,0; MP3 et Opus autorisent aussi un débit binaire de 6 à 510 kbps. Choisissez la représentation nécessaire à la lecture ou au montage, puis gardez ces réglages identiques entre les sections d’une œuvre longue. La sortie en streaming comprend des trames audio et des métadonnées de phrases, avec des horodatages de mots pour les voix éligibles, y compris clonées.
Le processus documenté d’entrée textuelle WebSocket autorise 20 000 caractères par message et 200 000 au total, et exige un intervalle d’envoi ne dépassant pas 23 secondes. Il peut recevoir un script complet ou des segments textuels ordonnés et se terminer quand l’entrée est complète. Le fabricant documente aussi l’annulation du tour de synthèse en cours. Ce sont des limites et comportements de ce protocole, pas un plafond universel de durée audio générée. Pour une narration longue, organisez le script en sections cohérentes et conservez leur ordre et leur texte avec l’audio produit pour assembler et vérifier l’œuvre de manière homogène.
Pour la prononciation, le fabricant propose des indications de langue cible, des annotations pinyin et des remplacements de texte pour corriger des lectures indésirables de chiffres, abréviations, symboles ou mots. SSML est un mode de balisage distinct soumis à des conditions d’éligibilité : la documentation Qwen le prend en charge pour les voix clonées dans les appels sans streaming ou en streaming unidirectionnel, avec une seule soumission de texte lorsqu’il est activé. Cela n’établit pas SSML pour toutes les voix système ni pour le streaming bidirectionnel. Un processus Plus pratique commence par une voix compatible et un script terminé, puis ajoute des choix précis d’interprétation et de prononciation pour le passage narré.
POST /v1/audio/speechtextaudio| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen-audio-3.0-tts-plus | Par défaut— |
Champinput | Typestring | ExigenceObligatoire | Valeurs et limites Longueur minimale: 1 Unité: caractères Unicode | Par défaut— |
Champvoice | Typestring | ExigenceObligatoire | Valeurs et limites longanlingxin, longanlufeng | Par défaut— |
Champresponse_format | Typestring | ExigenceObligatoire | Valeurs et limites mp3 | Par défaut— |
text_to_speech · Obligatoire : input
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input, voice, response_format |
Paramètrevoice_ids | Contratlonganlingxin, longanlufeng |
Paramètreresponse_format | Contratmp3 |
Paramètremax_input_characters | Contratnull |
Paramètreother_options | Contratfalse |
Paramètreinput | Contrattexte UTF-8 exact; nombre de caractères Unicode sans normalisation |
Paramètrematerial_types | Contrattext |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effectivement renvoyé ou enregistrement de la bibliothèque multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Sélectionnez la voix exacte dans ce profil de modèle.
Les caractères d’entrée et les secondes audio sont des unités de mesure distinctes.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Quantité facturable | Unité de facturation | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Quantité facturable— | Unité de facturation— | Coût Entrée · Jetons en entrée — / 1K jetons Sortie · Jetons en sortie — / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationUltra | Barème tarifaire— | Quantité facturableChaque point de code Unicode compte pour un caractère, y compris les caractères Han. | Unité de facturationpar 1K caractères en entrée | Coût Entrée · caractère en entrée $0.04 par 1K caractères en entrée |
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
| Configuration | Conditions de facturation | Coût |
|---|---|---|
| ConfigurationQwen: Qwen-Audio-3.0-TTS Plus · Configuration par défaut | Conditions de facturationConfiguration par défaut | Coût Entrée · Caractères en entrée 0,00004 USD par caractère en entrée |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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": "qwen/qwen-audio-3.0-tts-plus", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["longanlingxin", "longanlufeng"]')\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\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez le résultat binaire complet et les en-têtes. Si une réponse JSON ou plusieurs sorties sont renvoyées, conservez chaque élément de données et récupérez chaque ressource via son URL signée réelle.
Conservez l’operation_id/X-Client-Request-ID d’origine pour le rapprochement sans nouvelle soumission ; aucune route dédiée à l’interrogation du statut audio.
| Champ | Type |
|---|---|
Champbinary audio | Typebytes |
Champresponse headers | Typeheaders |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Réponseserver_error | ConditionLa réponse renvoyée indique que l’opération ou le résultat nécessite une vérification | Étape suivanteConservez l’identifiant d’opération/de tâche initialement renvoyé, les en-têtes de la requête et la réponse ; poursuivez les lectures prises en charge de cette opération d’origine. Ne soumettez pas à nouveau la requête de création. |
Ailoot Ultra qwen/qwen-audio-3.0-tts-plus
Utilisez les chemins de méthode indiqués ci-dessus.