Qwen-Audio-3.0-TTS-Plus converte texto escrito em fala expressiva, com a edição Plus centrada na qualidade de síntese, na naturalidade e na expressão vocal detalhada. A Qwen identifica a criação de conteúdos, os audiolivros, a dobragem de filmes e vídeos e a produção profissional de fala como as suas principais aplicações. O perfil atualizado do modelo descreve um suporte mais amplo para idiomas com poucos recursos e dialetos chineses, maior autenticidade dos dialetos e maior controlo da emoção, do tom, da personagem, da velocidade de fala, do volume e do estilo. O produtor também refere melhorias de clareza, resolução e robustez em condições acústicas com ruído ou reverberação.
Plus é a edição desta família de texto para fala centrada na qualidade; Flash é posicionada separadamente para interação em tempo real. Prepare a narração como um guião para ser dito, identificando o público pretendido, o ritmo e a orientação emocional. Para uma passagem de audiolivro, um exemplo de pedido pode especificar articulação clara, ritmo moderado e calor contido; para uma locução de vídeo, pode pedir uma abertura séria seguida de uma explicação mais enérgica. São escolhas de expressão para as palavras fornecidas. O modelo é um sintetizador de fala, e não um serviço de transcrição ou um gerador de uma cena visual completa.
As vozes de sistema oficiais para Plus incluem Long An Ling Xin, descrita como calorosa e empática, e Long An Lu Feng, descrita como luminosa e alegre. Ambas estão indicadas para mandarim e inglês. O produtor também disponibiliza mais de 500 vozes base para esta edição, com amostras para avaliar antes de escolher. Recomenda vozes de sistema para uma síntese mais consistente. Selecione uma voz da lista exata de Plus e faça corresponder o idioma do guião aos idiomas suportados por essa voz; uma voz de Flash não é intercambiável apenas por pertencer à mesma família mais ampla.
O modelo suporta clonagem de voz a partir de uma amostra. Os idiomas documentados para vozes clonadas incluem chinês, inglês, japonês, coreano, russo, francês, alemão, português, tailandês, indonésio, vietnamita, espanhol, italiano, malaio, filipino e árabe. As variantes chinesas incluem mandarim, cantonês, Chongqing, Nordeste, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Xangai, Sichuan e Yunnan, com os dialetos controlados através de instruções. A tabela do modelo do produtor distingue clonagem de criação de voz a partir de uma descrição textual: a clonagem é suportada em Plus, mas esse modo separado de desenho de voz não é.
Uma referência adequada para clonagem contém fala clara a uma velocidade normal, sem música, ruído de fundo, outros falantes em simultâneo ou canto. O produtor recomenda 10–20 segundos e permite até 60 segundos, num ficheiro não superior a 10 MB. Os formatos de referência são WAV de 16 bits, MP3 e M4A, com uma frequência de amostragem mínima de 16 kHz. São necessários pelo menos cinco segundos de fala contínua e clara, e as pausas restantes não devem ultrapassar dois segundos. Em estéreo, apenas o primeiro canal é processado. O identificador de voz criado fica associado a Plus e é usado na síntese quando estiver pronto; reproduzir a mesma referência através de Flash requer uma voz Flash criada separadamente.
As instruções em linguagem natural podem moldar o tom, o ritmo, a emoção e o timbre tanto das vozes de sistema como das clonadas. Use descrições audíveis concretas em vez de um pedido vago de uma boa voz. As etiquetas de emoção inseridas no guião podem definir um estilo, e as etiquetas de efeitos vocais podem inserir um efeito num ponto escolhido. Por exemplo, [serious] altera a expressão que se segue, enquanto [sighing] insere um suspiro sem alterar o estilo emocional envolvente. As etiquetas de controlo aplicam-se até à etiqueta de controlo seguinte ou à segmentação automática de frases. Esta funcionalidade baseada em etiquetas está documentada apenas para streaming unidirecional, pelo que tem um âmbito diferente das instruções usadas com entrada de texto bidirecional.
As opções de saída do produtor são PCM, WAV, MP3 e Opus, com frequências de amostragem indicadas de 8 000, 16 000, 22 050, 24 000, 44 100 e 48 000 Hz. MP3 e 22 050 Hz são as predefinições documentadas. O volume pode ser definido de 0 a 100, e a velocidade e a altura tonal de 0,5 a 2,0; MP3 e Opus também permitem uma taxa de bits de 6 a 510 kbps. Escolha a representação necessária para reprodução ou edição e mantenha essas definições consistentes entre as secções de uma peça mais longa. A saída em streaming inclui frames de áudio e metadados das frases, com marcas temporais por palavra disponíveis para vozes elegíveis, incluindo vozes clonadas.
O fluxo documentado de entrada de texto por WebSocket permite 20 000 caracteres por mensagem e 200 000 caracteres acumulados e exige um intervalo entre envios não superior a 23 segundos. Pode receber um guião completo ou segmentos de texto ordenados e terminar quando a entrada estiver concluída. O produtor também documenta o cancelamento do turno de síntese atual. São limites e comportamentos desse protocolo, e não um limite universal de duração gerada. Para uma narração longa, organize o guião em secções coerentes e preserve a ordem e o texto junto do áudio resultante, para permitir uma montagem e revisão consistentes.
Para a pronúncia, o produtor fornece indicações do idioma de destino, anotações pinyin e substituições de texto para corrigir leituras indesejadas de algarismos, abreviaturas, símbolos ou palavras. SSML é um modo de marcação separado com restrições de elegibilidade: a documentação Qwen suporta-o para vozes clonadas em chamadas sem streaming ou com streaming unidirecional, com apenas um envio de texto quando está ativado. Não estabelece SSML para todas as vozes de sistema nem para streaming bidirecional. Um fluxo Plus prático começa com uma voz compatível e um guião concluído, acrescentando depois escolhas precisas de expressão e pronúncia para a passagem a narrar.
", "aboutText": "Qwen-Audio-3.0-TTS-Plus converte texto escrito em fala expressiva, com a edição Plus centrada na qualidade de síntese, na naturalidade e na expressão vocal detalhada. A Qwen identifica a criação de conteúdos, os audiolivros, a dobragem de filmes e vídeos e a produção profissional de fala como as suas principais aplicações. O perfil atualizado do modelo descreve um suporte mais amplo para idiomas com poucos recursos e dialetos chineses, maior autenticidade dos dialetos e maior controlo da emoção, do tom, da personagem, da velocidade de fala, do volume e do estilo. O produtor também refere melhorias de clareza, resolução e robustez em condições acústicas com ruído ou reverberação.\n\nPlus é a edição desta família de texto para fala centrada na qualidade; Flash é posicionada separadamente para interação em tempo real. Prepare a narração como um guião para ser dito, identificando o público pretendido, o ritmo e a orientação emocional. Para uma passagem de audiolivro, um exemplo de pedido pode especificar articulação clara, ritmo moderado e calor contido; para uma locução de vídeo, pode pedir uma abertura séria seguida de uma explicação mais enérgica. São escolhas de expressão para as palavras fornecidas. O modelo é um sintetizador de fala, e não um serviço de transcrição ou um gerador de uma cena visual completa.\n\nAs vozes de sistema oficiais para Plus incluem Long An Ling Xin, descrita como calorosa e empática, e Long An Lu Feng, descrita como luminosa e alegre. Ambas estão indicadas para mandarim e inglês. O produtor também disponibiliza mais de 500 vozes base para esta edição, com amostras para avaliar antes de escolher. Recomenda vozes de sistema para uma síntese mais consistente. Selecione uma voz da lista exata de Plus e faça corresponder o idioma do guião aos idiomas suportados por essa voz; uma voz de Flash não é intercambiável apenas por pertencer à mesma família mais ampla.\n\nO modelo suporta clonagem de voz a partir de uma amostra. Os idiomas documentados para vozes clonadas incluem chinês, inglês, japonês, coreano, russo, francês, alemão, português, tailandês, indonésio, vietnamita, espanhol, italiano, malaio, filipino e árabe. As variantes chinesas incluem mandarim, cantonês, Chongqing, Nordeste, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Xangai, Sichuan e Yunnan, com os dialetos controlados através de instruções. A tabela do modelo do produtor distingue clonagem de criação de voz a partir de uma descrição textual: a clonagem é suportada em Plus, mas esse modo separado de desenho de voz não é.\n\nUma referência adequada para clonagem contém fala clara a uma velocidade normal, sem música, ruído de fundo, outros falantes em simultâneo ou canto. O produtor recomenda 10–20 segundos e permite até 60 segundos, num ficheiro não superior a 10 MB. Os formatos de referência são WAV de 16 bits, MP3 e M4A, com uma frequência de amostragem mínima de 16 kHz. São necessários pelo menos cinco segundos de fala contínua e clara, e as pausas restantes não devem ultrapassar dois segundos. Em estéreo, apenas o primeiro canal é processado. O identificador de voz criado fica associado a Plus e é usado na síntese quando estiver pronto; reproduzir a mesma referência através de Flash requer uma voz Flash criada separadamente.\n\nAs instruções em linguagem natural podem moldar o tom, o ritmo, a emoção e o timbre tanto das vozes de sistema como das clonadas. Use descrições audíveis concretas em vez de um pedido vago de uma boa voz. As etiquetas de emoção inseridas no guião podem definir um estilo, e as etiquetas de efeitos vocais podem inserir um efeito num ponto escolhido. Por exemplo, [serious] altera a expressão que se segue, enquanto [sighing] insere um suspiro sem alterar o estilo emocional envolvente. As etiquetas de controlo aplicam-se até à etiqueta de controlo seguinte ou à segmentação automática de frases. Esta funcionalidade baseada em etiquetas está documentada apenas para streaming unidirecional, pelo que tem um âmbito diferente das instruções usadas com entrada de texto bidirecional.\n\nAs opções de saída do produtor são PCM, WAV, MP3 e Opus, com frequências de amostragem indicadas de 8 000, 16 000, 22 050, 24 000, 44 100 e 48 000 Hz. MP3 e 22 050 Hz são as predefinições documentadas. O volume pode ser definido de 0 a 100, e a velocidade e a altura tonal de 0,5 a 2,0; MP3 e Opus também permitem uma taxa de bits de 6 a 510 kbps. Escolha a representação necessária para reprodução ou edição e mantenha essas definições consistentes entre as secções de uma peça mais longa. A saída em streaming inclui frames de áudio e metadados das frases, com marcas temporais por palavra disponíveis para vozes elegíveis, incluindo vozes clonadas.\n\nO fluxo documentado de entrada de texto por WebSocket permite 20 000 caracteres por mensagem e 200 000 caracteres acumulados e exige um intervalo entre envios não superior a 23 segundos. Pode receber um guião completo ou segmentos de texto ordenados e terminar quando a entrada estiver concluída. O produtor também documenta o cancelamento do turno de síntese atual. São limites e comportamentos desse protocolo, e não um limite universal de duração gerada. Para uma narração longa, organize o guião em secções coerentes e preserve a ordem e o texto junto do áudio resultante, para permitir uma montagem e revisão consistentes.\n\nPara a pronúncia, o produtor fornece indicações do idioma de destino, anotações pinyin e substituições de texto para corrigir leituras indesejadas de algarismos, abreviaturas, símbolos ou palavras. SSML é um modo de marcação separado com restrições de elegibilidade: a documentação Qwen suporta-o para vozes clonadas em chamadas sem streaming ou com streaming unidirecional, com apenas um envio de texto quando está ativado. Não estabelece SSML para todas as vozes de sistema nem para streaming bidirecional. Um fluxo Plus prático começa com uma voz compatível e um guião concluído, acrescentando depois escolhas precisas de expressão e pronúncia para a passagem a narrar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b743b779928f52bc17b7b753954b52cccf62d2d017b33371d833cd72a80028d9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "qwen/qwen-audio-3.0-tts-plusQwen-Audio-3.0-TTS-Plus é o modelo de texto para fala da Qwen, focado em áudio detalhado, natural e expressivo para narração, audiolivros e dobragem. Suporta vozes predefinidas ou clonadas específicas do modelo, saída em streaming e instruções ou etiquetas para moldar a expressão vocal.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen-Audio-3.0-TTS-Plus converte texto escrito em fala expressiva, com a edição Plus centrada na qualidade de síntese, na naturalidade e na expressão vocal detalhada. A Qwen identifica a criação de conteúdos, os audiolivros, a dobragem de filmes e vídeos e a produção profissional de fala como as suas principais aplicações. O perfil atualizado do modelo descreve um suporte mais amplo para idiomas com poucos recursos e dialetos chineses, maior autenticidade dos dialetos e maior controlo da emoção, do tom, da personagem, da velocidade de fala, do volume e do estilo. O produtor também refere melhorias de clareza, resolução e robustez em condições acústicas com ruído ou reverberação.
Plus é a edição desta família de texto para fala centrada na qualidade; Flash é posicionada separadamente para interação em tempo real. Prepare a narração como um guião para ser dito, identificando o público pretendido, o ritmo e a orientação emocional. Para uma passagem de audiolivro, um exemplo de pedido pode especificar articulação clara, ritmo moderado e calor contido; para uma locução de vídeo, pode pedir uma abertura séria seguida de uma explicação mais enérgica. São escolhas de expressão para as palavras fornecidas. O modelo é um sintetizador de fala, e não um serviço de transcrição ou um gerador de uma cena visual completa.
As vozes de sistema oficiais para Plus incluem Long An Ling Xin, descrita como calorosa e empática, e Long An Lu Feng, descrita como luminosa e alegre. Ambas estão indicadas para mandarim e inglês. O produtor também disponibiliza mais de 500 vozes base para esta edição, com amostras para avaliar antes de escolher. Recomenda vozes de sistema para uma síntese mais consistente. Selecione uma voz da lista exata de Plus e faça corresponder o idioma do guião aos idiomas suportados por essa voz; uma voz de Flash não é intercambiável apenas por pertencer à mesma família mais ampla.
O modelo suporta clonagem de voz a partir de uma amostra. Os idiomas documentados para vozes clonadas incluem chinês, inglês, japonês, coreano, russo, francês, alemão, português, tailandês, indonésio, vietnamita, espanhol, italiano, malaio, filipino e árabe. As variantes chinesas incluem mandarim, cantonês, Chongqing, Nordeste, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Xangai, Sichuan e Yunnan, com os dialetos controlados através de instruções. A tabela do modelo do produtor distingue clonagem de criação de voz a partir de uma descrição textual: a clonagem é suportada em Plus, mas esse modo separado de desenho de voz não é.
Uma referência adequada para clonagem contém fala clara a uma velocidade normal, sem música, ruído de fundo, outros falantes em simultâneo ou canto. O produtor recomenda 10–20 segundos e permite até 60 segundos, num ficheiro não superior a 10 MB. Os formatos de referência são WAV de 16 bits, MP3 e M4A, com uma frequência de amostragem mínima de 16 kHz. São necessários pelo menos cinco segundos de fala contínua e clara, e as pausas restantes não devem ultrapassar dois segundos. Em estéreo, apenas o primeiro canal é processado. O identificador de voz criado fica associado a Plus e é usado na síntese quando estiver pronto; reproduzir a mesma referência através de Flash requer uma voz Flash criada separadamente.
As instruções em linguagem natural podem moldar o tom, o ritmo, a emoção e o timbre tanto das vozes de sistema como das clonadas. Use descrições audíveis concretas em vez de um pedido vago de uma boa voz. As etiquetas de emoção inseridas no guião podem definir um estilo, e as etiquetas de efeitos vocais podem inserir um efeito num ponto escolhido. Por exemplo, [serious] altera a expressão que se segue, enquanto [sighing] insere um suspiro sem alterar o estilo emocional envolvente. As etiquetas de controlo aplicam-se até à etiqueta de controlo seguinte ou à segmentação automática de frases. Esta funcionalidade baseada em etiquetas está documentada apenas para streaming unidirecional, pelo que tem um âmbito diferente das instruções usadas com entrada de texto bidirecional.
As opções de saída do produtor são PCM, WAV, MP3 e Opus, com frequências de amostragem indicadas de 8 000, 16 000, 22 050, 24 000, 44 100 e 48 000 Hz. MP3 e 22 050 Hz são as predefinições documentadas. O volume pode ser definido de 0 a 100, e a velocidade e a altura tonal de 0,5 a 2,0; MP3 e Opus também permitem uma taxa de bits de 6 a 510 kbps. Escolha a representação necessária para reprodução ou edição e mantenha essas definições consistentes entre as secções de uma peça mais longa. A saída em streaming inclui frames de áudio e metadados das frases, com marcas temporais por palavra disponíveis para vozes elegíveis, incluindo vozes clonadas.
O fluxo documentado de entrada de texto por WebSocket permite 20 000 caracteres por mensagem e 200 000 caracteres acumulados e exige um intervalo entre envios não superior a 23 segundos. Pode receber um guião completo ou segmentos de texto ordenados e terminar quando a entrada estiver concluída. O produtor também documenta o cancelamento do turno de síntese atual. São limites e comportamentos desse protocolo, e não um limite universal de duração gerada. Para uma narração longa, organize o guião em secções coerentes e preserve a ordem e o texto junto do áudio resultante, para permitir uma montagem e revisão consistentes.
Para a pronúncia, o produtor fornece indicações do idioma de destino, anotações pinyin e substituições de texto para corrigir leituras indesejadas de algarismos, abreviaturas, símbolos ou palavras. SSML é um modo de marcação separado com restrições de elegibilidade: a documentação Qwen suporta-o para vozes clonadas em chamadas sem streaming ou com streaming unidirecional, com apenas um envio de texto quando está ativado. Não estabelece SSML para todas as vozes de sistema nem para streaming bidirecional. Um fluxo Plus prático começa com uma voz compatível e um guião concluído, acrescentando depois escolhas precisas de expressão e pronúncia para a passagem a narrar.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen-audio-3.0-tts-plus | Predefinição— |
Campoinput | Tipostring | RequisitoObrigatório | Valores e limites Comprimento mínimo: 1 Unidade: carateres Unicode | Predefinição— |
Campovoice | Tipostring | RequisitoObrigatório | Valores e limites longanlingxin, longanlufeng | Predefinição— |
Camporesponse_format | Tipostring | RequisitoObrigatório | Valores e limites mp3 | Predefinição— |
text_to_speech · Obrigatório: input
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input, voice, response_format |
Parâmetrovoice_ids | Contratolonganlingxin, longanlufeng |
Parâmetroresponse_format | Contratomp3 |
Parâmetromax_input_characters | Contratonull |
Parâmetroother_options | Contratofalse |
Parâmetroinput | Contratotexto UTF-8 exato; contagem de carateres Unicode sem normalização |
Parâmetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Selecione a voz exata deste perfil de modelo.
Os carateres de entrada e os segundos de áudio são medidas de utilização diferentes.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Quantidade faturável | Unidade de faturação | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Quantidade faturável— | Unidade de faturação— | Custo Entrada · Tokens de entrada — / 1K tokens Saída · Tokens de saída — / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoUltra | Tabela de tarifas— | Quantidade faturávelCada ponto de código Unicode conta como um caráter, incluindo os caracteres Han. | Unidade de faturaçãopor 1K caracteres de entrada | Custo Entrada · carácter de entrada $0.04 por 1K caracteres de entrada |
As tabelas de referência do modelo não alteram a seleção do método, as cotações ou os custos. Os custos ativos usam as tarifas do método Ailoot selecionado.
| Configuração | Condições de faturação | Custo |
|---|---|---|
| ConfiguraçãoQwen: Qwen-Audio-3.0-TTS Plus · Configuração predefinida | Condições de faturaçãoConfiguração predefinida | Custo Entrada · Caracteres de entrada 0,00004 US$ por carácter de entrada |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
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\nGuarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde o resultado binário completo e os cabeçalhos. Se forem devolvidos JSON/vários resultados, conserve todos os itens de dados e obtenha cada recurso através do seu URL assinado efetivo.
Conserve o operation_id/X-Client-Request-ID original para reconciliação sem voltar a enviar o pedido; não existe uma rota dedicada à consulta periódica do estado do áudio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Respostaserver_error | CondiçãoA resposta devolvida indica que a operação ou o resultado requer verificação | Passo seguinteGuarde o ID original da operação/tarefa devolvido, os cabeçalhos do pedido e a resposta; continue a consultar essa operação original através das consultas suportadas. Não volte a enviar o pedido de criação. |
Ailoot Ultra qwen/qwen-audio-3.0-tts-plus
Use os caminhos dos métodos indicados acima.