Qwen-Audio-3.0-TTS-Flash преобразует предоставленный текст в речь; версия Flash ориентирована на взаимодействие в реальном времени. Qwen называет её основными применениями голосовых помощников, интерактивный диалог и интеллектуальное обслуживание клиентов. По сравнению с предыдущей версией производитель описывает более широкую поддержку языков с ограниченным объёмом обучающих данных и китайских диалектов, более естественное диалектное произношение и улучшенное управление эмоцией, тоном, характером, скоростью, громкостью и манерой речи. Также сообщается об улучшении разборчивости и устойчивости в условиях шума или реверберации. Это синтез аудио по тексту, а не распознавание входящей речи или модель голосового диалога.
Flash отдаёт приоритет быстрому началу речи в интерактивном обмене. Qwen сообщает, что при синтезе этой моделью в реальном времени задержка первого пакета не превышает 200 миллисекунд; в руководстве по использованию также отмечается, что первоначальное установление соединения влияет на измеренную задержку первой отправки. Готовьте слова, которые должны прозвучать, отдельно от желаемой манеры исполнения. Например, для ответа голосового помощника можно совместить краткий ответ с инструкцией произнести его спокойно и чётко. Нужный результат — сгенерированная речь для этого текста; воспроизведением и остальным диалогом управляет приложение.
Список системных голосов производителя включает варианты для конкретной модели, например Long An Feng Yue с естественной, дружелюбной подачей и Long An Xiao Xin с дружелюбной, живой подачей; оба указаны для путунхуа и английского. В нём есть и английские голоса, например loongmary с британским акцентом и loongjohn со спокойным, дружелюбным американским акцентом. Кроме того, у каждой модели более 500 базовых голосов. Для стабильности Qwen рекомендует начинать с системных голосов, а при выборе базового голоса прослушивать образцы. Голос должен относиться к выбранной модели, а текст — быть на поддерживаемом этим голосом языке.
Клонированные голоса расширяют документированный набор языков до китайского, английского, японского, корейского, русского, французского, немецкого, португальского, тайского, индонезийского, вьетнамского, испанского, итальянского, малайского, филиппинского и арабского. Поддержка китайского охватывает путунхуа, кантонский, чунцинский, северо-восточные говоры, ганьсуский, гуйчжоуский, чжэцзянский, хэбэйский, хэнаньский, хубэйский, хунаньский, цзянсийский, нинбоский, нинсяский, циндаоский, шэньсийский, шаньсийский, шаньдунский, шанхайский, сычуаньский и юньнаньский варианты; диалект выбирается через инструкции. Таблица моделей указывает поддержку клонирования голоса по образцу и отличает её от создания нового голоса исключительно по текстовому описанию, которое эта версия не поддерживает.
Для клонирования производитель рекомендует запись длительностью 10–20 секунд, с максимумом 60 секунд и размером файла не более 10 МБ. Поддерживаемые форматы образца — 16-битный WAV, MP3 и M4A, с частотой дискретизации не менее 16 кГц. В записи должно быть не менее пяти секунд непрерывной разборчивой речи; остальные паузы не должны превышать двух секунд. Избегайте фоновых звуков, других голосов и пения. Стереозапись принимается, но обрабатывается только первый канал. Процесс клонирования возвращает идентификатор голоса, привязанный к точной целевой модели; после готовности голоса синтез использует этот идентификатор. Для Flash и Plus по одной и той же записи нужно создавать отдельные клонированные голоса.
Инструкции на естественном языке управляют подачей как системных, так и клонированных голосов. Описывайте слышимые качества: мягкий тон, чёткую артикуляцию или слегка замедленный темп. Встроенные в текст теги дают другой способ управления: [empathetic] или [serious] задаёт стиль для последующего текста, а [laughing] или [sighing] вставляет голосовой эффект в определённом месте. Управляющий тег действует до следующего управляющего тега или автоматического разделения на предложения. Эти теги эмоций и речевой выразительности документированы только для однонаправленного потокового режима, а не для режима двунаправленной передачи текста. Готовьте выразительную реплику в режиме, подходящем для этих средств управления.
Речевой интерфейс производителя поддерживает PCM, WAV, MP3 и Opus. Перечислены частоты дискретизации 8 000, 16 000, 22 050, 24 000, 44 100 и 48 000 Гц; по умолчанию используются MP3 и 22 050 Гц. Громкость задаётся в диапазоне от 0 до 100, скорость речи и высота тона — каждая от 0,5 до 2,0. Для MP3 и Opus также доступен битрейт от 6 до 510 кбит/с. Выберите формат и частоту дискретизации под нужный проигрыватель или процесс обработки. Для интерактивного приложения производитель документирует потоковые аудиокадры и метаданные предложений; в потоковом выводе подходящих голосов, включая клонированные, доступны временные метки отдельных слов.
Документированный текстовый протокол WebSocket принимает до 20 000 символов в одном текстовом сообщении и суммарно 200 000 символов в задаче; между отправками должно проходить не более 23 секунд. Это ограничения протокола производителя, а не универсальный предел длительности аудио на выходе модели. Протокол поддерживает отмену текущего этапа синтеза и запуск следующей задачи в том же соединении. Сохраняйте предполагаемый порядок произнесения текстовых сегментов и завершайте ввод, когда весь текст передан. Для подготовки произношения производитель документирует подсказки о целевом языке, аннотации пиньинем и замены текста — они полезны, если цифры, сокращения или символы произносятся неожиданным образом.
SSML — отдельный вариант разметки с условиями по голосам и режиму взаимодействия: Qwen документирует его для клонированных голосов при непотоковых или однонаправленных потоковых вызовах и с единственной отправкой текста при включённом SSML. Не следует считать, что он поддерживается каждым готовым голосом или двунаправленным потоком. Для обычного диалога начните с совместимого голоса, чистого текста для произнесения и конкретной инструкции о подаче; добавляйте точечные настройки произношения или выразительности там, где этого требует задача. Так профиль Flash остаётся ориентированным на речь с быстрым откликом по подготовленному тексту, а не на возможности других аудиомоделей Qwen.
", "aboutText": "Qwen-Audio-3.0-TTS-Flash преобразует предоставленный текст в речь; версия Flash ориентирована на взаимодействие в реальном времени. Qwen называет её основными применениями голосовых помощников, интерактивный диалог и интеллектуальное обслуживание клиентов. По сравнению с предыдущей версией производитель описывает более широкую поддержку языков с ограниченным объёмом обучающих данных и китайских диалектов, более естественное диалектное произношение и улучшенное управление эмоцией, тоном, характером, скоростью, громкостью и манерой речи. Также сообщается об улучшении разборчивости и устойчивости в условиях шума или реверберации. Это синтез аудио по тексту, а не распознавание входящей речи или модель голосового диалога.\n\nFlash отдаёт приоритет быстрому началу речи в интерактивном обмене. Qwen сообщает, что при синтезе этой моделью в реальном времени задержка первого пакета не превышает 200 миллисекунд; в руководстве по использованию также отмечается, что первоначальное установление соединения влияет на измеренную задержку первой отправки. Готовьте слова, которые должны прозвучать, отдельно от желаемой манеры исполнения. Например, для ответа голосового помощника можно совместить краткий ответ с инструкцией произнести его спокойно и чётко. Нужный результат — сгенерированная речь для этого текста; воспроизведением и остальным диалогом управляет приложение.\n\nСписок системных голосов производителя включает варианты для конкретной модели, например Long An Feng Yue с естественной, дружелюбной подачей и Long An Xiao Xin с дружелюбной, живой подачей; оба указаны для путунхуа и английского. В нём есть и английские голоса, например loongmary с британским акцентом и loongjohn со спокойным, дружелюбным американским акцентом. Кроме того, у каждой модели более 500 базовых голосов. Для стабильности Qwen рекомендует начинать с системных голосов, а при выборе базового голоса прослушивать образцы. Голос должен относиться к выбранной модели, а текст — быть на поддерживаемом этим голосом языке.\n\nКлонированные голоса расширяют документированный набор языков до китайского, английского, японского, корейского, русского, французского, немецкого, португальского, тайского, индонезийского, вьетнамского, испанского, итальянского, малайского, филиппинского и арабского. Поддержка китайского охватывает путунхуа, кантонский, чунцинский, северо-восточные говоры, ганьсуский, гуйчжоуский, чжэцзянский, хэбэйский, хэнаньский, хубэйский, хунаньский, цзянсийский, нинбоский, нинсяский, циндаоский, шэньсийский, шаньсийский, шаньдунский, шанхайский, сычуаньский и юньнаньский варианты; диалект выбирается через инструкции. Таблица моделей указывает поддержку клонирования голоса по образцу и отличает её от создания нового голоса исключительно по текстовому описанию, которое эта версия не поддерживает.\n\nДля клонирования производитель рекомендует запись длительностью 10–20 секунд, с максимумом 60 секунд и размером файла не более 10 МБ. Поддерживаемые форматы образца — 16-битный WAV, MP3 и M4A, с частотой дискретизации не менее 16 кГц. В записи должно быть не менее пяти секунд непрерывной разборчивой речи; остальные паузы не должны превышать двух секунд. Избегайте фоновых звуков, других голосов и пения. Стереозапись принимается, но обрабатывается только первый канал. Процесс клонирования возвращает идентификатор голоса, привязанный к точной целевой модели; после готовности голоса синтез использует этот идентификатор. Для Flash и Plus по одной и той же записи нужно создавать отдельные клонированные голоса.\n\nИнструкции на естественном языке управляют подачей как системных, так и клонированных голосов. Описывайте слышимые качества: мягкий тон, чёткую артикуляцию или слегка замедленный темп. Встроенные в текст теги дают другой способ управления: [empathetic] или [serious] задаёт стиль для последующего текста, а [laughing] или [sighing] вставляет голосовой эффект в определённом месте. Управляющий тег действует до следующего управляющего тега или автоматического разделения на предложения. Эти теги эмоций и речевой выразительности документированы только для однонаправленного потокового режима, а не для режима двунаправленной передачи текста. Готовьте выразительную реплику в режиме, подходящем для этих средств управления.\n\nРечевой интерфейс производителя поддерживает PCM, WAV, MP3 и Opus. Перечислены частоты дискретизации 8 000, 16 000, 22 050, 24 000, 44 100 и 48 000 Гц; по умолчанию используются MP3 и 22 050 Гц. Громкость задаётся в диапазоне от 0 до 100, скорость речи и высота тона — каждая от 0,5 до 2,0. Для MP3 и Opus также доступен битрейт от 6 до 510 кбит/с. Выберите формат и частоту дискретизации под нужный проигрыватель или процесс обработки. Для интерактивного приложения производитель документирует потоковые аудиокадры и метаданные предложений; в потоковом выводе подходящих голосов, включая клонированные, доступны временные метки отдельных слов.\n\nДокументированный текстовый протокол WebSocket принимает до 20 000 символов в одном текстовом сообщении и суммарно 200 000 символов в задаче; между отправками должно проходить не более 23 секунд. Это ограничения протокола производителя, а не универсальный предел длительности аудио на выходе модели. Протокол поддерживает отмену текущего этапа синтеза и запуск следующей задачи в том же соединении. Сохраняйте предполагаемый порядок произнесения текстовых сегментов и завершайте ввод, когда весь текст передан. Для подготовки произношения производитель документирует подсказки о целевом языке, аннотации пиньинем и замены текста — они полезны, если цифры, сокращения или символы произносятся неожиданным образом.\n\nSSML — отдельный вариант разметки с условиями по голосам и режиму взаимодействия: Qwen документирует его для клонированных голосов при непотоковых или однонаправленных потоковых вызовах и с единственной отправкой текста при включённом SSML. Не следует считать, что он поддерживается каждым готовым голосом или двунаправленным потоком. Для обычного диалога начните с совместимого голоса, чистого текста для произнесения и конкретной инструкции о подаче; добавляйте точечные настройки произношения или выразительности там, где этого требует задача. Так профиль Flash остаётся ориентированным на речь с быстрым откликом по подготовленному тексту, а не на возможности других аудиомоделей Qwen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "41ae3c3dac15808b1026ee632b6ad734869776cba375cc0ea66c49c6c2c53c0c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ru", "methods": [ { "html": "qwen/qwen-audio-3.0-tts-flashQwen-Audio-3.0-TTS-Flash — модель Qwen для преобразования текста в речь, ориентированная на голосовых помощников с быстрым откликом и интерактивный диалог. Она сочетает потоковый синтез, предназначенные для этой модели готовые или клонированные голоса и инструкции или теги для выразительной речи.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Qwen-Audio-3.0-TTS-Flash преобразует предоставленный текст в речь; версия Flash ориентирована на взаимодействие в реальном времени. Qwen называет её основными применениями голосовых помощников, интерактивный диалог и интеллектуальное обслуживание клиентов. По сравнению с предыдущей версией производитель описывает более широкую поддержку языков с ограниченным объёмом обучающих данных и китайских диалектов, более естественное диалектное произношение и улучшенное управление эмоцией, тоном, характером, скоростью, громкостью и манерой речи. Также сообщается об улучшении разборчивости и устойчивости в условиях шума или реверберации. Это синтез аудио по тексту, а не распознавание входящей речи или модель голосового диалога.
Flash отдаёт приоритет быстрому началу речи в интерактивном обмене. Qwen сообщает, что при синтезе этой моделью в реальном времени задержка первого пакета не превышает 200 миллисекунд; в руководстве по использованию также отмечается, что первоначальное установление соединения влияет на измеренную задержку первой отправки. Готовьте слова, которые должны прозвучать, отдельно от желаемой манеры исполнения. Например, для ответа голосового помощника можно совместить краткий ответ с инструкцией произнести его спокойно и чётко. Нужный результат — сгенерированная речь для этого текста; воспроизведением и остальным диалогом управляет приложение.
Список системных голосов производителя включает варианты для конкретной модели, например Long An Feng Yue с естественной, дружелюбной подачей и Long An Xiao Xin с дружелюбной, живой подачей; оба указаны для путунхуа и английского. В нём есть и английские голоса, например loongmary с британским акцентом и loongjohn со спокойным, дружелюбным американским акцентом. Кроме того, у каждой модели более 500 базовых голосов. Для стабильности Qwen рекомендует начинать с системных голосов, а при выборе базового голоса прослушивать образцы. Голос должен относиться к выбранной модели, а текст — быть на поддерживаемом этим голосом языке.
Клонированные голоса расширяют документированный набор языков до китайского, английского, японского, корейского, русского, французского, немецкого, португальского, тайского, индонезийского, вьетнамского, испанского, итальянского, малайского, филиппинского и арабского. Поддержка китайского охватывает путунхуа, кантонский, чунцинский, северо-восточные говоры, ганьсуский, гуйчжоуский, чжэцзянский, хэбэйский, хэнаньский, хубэйский, хунаньский, цзянсийский, нинбоский, нинсяский, циндаоский, шэньсийский, шаньсийский, шаньдунский, шанхайский, сычуаньский и юньнаньский варианты; диалект выбирается через инструкции. Таблица моделей указывает поддержку клонирования голоса по образцу и отличает её от создания нового голоса исключительно по текстовому описанию, которое эта версия не поддерживает.
Для клонирования производитель рекомендует запись длительностью 10–20 секунд, с максимумом 60 секунд и размером файла не более 10 МБ. Поддерживаемые форматы образца — 16-битный WAV, MP3 и M4A, с частотой дискретизации не менее 16 кГц. В записи должно быть не менее пяти секунд непрерывной разборчивой речи; остальные паузы не должны превышать двух секунд. Избегайте фоновых звуков, других голосов и пения. Стереозапись принимается, но обрабатывается только первый канал. Процесс клонирования возвращает идентификатор голоса, привязанный к точной целевой модели; после готовности голоса синтез использует этот идентификатор. Для Flash и Plus по одной и той же записи нужно создавать отдельные клонированные голоса.
Инструкции на естественном языке управляют подачей как системных, так и клонированных голосов. Описывайте слышимые качества: мягкий тон, чёткую артикуляцию или слегка замедленный темп. Встроенные в текст теги дают другой способ управления: [empathetic] или [serious] задаёт стиль для последующего текста, а [laughing] или [sighing] вставляет голосовой эффект в определённом месте. Управляющий тег действует до следующего управляющего тега или автоматического разделения на предложения. Эти теги эмоций и речевой выразительности документированы только для однонаправленного потокового режима, а не для режима двунаправленной передачи текста. Готовьте выразительную реплику в режиме, подходящем для этих средств управления.
Речевой интерфейс производителя поддерживает PCM, WAV, MP3 и Opus. Перечислены частоты дискретизации 8 000, 16 000, 22 050, 24 000, 44 100 и 48 000 Гц; по умолчанию используются MP3 и 22 050 Гц. Громкость задаётся в диапазоне от 0 до 100, скорость речи и высота тона — каждая от 0,5 до 2,0. Для MP3 и Opus также доступен битрейт от 6 до 510 кбит/с. Выберите формат и частоту дискретизации под нужный проигрыватель или процесс обработки. Для интерактивного приложения производитель документирует потоковые аудиокадры и метаданные предложений; в потоковом выводе подходящих голосов, включая клонированные, доступны временные метки отдельных слов.
Документированный текстовый протокол WebSocket принимает до 20 000 символов в одном текстовом сообщении и суммарно 200 000 символов в задаче; между отправками должно проходить не более 23 секунд. Это ограничения протокола производителя, а не универсальный предел длительности аудио на выходе модели. Протокол поддерживает отмену текущего этапа синтеза и запуск следующей задачи в том же соединении. Сохраняйте предполагаемый порядок произнесения текстовых сегментов и завершайте ввод, когда весь текст передан. Для подготовки произношения производитель документирует подсказки о целевом языке, аннотации пиньинем и замены текста — они полезны, если цифры, сокращения или символы произносятся неожиданным образом.
SSML — отдельный вариант разметки с условиями по голосам и режиму взаимодействия: Qwen документирует его для клонированных голосов при непотоковых или однонаправленных потоковых вызовах и с единственной отправкой текста при включённом SSML. Не следует считать, что он поддерживается каждым готовым голосом или двунаправленным потоком. Для обычного диалога начните с совместимого голоса, чистого текста для произнесения и конкретной инструкции о подаче; добавляйте точечные настройки произношения или выразительности там, где этого требует задача. Так профиль Flash остаётся ориентированным на речь с быстрым откликом по подготовленному тексту, а не на возможности других аудиомоделей Qwen.
POST /v1/audio/speechtextaudio| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения qwen/qwen-audio-3.0-tts-flash | По умолчанию— |
Полеinput | Типstring | ТребованиеОбязательно | Значения и ограничения Минимальная длина: 1 Единица: символы Unicode | По умолчанию— |
Полеvoice | Типstring | ТребованиеОбязательно | Значения и ограничения loongjohn, longanhuan_v3.6 | По умолчанию— |
Полеresponse_format | Типstring | ТребованиеОбязательно | Значения и ограничения mp3 | По умолчанию— |
text_to_speech · Обязательно: input
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, input, voice, response_format |
Параметрvoice_ids | Контрактloongjohn, longanhuan_v3.6 |
Параметрresponse_format | Контрактmp3 |
Параметрmax_input_characters | Контрактnull |
Параметрother_options | Контрактfalse |
Параметрinput | Контрактточный текст UTF-8; количество символов Unicode без нормализации |
Параметрmaterial_types | Контрактtext |
Жизненный цикл: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Фактически возвращённый task_id или запись в медиатеке
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Выберите точный голос из профиля этой модели.
Входные символы и секунды аудио — разные единицы учёта.
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Оплачиваемое количество | Расчётная единица | Плата |
|---|---|---|---|---|
| КонфигурацияБазовые тарифы на токены | Шкала ставокБазовая ставка | Оплачиваемое количество— | Расчётная единица— | Плата Вход · Входные токены — / 1K токенов Выход · Выходные токены — / 1K токенов Вход · Чтение кэша — / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
| КонфигурацияUltra | Шкала ставок— | Оплачиваемое количествоКаждая кодовая точка Unicode считается одним символом, включая символы Han. | Расчётная единицаза 1K входных символов | Плата Вход · входной символ $0.03 за 1K входных символов |
Справочные шкалы модели не меняют выбор метода, расчёт стоимости или списания. Действующая плата определяется ставками выбранного метода Ailoot.
| Конфигурация | Условия расчёта | Плата |
|---|---|---|
| КонфигурацияQwen: Qwen-Audio-3.0-TTS Flash · Стандартная конфигурация | Условия расчётаКонфигурация по умолчанию | Плата Вход · Входные символы 0,00003 $ за входной символ |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
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-flash", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["loongjohn", "longanhuan_v3.6"]')\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\nСохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте полный бинарный результат и заголовки. Если возвращаются JSON или несколько результатов, сохраняйте каждый элемент данных и загружайте ресурс по каждому фактически возвращённому подписанному URL.
Сохраняйте исходный operation_id/X-Client-Request-ID для сверки без повторной отправки; отдельного маршрута опроса аудио нет.
| Поле | Тип |
|---|---|
Полеbinary audio | Типbytes |
Полеresponse headers | Типheaders |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ответserver_error | УсловиеВозвращённый ответ указывает, что операция или результат требуют проверки | Следующий шагСохраните исходный возвращённый ID операции или задачи, заголовки запроса и ответ; продолжайте поддерживаемые операции чтения исходной операции. Не отправляйте запрос создания повторно. |
Ailoot Ultra qwen/qwen-audio-3.0-tts-flash
Используйте пути методов, указанные выше.