Голосготовится

Голосовые возможности планируются в трёх сценариях.

Синтез речи (text-to-speech) — вы отправляете текст, получаете аудиофайл с озвучкой. Подходит для озвучки статей, уведомлений, ответов бота.

Распознавание речи (speech-to-text) — вы отправляете аудиофайл, получаете текст. Подходит для расшифровки звонков, встреч, голосовых сообщений.

Голосовой диалог — двусторонний обмен звуком в реальном времени: пользователь говорит, модель отвечает голосом, без промежуточной ручной сборки из первых двух шагов.

Базовый адрес и авторизация те же, что у остальных методов: https://api.librachat.kz/v1 и заголовок Authorization: Bearer sk-libra-…

Планируемые поля запроса:

Ответ — бинарное тело с аудио и заголовком Content-Type по выбранному формату (например audio/mpeg). JSON в успешном ответе не возвращается.

curl https://api.librachat.kz/v1/audio/speech \
  -H "Authorization: Bearer sk-libra-…" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "libra-voice",
    "input": "Здравствуйте! Ваш заказ уже собран.",
    "voice": "alena",
    "response_format": "mp3"
  }' --output speech.mp3

Тарификация синтеза — за знаки входного текста, а не за токены: 4 050 ₽ за 1 млн знаков. Считаются знаки поля input после нормализации (пробелы и знаки препинания входят в счёт).

Запрос отправляется как multipart/form-data. Планируемые поля:

Обычный режим (stream отсутствует или false): вы загружаете готовый файл, ждёте окончания обработки и получаете весь текст одним ответом. Дешевле, подходит для расшифровки записей.

Потоковый режим (stream: true): ответ отдаётся событиями Server-Sent Events, как в /v1/chat/completions. Куски текста приходят с задержкой в доли секунды. Дороже вдвое, подходит для субтитров в реальном времени и голосового ввода.

curl https://api.librachat.kz/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-libra-…" \
  -F file=@meeting.mp3 \
  -F model=libra-scribe \
  -F language=ru \
  -F response_format=verbose_json

Планируемый ответ в формате json:

{
  "text": "Добрый день, начнём планёрку.",
  "language": "ru",
  "duration": 12.48
}

Тарификация распознавания — за длительность аудио, округление предполагается посекундное вверх.

Голосовой диалог планируется как отдельная сессия поверх постоянного соединения (WebSocket), а не как обычный HTTP-запрос. Вы открываете сессию, шлёте аудио с микрофона кусками и получаете обратно аудио ответа и его текстовую расшифровку.

Ожидаемая схема работы:

• Клиент открывает соединение и передаёт ключ sk-libra-… в заголовке Authorization.
• Первым сообщением клиент шлёт настройки сессии: модель, голос, формат аудио, системную инструкцию.
• Далее клиент шлёт куски входного аудио (PCM 16-бит, 24 кГц — предполагаемый формат по умолчанию).
• Сервер шлёт события: расшифровка речи пользователя, текст ответа, куски аудио ответа.
• Прерывание: если пользователь заговорил во время ответа, клиент шлёт сигнал отмены и сервер прекращает текущее аудио.

Тарифицируется время сессии в минутах, а не число сообщений. Обычный диалог и улучшенный отличаются качеством голоса и естественностью пауз.

Пакетная обработка — минус 20 % к ставке, приоритетная — ставка ×2. Списание идёт с общего предоплаченного баланса аккаунта; пополнение от 1 млн токенов по 450 ₽ за 1 млн.

Планируется переиспользовать те же коды, что и в текстовых методах: 401 no_api_key, 401 invalid_api_key, 402 insufficient_balance, 429 rate_limited, 502 upstream_error.

Дополнительно ожидаются специфичные для голоса ошибки: 400 unsupported_audio_format (формат файла не поддерживается), 413 audio_too_large (файл больше предела), 400 invalid_voice (неизвестный идентификатор голоса).

Действующий лимит 120 запросов в минуту на ключ применим к /v1/audio/speech и /v1/audio/transcriptions. Лимит в токенах в минуту к голосу не применяется — для него нужны отдельные счётчики (минуты диалога, часы аудио, знаки синтеза). Ограничение max_tokens к голосовым методам не относится.