Voz

Utiliza los endpoints de voz de la API de MKA1 cuando necesites transcripción de voz a texto basada en archivos o conversión de texto a voz. Para sesiones de voz bidireccionales en tiempo real, usa el Modo de voz avanzado.

Elige el endpoint adecuado

Caso de uso	Endpoint	Notas
Transcribir un archivo grabado	Transcripción de voz a texto	Sube audio con `multipart/form-data`
Generar un archivo WAV desde texto	Texto a voz	Mejor para generación de archivos completos
Iniciar la reproducción tan pronto como llegue el audio	Texto a voz en streaming	Mejor para reproducción de baja latencia

Transcribir audio

Envía un archivo de audio al endpoint de transcripción cuando quieras obtener texto de un archivo grabado. Si tu aplicación actúa en nombre de un usuario final, también envía X-On-Behalf-Of. Formatos de audio soportados: FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV, WebM. Para guardar la transcripción (y el audio de entrada) en el historial, establece store=true.

import { SDK } from '@meetkai/mka1';
import { openAsBlob } from 'node:fs';
import { writeFileSync } from 'node:fs';

const sdk = new SDK({ bearerAuth: 'Bearer <mka1-api-key>' });

const result = await sdk.llm.speech.transcribe({
  xOnBehalfOf: '<end-user-id>', // opcional — atribuye la solicitud a uno de tus usuarios finales
  language: 'en',
  prompt: 'This is a technical podcast about machine learning.',
  temperature: 0.2,
  store: true,
  requestBody: {
    file: await openAsBlob('episode.wav'),
  },
});

console.log(result.text);
console.log(result.language);
console.log(result.confidence);

from meetkai_mka1 import SDK

sdk = SDK(bearer_auth="Bearer <mka1-api-key>")

result = sdk.llm.speech.transcribe(
    file={"file_name": "episode.wav", "content": open("episode.wav", "rb")},
    language="en",
    prompt="This is a technical podcast about machine learning.",
    temperature=0.2,
    store=True,
)

print(result.text)
print(result.language)
print(result.confidence)

using MeetKai.MKA1;
using MeetKai.MKA1.Types.Components;
using MeetKai.MKA1.Types.Requests;

var sdk = new SDK(bearerAuth: "Bearer <mka1-api-key>");

var result = await sdk.Llm.Speech.TranscribeAsync(new TranscribeRequest()
{
    Language = "en",
    Prompt = "This is a technical podcast about machine learning.",
    Temperature = 0.2,
    Store = true,
    Body = new TranscribeRequestBody()
    {
        File = new TranscribeFile()
        {
            FileName = "episode.wav",
            Content = System.IO.File.ReadAllBytes("episode.wav"),
        },
    },
});

Console.WriteLine(result.TranscriptionResponse!.Text);
Console.WriteLine(result.TranscriptionResponse!.Language);
Console.WriteLine(result.TranscriptionResponse!.Confidence);

mka1 llm speech transcribe \
  --file ./episode.wav \
  --language en \
  --prompt 'This is a technical podcast about machine learning.' \
  --temperature 0.2 \
  --store \
  -H 'X-On-Behalf-Of: <end-user-id>'

curl 'https://apigw.mka1.com/api/v1/llm/speech/transcriptions?language=en&prompt=This%20is%20a%20technical%20podcast%20about%20machine%20learning.&temperature=0.2&store=true' \
  --request POST \
  --header 'Authorization: Bearer <mka1-api-key>' \
  --header 'X-On-Behalf-Of: <end-user-id>' \
  --form 'file=@episode.wav'

La respuesta incluye el texto transcrito, además del idioma detectado y el nivel de confianza:

{
  "text": "Hello! We're excited to show you our native speech capabilities.",
  "language": "en",
  "confidence": 0.8429018476208717
}

Separar hablantes en una transcripción

Si necesitas diarización, habilita los datos de hablante en la solicitud de transcripción. Cuando está habilitado, la respuesta puede incluir un arreglo speakers con segmentos etiquetados por hablante y metadatos de tiempo.

Para include_speaker_data, sube audio en formato WAV o PCM para transcripción no en streaming. Otros formatos de audio devuelven 400 BAD_REQUEST con el mensaje Speaker diarization currently requires WAV/PCM audio for non-streaming transcription.

TypeScript SDK

const result = await sdk.llm.speech.transcribe({
  xOnBehalfOf: '<end-user-id>',
  language: 'en',
  includeSpeakerData: true,
  prompt: 'This is a short podcast clip about AI product updates.',
  temperature: 0.2,
  requestBody: {
    file: await openAsBlob('panel.wav'),
  },
});

console.log(result.speakers);

Ejemplo de respuesta con separación de hablantes:

{
  "text": "Welcome back to the show. Today we're looking at how speech APIs fit into production apps. We'll keep it practical and focus on latency, accuracy, and speaker turns.",
  "language": "en",
  "confidence": 0.91177404,
  "speakers": [
    {
      "speaker": "Speaker-1",
      "text": "Welcome back to the show.",
      "confidence": 0.91177404,
      "offset_ms": 80,
      "duration_ms": 1280
    },
    {
      "speaker": "Speaker-2",
      "text": "Today we're looking at how speech APIs fit into production apps.",
      "confidence": 0.91177404,
      "offset_ms": 1540,
      "duration_ms": 3380
    },
    {
      "speaker": "Speaker-1",
      "text": "We'll keep it practical and focus on latency, accuracy, and speaker turns.",
      "confidence": 0.91177404,
      "offset_ms": 5220,
      "duration_ms": 3660
    }
  ]
}

Usa el campo text de nivel superior cuando necesites una transcripción unificada. Usa speakers cuando necesites subtítulos, turnos de habla o análisis de hablantes posteriores.

Generar voz

Utiliza el endpoint estándar de texto a voz cuando quieras un archivo WAV completo. El cuerpo de la respuesta es audio binario y las cabeceras de la respuesta incluyen X-Language-Code. Para guardar el audio generado en el historial, establece store=true. Cuando se almacena, la respuesta también incluye X-Tts-Id.

const result = await sdk.llm.speech.speak({
  xOnBehalfOf: '<end-user-id>',
  textToSpeechRequest: {
    text: 'Welcome to the MKA1 API speech guide.',
    language: 'en',
    store: true,
  },
});

const audioBuffer = Buffer.from(await new Response(result.result).arrayBuffer());
const languageCode = result.headers['x-language-code']?.[0];
const ttsId = result.headers['x-tts-id']?.[0];

writeFileSync('speech.wav', audioBuffer);
console.log(languageCode);
console.log(ttsId);

result = sdk.llm.speech.speak(
    text="Welcome to the MKA1 API speech guide.",
    language="en",
    store=True,
)

with open("speech.wav", "wb") as f:
    f.write(result.body)

var result = await sdk.Llm.Speech.SpeakAsync(new MeetKai.MKA1.Types.Components.TextToSpeechRequest()
{
    Text = "Welcome to the MKA1 API speech guide.",
    Language = TextToSpeechRequestLanguage.En,
    Store = true,
});

System.IO.File.WriteAllBytes("speech.wav", result.Bytes!);

mka1 llm speech speak \
  --text 'Welcome to the MKA1 API speech guide.' \
  --language en \
  --store \
  --output-file speech.wav

curl https://apigw.mka1.com/api/v1/llm/speech/tts \
  --request POST \
  --header 'Content-Type: application/json' \
  --header 'Authorization: Bearer <mka1-api-key>' \
  --header 'X-On-Behalf-Of: <end-user-id>' \
  --data '{
    "text": "Welcome to the MKA1 API speech guide.",
    "language": "en",
    "store": true
  }' \
  --output speech.wav

Transmitir voz para menor latencia

Utiliza texto a voz en streaming cuando quieras que la reproducción comience antes de que el archivo de audio esté completo. Elige mp3 para cargas útiles más pequeñas o pcm para audio sin comprimir. Para guardar el audio generado en el historial, establece store=true. Cuando se almacena, la respuesta incluye X-Tts-Id. La persistencia en el historial para streaming es de mejor esfuerzo y se completa poco después de que termina el stream, por lo que una consulta inmediata por X-Tts-Id puede devolver 404 brevemente.

const result = await sdk.llm.speech.speakStreaming({
  xOnBehalfOf: '<end-user-id>',
  textToSpeechStreamingRequest: {
    text: 'Start speaking this response as soon as audio is ready.',
    language: 'en',
    format: 'mp3',
    store: true,
  },
});

const contentType = result.headers['content-type']?.[0];
const languageCode = result.headers['x-language-code']?.[0];
const ttsId = result.headers['x-tts-id']?.[0];

console.log(contentType);
console.log(languageCode);
console.log(ttsId);

result = sdk.llm.speech.speak_streaming(
    text="Start speaking this response as soon as audio is ready.",
    language="en",
    format="mp3",
    store=True,
)

with open("speech.mp3", "wb") as f:
    f.write(result.body)

var result = await sdk.Llm.Speech.SpeakStreamingAsync(new MeetKai.MKA1.Types.Components.TextToSpeechStreamingRequest()
{
    Text = "Start speaking this response as soon as audio is ready.",
    Language = TextToSpeechStreamingRequestLanguage.En,
    Format = TextToSpeechStreamingRequestFormat.Mp3,
    Store = true,
});

// Response contains either MP3 or WAV bytes depending on format
var audioBytes = result.TwoHundredAudioMpegBytes ?? result.TwoHundredAudioWavBytes;
System.IO.File.WriteAllBytes("speech.mp3", audioBytes!);

mka1 llm speech speak-streaming \
  --text 'Start speaking this response as soon as audio is ready.' \
  --language en \
  --format mp3 \
  --store \
  --output-file speech.mp3

curl https://apigw.mka1.com/api/v1/llm/speech/tts/stream \
  --request POST \
  --header 'Content-Type: application/json' \
  --header 'Authorization: Bearer <mka1-api-key>' \
  --header 'X-On-Behalf-Of: <end-user-id>' \
  --data '{
    "text": "Start speaking this response as soon as audio is ready.",
    "language": "en",
    "format": "mp3",
    "store": true
  }' \
  --output speech.mp3

Idiomas de texto a voz

Establece language en el idioma de tu texto, o déjalo en auto (el valor predeterminado) para detectarlo a partir del texto. Los dos endpoints de texto a voz aceptan estos códigos ISO 639-1:

Código	Idioma
`en`	Inglés
`zh`	Chino
`hi`	Hindi
`es`	Español
`ar`	Árabe
`bn`	Bengalí
`pt`	Portugués
`ru`	Ruso
`ja`	Japonés
`pa`	Panyabí
`de`	Alemán
`ko`	Coreano
`fr`	Francés
`tr`	Turco
`it`	Italiano
`th`	Tailandés
`pl`	Polaco
`nl`	Neerlandés
`id`	Indonesio
`vi`	Vietnamita
`ur`	Urdu

Cualquier otro valor de language devuelve 400 Bad Request. Con auto, X-Language-Code indica el idioma que detectó la API. Si ese idioma no está en la tabla, la solicitud se completa igualmente: el texto se pronuncia con la voz en inglés y X-Language-Code es en. Si tu texto puede estar en un idioma no compatible, revisa X-Language-Code antes de usar el audio.

Próximos pasos

Revisa la referencia de Transcripción de voz a texto para detalles de solicitud y respuesta
Revisa la referencia de Texto a voz para generación de WAV
Revisa la referencia de Texto a voz en streaming para salida de baja latencia
Usa el Modo de voz avanzado para conversaciones en tiempo real

Comenzar

SDKs y CLI

Respuestas

APIs independientes

Agentes

Compute

Producción

Elige el endpoint adecuado

Transcribir audio

Separar hablantes en una transcripción

Generar voz

Transmitir voz para menor latencia

Idiomas de texto a voz

Próximos pasos

​Elige el endpoint adecuado

​Transcribir audio

​Separar hablantes en una transcripción

​Generar voz

​Transmitir voz para menor latencia

​Idiomas de texto a voz

​Próximos pasos

Elige el endpoint adecuado

Transcribir audio

Separar hablantes en una transcripción

Generar voz

Transmitir voz para menor latencia

Idiomas de texto a voz

Próximos pasos