Крайната точка POST /v1/tts
На тази страница
Обновено на 3 ноември 2026 г., въз основа на страницата Text to Speech на xAI, справочника за Voice API и страницата с Цени. Източници: Text to Speech · Voice API · Pricing.
Преобразуване на текст в аудио чрез Grok API
API за преобразуване на текст в реч (Text-to-Speech) на xAI превръща всеки текст в естествено звучащо аудио с едно единствено HTTP заявка. Основната входна точка е POST /v1/tts, която приема Вашия текст и връща директно двоичен аудиофайл.
Структура на заявката
Изпращате POST заявка към https://api.x.ai/v1/tts с JSON тяло. Ето минимален пример с curl:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"text": "Hello, and welcome to Corsen Academy.",
"voice_id": "eve",
"language": "en"
}' \
--output audio.mp3
Сървърът отговаря директно с двоичния аудиофайл в тялото на отговора. Няма JSON обвивка около него: получавате суровите байтове на аудиофайла.
Удостоверяване
Както при всяка крайна точка на xAI API, включете Вашия API ключ в заглавката Authorization във формат Bearer:
Authorization: Bearer xai-your-api-key
Тяло на заявката
JSON тялото се върти около четири основни параметъра:
text(задължително): текстът за преобразуване, до 60 000 знака. Поддържа изразителните тагове, за които ще научите в следващите уроциvoice_id(по избор): ID на гласа. По подразбиране еeve. Стойностите не чувствителни към главни и малки буквиlanguage(задължително): кодът на езика във формат BCP-47 (en,fr,de, …) илиautoза автоматично откриванеoutput_format(по избор): обект, който конфигурира кодека, честотата на дискретизация и битрейта
Други настройки, всички по избор, допълват заявката: speed (скорост на възпроизвеждане, от 0.7 до 1.5, по подразбиране 1.0), replace (таблица със замествания, която коригира произношението на дума, без да променя изпратения от Вас текст), with_timestamps (времеви марки за всеки знак), text_normalization (изписване на числа, съкращения и символи преди синтеза) и optimize_streaming_latency ("1" за съкращаване на времето за изчакване преди първия аудио чанк, за сметка на лека загуба на качество в местата на свързване).
HTTP отговорът
При успех (статус 200), сървърът връща аудиофайла с тип съдържание, съответстващ на поискания формат:
audio/mpegза MP3 (по подразбиране)audio/wavза WAVaudio/pcmза суров PCMaudio/basicза G.711 μ-law (mulaw)audio/alawза G.711 A-law (alaw)
Отговорът не носи метаданни, само аудио байтове. Единственото изключение е with_timestamps: тогава отговорът става JSON обект, който съдържа аудиото в base64, неговата продължителност и времевата марка на всеки знак. Можете да запишете отговора директно във файл или да го предадете потоково към аудио плейър.
Пример с Python
import requests
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {api_key}"},
json={
"text": "Here's an example of speech synthesis.",
"voice_id": "rex",
"language": "en"
}
)
with open("output.mp3", "wb") as f:
f.write(response.content)
Пример с JavaScript (Node.js)
const response = await fetch("https://api.x.ai/v1/tts", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.XAI_API_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
text: "Here's an example of speech synthesis.",
voice_id: "rex",
language: "en"
})
});
const buffer = await response.arrayBuffer();
fs.writeFileSync("output.mp3", Buffer.from(buffer));
Цени
TTS струва 15 щатски долара на милион знаци (цени на xAI към 3 ноември 2026 г.). Таксуват се знаците, които изпращате в text, включително изразителните тагове; таблицата replace не променя този брой. При средно по 1000 знака на заявка, това възлиза на около 0.015 щатски долара на повикване.
Ключови изводи
- Крайната точка
POST /v1/ttsе основният вход за синтез на реч - Отговорът е двоичен аудиофайл, а не JSON
- Текстът е ограничен до 60 000 знака на HTTP заявка; WebSocket няма общ лимит
- Удостоверявате се чрез заглавката
Authorization: Bearer - Цената е 15 щатски долара на милион знаци