Премини към основното съдържание
Български— Изберете език
Меню

Крайната точка POST /v1/tts

Урок 1 от 14 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Преобразуване на текст в аудио чрез Grok API
  2. Структура на заявката
  3. HTTP отговорът
  4. Цени
  5. Ключови изводи

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.

60,000
Максимален брой знаци на заявка
28
Вградени гласове
20
Поддържани езици
$15
На милион знаци

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 уроци
  • voice_id (по избор): ID на гласа. По подразбиране е eve. Стойностите не чувствителни към главни и малки букви
  • language (задължително): кодът на езика във формат BCP-47 (en, fr, de, …) или auto за автоматично откриване
  • output_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/mpeg за MP3 (по подразбиране)
  • audio/wav за WAV
  • audio/pcm за суров PCM
  • audio/basic за G.711 μ-law (mulaw)
  • audio/alaw за 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/tts е 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