Параметри на заявката за TTS
На тази страница
Обновено на 3 ноември 2026 г., въз основа на страницата Text to Speech на xAI и справочника за Voice API. Източници: Text to Speech · Voice API.
Прецизно настройване на синтеза на реч
Крайната точка POST /v1/tts се върти около четири основни параметъра в JSON тялото на заявката, плюс няколко допълнителни настройки. Всеки от тях Ви осигурява прецизен контрол върху генерираното аудио, а разбирането им Ви позволява да адаптирате синтеза към Вашия случай на употреба.
Параметърът text
Заедно с language, text е единственият задължителен параметър. Той приема низ с дължина до 60 000 знака, който може да съдържа обикновен текст или изразителни тагове (разгледани в следващия раздел).
{
"text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}
При надхвърляне на 60 000 знака HTTP заявката се отхвърля. За по-дълги текстове xAI препоръчва използването на WebSocket, който няма ограничение за общата дължина (уроци от 9 до 12), или разделяне на текста на сегменти, чието аудио впоследствие се конкатенира. Разделяйте на естествени граници (края на изречения, края на абзаци) за постигане на плавен резултат.
Параметърът voice_id
Този параметър задава гласа, използван за синтеза. Той е незадължителен и по подразбиране е eve. Идентификаторите не правят разлика между главни и малки букви: Eve, EVE и eve са еквивалентни.
xAI предлага 28 вградени гласа (към 3 ноември 2026 г.), същите като за агента за глас, плюс персонализирани гласове, създадени чрез Custom Voices API. Петте оригинални гласа, както ги описва xAI:
- eve: енергичен и позитивен, британски акцент
- ara: топъл и приятелски
- rex: уверен и ясен
- sal: гладък и балансиран
- leo: авторитетен и мощен, британски акцент
Останалите 23 (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora и liora) са описани заедно с случаите на тяхната употреба на страницата Text to Speech на xAI; GET /v1/tts/voices връща текущия списък (урок 3).
{
"text": "Welcome to this tutorial.",
"voice_id": "rex",
"language": "en"
}
Според xAI всеки глас говори на всеки поддържан език. Изборът на глас не влияе върху цената, която се базира на броя знаци.
Параметърът language
Този параметър е задължителен. Той приема код по стандарта BCP-47 или специалната стойност auto за автоматично откриване на езика.
Поддържаните 20 езика са:
| Код | Език | Код | Език |
|---|---|---|---|
en | Английски | ko | Корейски |
fr | Френски | hi | Хинди |
de | Немски | bn | Бенгалски |
es-ES | Испански (Испания) | ar-EG | Арабски (Египет) |
es-MX | Испански (Мексико) | ar-SA | Арабски (Саудитска Арабия) |
pt-BR | Португалски (Бразилия) | ar-AE | Арабски (ОАЕ) |
pt-PT | Португалски (Португалия) | tr | Турски |
it | Италиански | id | Индонезийски |
ru | Руски | vi | Виетнамски |
zh | Китайски | ja | Японски |
Автоматичното откриване (auto) работи добре за текстове на един език, но за текстове, смесващи няколко езика, посочете основния език изрично.
Параметърът output_format
Този незадължителен параметър е JSON обект, който контролира формата на аудио изхода. Той има три подпараметъра.
codec
Кодекът задава формата на кодиране:
mp3(по подразбиране): компресиран формат, идеален за уеб и стриймингwav: формат без загуби, по-високо качество, но по-големи файловеpcm: сурово аудио без хедър, за процесиращи конвейериmulaw/ulaw: G.711 mu-law кодек за телефонияalaw: G.711 A-law кодек за телефония
sample_rate
Честотата на дискретизация в херци. Приети стойности: 8000, 16000, 22050, 24000 (по подразбиране), 44100, 48000.
bit_rate
Битрейтът в битове в секунда, само за MP3 кодека. Приети стойности: 32000, 64000, 96000, 128000 (по подразбиране), 192000.
{
"text": "High-quality audio for production.",
"voice_id": "ara",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 48000
}
}
Параметърът speed
speed задава скоростта на възпроизвеждане: 1.0 е нормална скорост (по подразбиране), а диапазонът е от 0.7 до 1.5. Леко по-бавен темпо помага при плътно образователно съдържание; над 1.2, винаги прослушвайте резултата отново.
Препоръчителни комбинации
| Случай на употреба | codec | sample_rate | bit_rate |
|---|---|---|---|
| Уеб / стрийминг | mp3 | 24000 | 128000 |
| Аудио продукция | wav | 48000 | — |
| VoIP телефония | mulaw | 8000 | — |
| ML конвейер | pcm | 16000 | — |
Ключови изводи
textиlanguageса единствените задължителни параметриvoice_idе незадължителен (по подразбиране:eve) и не прави разлика между главни и малки буквиoutput_formatконтролира кодека, честотата на дискретизация и битрейта;speedзадава скоростта (от 0.7 до 1.5)- MP3 при 24 kHz / 128 kbps е добър баланс по подразбиране между качество и размер
- За телефония използвайте
mulawилиalawпри 8 kHz