Премини към основното съдържание
Български— Изберете език
Меню

Параметри на заявката за TTS

Урок 2 от 14 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Прецизно настройване на синтеза на реч
  2. Параметърът text
  3. Параметърът voice_id
  4. Параметърът language
  5. Параметърът output_format
  6. Параметърът speed
  7. Препоръчителни комбинации
  8. Ключови изводи

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:

КодЕзикКодЕзик
enАнглийскиkoКорейски
frФренскиhiХинди
deНемскиbnБенгалски
es-ESИспански (Испания)ar-EGАрабски (Египет)
es-MXИспански (Мексико)ar-SAАрабски (Саудитска Арабия)
pt-BRПортугалски (Бразилия)ar-AEАрабски (ОАЕ)
pt-PTПортугалски (Португалия)trТурски
itИталианскиidИндонезийски
ruРускиviВиетнамски
zhКитайскиjaЯпонски

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 стрийминг
  • wav: формат без загуби, по-високо качество, но по-големи файлове
  • pcm: сурово аудио без хедър, за процесиращи конвейери
  • mulaw / ulaw: G.711 mu-law кодек за телефония
  • alaw: 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 употребаcodecsample_ratebit_rate
Уеб / стриймингmp324000128000
Аудио продукцияwav48000—
VoIP телефонияmulaw8000—
ML конвейерpcm16000—

Ключови изводи

  • text и language са единствените задължителни параметри
  • voice_id е незадължителен (по подразбиране: eve) и не прави разлика между главни и малки букви
  • output_format контролира кодека, честотата на дискретизация и битрейта; speed задава 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 mulaw или alaw при 8 kHz