Премини към основното съдържание
Български— Изберете език
Меню

Отговор на аудио заявката и ценообразуване

Урок 4 от 14 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Обработка на отговора и контрол на разходите
  2. Структура на HTTP отговора
  3. Съответствие между кодек и Content-Type
  4. Детайли за ценообразуването
  5. Оценка на дължината на аудиото
  6. Ключови изводи

Обновено на 3 ноември 2026 г., въз основа на страниците на xAI за Ценообразуване, Ограничения на честотата и Текст към реч. Източници: Ценообразуване · Ограничения на честотата · Текст към реч.

Обработка на отговора и контрол на разходите

Когато TTS API изпълни успешно заявката, той връща поток от аудио байтове директно в тялото на HTTP отговора. Умението да обработвате този отговор и да предвиждате разходите е от съществено значение за внедряването на TTS в производствена среда.

Структура на HTTP отговора

Отговорът има статус код 200, а тялото му съдържа единствено аудио байтове. Няма JSON обвивка. Важните HTTP хедъри са:

  • Content-Type: аудио форматът (audio/mpeg за MP3, audio/wav за WAV, audio/pcm за PCM)
  • Content-Length: размерът на аудио файла в байтове
response = requests.post("https://api.x.ai/v1/tts", ...)

# Проверка за успех
if response.status_code == 200:
    content_type = response.headers["Content-Type"]
    audio_size = len(response.content)
    print(f"Format: {content_type}, Size: {audio_size} bytes")

Запис във файл

Най-простият подход е да запишете отговора директно във файл:

with open("output.mp3", "wb") as f:
    f.write(response.content)

Потоково предаване на отговора

За големи файлове използвайте потоково предаване на отговора, за да не зареждате цялото аудио в паметта:

response = requests.post(
    "https://api.x.ai/v1/tts",
    headers={"Authorization": f"Bearer {api_key}"},
    json={"text": long_text, "voice_id": "eve", "language": "en"},
    stream=True
)

with open("output.mp3", "wb") as f:
    for chunk in response.iter_content(chunk_size=8192):
        f.write(chunk)

Възпроизвеждане директно в браузъра

В JavaScript от страна на клиента (след прехвърляне на аудиото през вашия бекенд), можете да създадете аудио елемент динамично:

const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();

Не забравяйте да освободите URL адреса на Blob обекта след възпроизвеждането, за да избегнете изтичане на памет (производственият урок разглежда това в детайли).

Съответствие между кодек и Content-Type

Заявен кодекПолучен Content-TypeРазширение на файла
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/alaw.al

Детайли за ценообразуването

TTS струва 15 щатски долара за един милион знака (цени на xAI към 3 ноември 2026 г.). Таксува се съдържанието на полето text, както го изпращате, включително експресивните тагове.

Оценка на разходите

ОбемЗнациОценена цена
1 изречение~100$0.0015
1 абзац~500$0.0075
1 печатна страница~2,000$0.03
1 блог публикация~5,000$0.075
1 книга (200 страници)~400,000$6
1 милион знака1,000,000$15

Тагове и таксуване

Експресивните тагове като [pause], <whisper> и <loud> се броят към общия брой знаци. Текст от 1000 знака с 50 знака тагове се таксува като 1050 знака. Това обикновено е по-малко от 5% от общия текст.

Ограничения за едновременност

Според страницата на xAI за Ограничения на честотата, TTS приема 50 заявки в секунда и 100 едновременни сесии на началното ниво, като тези лимити нарастват с нивото на вашия екип (до 500 и 500). Страницата Текст към реч също споменава 50 едновременни WebSocket сесии на екип. При надвишаване на лимита, API връща грешка 429: за големи обеми разпределяйте заявките си във времето или използвайте опашка.

Оценка на дължината на аудиото

Дължината на генерираното аудио зависи от текста, гласа и настройката за speed. Като ориентировъчна стойност, четената реч върви с около 150 думи в минута, или приблизително 850 знака в минута на английски: измерете това с вашия глас, преди да обещаете конкретна продължителност. За точна стойност, with_timestamps връща продължителността на аудиото (duration) заедно с времевите марки.

При този темпо, текст от 60 000 знака – лимитът за една заявка – генерира малко над един час аудио.

Ключови изводи

  • TTS отговорът е двоичен поток, а не JSON
  • Content-Type указва получения аудио формат
  • Използвайте потоково предаване за големи файлове
  • Цената е 15 щатски долара за един милион знака, включително таговете
  • На начално ниво: 50 заявки в секунда и 100 едновременни сесии
  • Заявка от 60 000 знака генерира приблизително един час аудио