Отговор на аудио заявката и ценообразуване
На тази страница
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/mpegза MP3,audio/wavза WAV,audio/pcmза 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 кодек | Получен Content-Type | Разширение на файла |
|---|---|---|
mp3 | audio/mpeg | .mp3 |
wav | audio/wav | .wav |
pcm | audio/pcm | .pcm |
mulaw | audio/basic | .ul |
alaw | audio/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
| Обем | Знаци | Оценена 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 знака | 1,000,000 | $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