Започнете работа с API за преобразуване на текст в реч
На тази страница
Обновено на 3 ноември 2026 г., въз основа на страниците Text to Speech и Pricing на xAI. Източници: Text to Speech · Pricing.
Текст вътре, аудио навън
API за преобразуване на текст в реч (Text-to-Speech) на Grok прави едно нещо и го прави добре: превръща текста във висококачествено аудио. Докато Voice Agent управлява диалог със смяна на репликите и прекъсвания, TTS работи строго в една посока: Вие изпращате текст и получавате звук в замяна. Тази простота го прави инструментът по избор винаги, когато машината не очаква отговор: озвучени статии, телефонни поздравления, задкадрови гласове за е-обучение модули и аудио известия.
HTTP или WebSocket: два начина за извикване на услугата
Режимът HTTP е най-директен. Вие изпращате POST заявка с Вашия текст, а отговорът съдържа целия аудио файл, по подразбиране във формат MP3:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-o output.mp3 \
-d '{
"text": "Hello and welcome to Corsen Academy.",
"voice_id": "ara",
"language": "en"
}'
Обърнете внимание на -o output.mp3: тялото на отговора е сурово аудио, а не JSON, обгръщащ връзка. Този режим е идеален за генериране във фонов режим, като например нощна пакетна задача, която създава аудио версии на Вашите статии, тъй като никой не чака пред екрана.
Режимът WebSocket отговаря на различна нужда: чуване на звука, преди целият текст да бъде синтезиран. Вие отваряте връзка и предавате параметрите в URL адреса:
wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3
След това изпращате текста на части с text.delta, сигнализирате края с text.done, а аудиото се връща като base64 чанкове чрез audio.delta. Стриймингът премахва ограничението за дължина на HTTP режима и, най-вече, Ви позволява да синтезирате в реално време, което е от съществено значение, когато самият текст все още се генерира от модел.
Параметри на HTTP заявката
| Параметър | Тип | Задължителен | Описание |
|---|---|---|---|
text | string | Да | Текстът за преобразуване, до 60 000 знака |
voice_id | string | Не | Гласът за използване (по подразбиране: eve) |
language | string | Да | Код по BCP-47 (en, fr, de, …) или auto |
output_format | object | Не | Кодек, честота на дискретизация и битрейт |
speed | number | Не | Скорост на възпроизвеждане, от 0.7 до 1.5 (по подразбиране: 1.0) |
Два аспекта заслужават внимание. language е задължителен параметър, което често изненадва потребителите: услугата не познава езика на Вашия текст, освен ако изрично не ѝ го поискате със стойността auto. И voice_id използва точно същите гласове като Voice Agent (28 вградени гласа към 3 ноември 2026 г., включително eve, ara, rex, sal и leo, плюс Вашите персонализирани гласове) и не прави разлика между главни и малки букви. Същата гласова персона може следователно да захранва както Вашия конферентен агент, така и Вашето записано съдържание, което си струва да използвате за консистентност на марката.
Избор на изходен формат
Полето output_format контролира кодека и качеството:
{
"text": "Text to convert.",
"voice_id": "rex",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 44100
}
}
Изберете кодека въз основа на това какво ще се случи с файла впоследствие. mp3 е подходящ за обща употреба: добре компресиран и възпроизводим навсякъде, той е разумният избор по подразбиране за уебсайт или подкаст. wav е без загуби, следователно по-тежък, но е необходим, когато редактор ще обработва записа допълнително. pcm доставя сурово аудио за обработващи конвейери, които нямат нужда от контейнер. Накрая, mulaw и alaw са телефонните кодеци G.711, за телекомуникационни системи, които ги изискват.
Честотите на дискретизация варират от 8000 до 48000 Hz, със стойност по подразбиране 24000 Hz, която покрива огромното мнозинство от случаи на употреба. За MP3 битрейтът варира от 32000 до 192000 bps, със стойност по подразбиране 128000. Повишаването до 192000 за говорим глас почти не подобрява слушателското изживяване и увеличава размера на файловете с една трета: запазете този резерв за съдържание, което смесва музика и глас.
Заявка към каталога с гласове
API предоставя два крайни точки (endpoints) само за четене, които допълват генерирането. GET /v1/tts/voices връща всички налични гласове с техните метаданни, а GET /v1/tts/voices/{voice_id} връща същите полета (voice_id, name, language) за единичен глас; тонът и случаите на употреба на всеки глас са описани на страницата Text to Speech на xAI. Вместо да кодирате имената на гласовете директно във Вашия интерфейс, попълнете Вашия селектор за гласове от тези крайни точки и Вашето приложение ще остане актуално в деня, в който каталогът се промени.
Ключови изводи
- TTS преобразува текст в аудио чрез HTTP (просто) или WebSocket (стрийминг)
- Струва $15 на милион знака, с максимум 60 000 знака на HTTP заявка
- 28 вградени гласа, пет кодека и шест честоти на дискретизация Ви осигуряват голяма гъвкавост
- Режимът WebSocket няма ограничение за общата дължина на текста (всеки делта е ограничен до 60 000 знака)
- Необходим е код по BCP-47 за определяне на езика (или
autoза автоматично откриване)