Koncový bod POST /v1/tts
Na této stránce
Aktualizováno 3. listopadu 2026 na základě stránky xAI Text to Speech, reference Voice API a stránky Pricing. Zdroje: Text to Speech · Voice API · Pricing.
Převeď text na zvuk pomocí Grok API
API xAI Text-to-Speech převede jakýkoli text na přirozeně znějící zvuk jediným voláním HTTP. Hlavním vstupním bodem je POST /v1/tts, který přijme tvůj text a přímo vrátí binární zvukový soubor.
Struktura požadavku
Odešleš požadavek POST na adresu https://api.x.ai/v1/tts s tělem ve formátu JSON. Zde je minimální příklad pomocí curl:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"text": "Hello, and welcome to Corsen Academy.",
"voice_id": "eve",
"language": "en"
}' \
--output audio.mp3
Server odpoví přímo binárním zvukovým souborem v těle odpovědi. Kolem něj není žádná obálka JSON: dostaneš syrová bajty zvukového souboru.
Autentizace
Stejně jako u každého koncového bodu API xAI zahrň svůj API klíč do hlavičky Authorization ve formátu Bearer:
Authorization: Bearer xai-your-api-key
Tělo požadavku
Tělo JSON se točí kolem čtyř hlavních parametrů:
text(povinné): text k převodu, až 60 000 znaků. Podporuje expresivní tagy, o kterých se dozvíš v následujících lekcích.voice_id(volitelné): ID hlasu. Výchozí hodnota jeeve. Hodnoty nerozlišují velká a malá písmena.language(povinné): kód jazyka ve formátu BCP-47 (en,fr,de, …) neboautopro automatickou detekci.output_format(volitelné): objekt, který konfiguruje kodek, vzorkovací frekvenci a datový tok.
Další nastavení, všechna volitelná, doplňují požadavek: speed (rychlost přehrávání od 0,7 do 1,5, výchozí 1,0), replace (tabulka náhrad, která upravuje výslovnost slova bez změny odeslaného textu), with_timestamps (časová razítka pro každý znak), text_normalization (před syntézou rozepíše čísla, zkratky a symboly) a optimize_streaming_latency ("1" pro zkrácení čekací doby před prvním chunkem zvuku na úkor mírné ztráty kvality na spojích).
HTTP odpověď
Při úspěchu (stav 200) server vrátí zvukový soubor s typem obsahu odpovídajícím požadovanému formátu:
audio/mpegpro MP3 (výchozí)audio/wavpro WAVaudio/pcmpro syrové PCMaudio/basicpro G.711 μ-law (mulaw)audio/alawpro G.711 A-law (alaw)
Odpověď neobsahuje žádná metadata, pouze bajty zvuku. Jedinou výjimkou je with_timestamps: odpověď se pak stane objektem JSON, který obsahuje zvuk v base64, jeho délku a časové razítko každého znaku. Odpověď můžeš přímo zapsat do souboru nebo ji streamovat do audio přehrávače.
Příklad v Pythonu
import requests
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {api_key}"},
json={
"text": "Here's an example of speech synthesis.",
"voice_id": "rex",
"language": "en"
}
)
with open("output.mp3", "wb") as f:
f.write(response.content)
Příklad v JavaScriptu (Node.js)
const response = await fetch("https://api.x.ai/v1/tts", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.XAI_API_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
text: "Here's an example of speech synthesis.",
voice_id: "rex",
language: "en"
})
});
const buffer = await response.arrayBuffer();
fs.writeFileSync("output.mp3", Buffer.from(buffer));
Ceník
Služba TTS stojí 15 $ za milion znaků (ceník xAI k 3. listopadu 2026). Účtovány jsou znaky, které odešleš v parametru text, včetně expresivních tagů; tabulka replace tento počet nemění. Při průměru 1 000 znaků na požadavek to vychází na přibližně 0,015 $ za volání.
Klíčové poznatky
- Koncový bod
POST /v1/ttsje hlavním vstupním bodem pro syntézu řeči. - Odpovědí je binární zvukový soubor, nikoli JSON.
- Text je omezen na 60 000 znaků na požadavek HTTP; WebSocket nemá žádný celkový limit.
- Autentizuješ se pomocí hlavičky
Authorization: Bearer. - Cena činí 15 $ za milion znaků.