Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Koncový bod POST /v1/tts

Lekce 1 z 14 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Převeď text na zvuk pomocí Grok API
  2. Struktura požadavku
  3. HTTP odpověď
  4. Ceník
  5. Klíčové poznatky

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.

60,000
Maximální počet znaků na požadavek
28
Vestavěných hlasů
20
Podporovaných jazyků
$15
Za milion znaků

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 je eve. Hodnoty nerozlišují velká a malá písmena.
  • language (povinné): kód jazyka ve formátu BCP-47 (en, fr, de, …) nebo auto pro 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/mpeg pro MP3 (výchozí)
  • audio/wav pro WAV
  • audio/pcm pro syrové PCM
  • audio/basic pro G.711 μ-law (mulaw)
  • audio/alaw pro 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/tts je 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.