Parametry požadavku TTS
Na této stránce
Aktualizováno 3. listopadu 2026 na základě stránky xAI Text to Speech a reference Voice API. Zdroje: Text to Speech · Voice API.
Vyladění syntézy řeči
Koncový bod POST /v1/tts se točí kolem čtyř hlavních parametrů v těle požadavku JSON a několika volitelných nastavení. Každý z nich ti dává přesnou kontrolu nad generovaným zvukem a jejich pochopení ti umožní přizpůsobit syntézu tvému konkrétnímu případu použití.
Parametr text
Spolu s parametrem language je text jediným povinným parametrem. Přijímá řetězec až 60 000 znaků, který může obsahovat prostý text nebo expresivní tagy (ty probereme v další sekci).
{
"text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}
Při překročení 60 000 znaků bude požadavek HTTP zamítnut. U delších textů xAI doporučuje použít WebSocket, který nemá žádný limit celkové délky (lekce 9 až 12), nebo rozdělit text na segmenty, jejichž zvukové záznamy následně spojíš. Děl vždy na přirozených hranicích (konce vět, konce odstavců), abys dosáhl plynulého výsledku.
Parametr voice_id
Tento parametr určuje hlas použitý pro syntézu. Je volitelný a ve výchozím nastavení má hodnotu eve. ID nerozlišují velká a malá písmena: Eve, EVE a eve jsou ekvivalentní.
xAI nabízí 28 vestavěných hlasů (k 3. listopadu 2026), stejně jako pro hlasového agenta, plus vlastní hlasy vytvořené pomocí Custom Voices API. Pět původních hlasů podle popisu xAI:
- eve: energický a veselý, britský přízvuk
- ara: vřelý a přátelský
- rex: sebevědomý a zřetelný
- sal: hladký a vyvážený
- leo: autoritativní a mocný, britský přízvuk
Dalších 23 hlasů (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora a liora) je popsáno i s případy jejich použití na stránce xAI Text to Speech; koncový bod GET /v1/tts/voices vrací aktuální seznam (lekce 3).
{
"text": "Welcome to this tutorial.",
"voice_id": "rex",
"language": "en"
}
Podle xAI každý hlas umí všemi podporovanými jazyky. Volba hlasu nemá vliv na cenu, která se odvíjí od počtu znaků.
Parametr language
Tento parametr je povinný. Přijímá kód BCP-47 nebo speciální hodnotu auto pro automatickou detekci jazyka.
Podporováno je 20 jazyků:
| Kód | Jazyk | Kód | Jazyk |
|---|---|---|---|
en | Angličtina | ko | Korejština |
fr | Francouzština | hi | Hindština |
de | Němčina | bn | Bengálština |
es-ES | Španělština (Španělsko) | ar-EG | Arabština (Egypt) |
es-MX | Španělština (Mexiko) | ar-SA | Arabština (Saúdská Arábie) |
pt-BR | Portugalština (Brazílie) | ar-AE | Arabština (SAE) |
pt-PT | Portugalština (Portugalsko) | tr | Turečtina |
it | Italština | id | Indonéština |
ru | Ruština | vi | Vietnamština |
zh | Čínština | ja | Japonština |
Automatická detekce (auto) funguje dobře u textů v jednom jazyce, ale u textů míchajících několik jazyků explicitně uveď hlavní jazyk.
Parametr output_format
Tento volitelný parametr je objekt JSON, který řídí formát výstupního zvuku. Obsahuje tři podparametry.
codec
Kodek nastavuje formát kódování:
mp3(výchozí): komprimovaný formát, ideální pro web a streamováníwav: bezztrátový formát, lepší kvalita, ale větší souborypcm: syrový zvuk bez hlavičky, určený pro zpracovatelské pipelinemulaw/ulaw: kodek G.711 mu-law pro telefoniialaw: kodek G.711 A-law pro telefonii
sample_rate
Vzorkovací frekvence v hertzech. Přijímané hodnoty: 8000, 16000, 22050, 24000 (výchozí), 44100, 48000.
bit_rate
Datový tok v bitech za sekundu, pouze pro kodek MP3. Přijímané hodnoty: 32000, 64000, 96000, 128000 (výchozí), 192000.
{
"text": "High-quality audio for production.",
"voice_id": "ara",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 48000
}
}
Parametr speed
Parametr speed nastavuje rychlost přehrávání: 1.0 je normální rychlost (výchozí hodnota) a rozsah se pohybuje od 0.7 do 1.5. Mírně pomalejší tempo pomáhá u hutného vzdělávacího obsahu; nad hodnotou 1.2 si výsledek vždy znovu poslechni.
Doporučené kombinace
| Případ použití | kodek | sample_rate | bit_rate |
|---|---|---|---|
| Web / streamování | mp3 | 24000 | 128000 |
| Audio produkce | wav | 48000 | — |
| VoIP telefonie | mulaw | 8000 | — |
| ML pipeline | pcm | 16000 | — |
Klíčové poznatky
textalanguagejsou jediné povinné parametryvoice_idje volitelný (výchozí:eve) a nerozlišuje velká a malá písmenaoutput_formatřídí kodek, vzorkovací frekvenci a datový tok;speednastavuje rychlost (0,7 až 1,5)- MP3 při 24 kHz / 128 kbps představuje dobré výchozí vyvážení mezi kvalitou a velikostí
- Pro telefonii použij
mulawneboalawpři 8 kHz