Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Parametry požadavku TTS

Lekce 2 z 14 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Vyladění syntézy řeči
  2. Parametr text
  3. Parametr voice_id
  4. Parametr language
  5. Parametr output_format
  6. Parametr speed
  7. Doporučené kombinace
  8. Klíčové poznatky

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:

KódJazykKódJazyk
enAngličtinakoKorejština
frFrancouzštinahiHindština
deNěmčinabnBengálština
es-ESŠpanělština (Španělsko)ar-EGArabština (Egypt)
es-MXŠpanělština (Mexiko)ar-SAArabština (Saúdská Arábie)
pt-BRPortugalština (Brazílie)ar-AEArabština (SAE)
pt-PTPortugalština (Portugalsko)trTurečtina
itItalštinaidIndonéština
ruRuštinaviVietnamština
zhČínštinajaJaponština

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 streamování
  • wav: bezztrátový formát, lepší kvalita, ale větší soubory
  • pcm: syrový zvuk bez hlavičky, určený pro zpracovatelské pipeline
  • mulaw / ulaw: kodek G.711 mu-law pro telefonii
  • alaw: 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 použitíkodeksample_ratebit_rate
Web / streamovánímp324000128000
Audio produkcewav48000—
VoIP telefoniemulaw8000—
ML pipelinepcm16000—

Klíčové poznatky

  • text a language jsou jediné povinné parametry
  • voice_id je volitelný (výchozí: eve) a nerozlišuje velká a malá písmena
  • output_format řídí kodek, vzorkovací frekvenci a datový tok; speed nastavuje rychlost (0,7 až 1,5)
  • MP3 při 24 kHz / 128 kbps představuje dobré výchozí vyvážení mezi kvalitou a velikostí
  • Pro telefonii použij mulaw nebo alaw při 8 kHz