Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Odezva ve formátu audio a ceník

Lekce 4 z 14 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Zpracování odpovědi a kontrola nákladů
  2. Anatomie HTTP odpovědi
  3. Mapování kodeku na Content-Type
  4. Detailní ceník
  5. Odhad délky audia
  6. Klíčové poznatky

Aktualizováno 3. listopadu 2026 na základě stránek xAI Pricing, Rate limits a Text to Speech. Zdroje: Pricing · Rate limits · Text to Speech.

Zpracování odpovědi a kontrola nákladů

Když je volání TTS API úspěšné, vrací přímo v těle HTTP požadavku proud bajtů s audiem. Aby sis dokázal nasadit převod textu na řeč do produkce, musíš vědět, jak s touto odpovědí pracovat a jak předem odhadnout náklady.

Anatomie HTTP odpovědi

Odpověď má stavový kód 200 a její tělo obsahuje výhradně audio bajty. Žádný obal ve formátu JSON zde nenajdeš. Klíčová jsou tato HTTP hlavičky:

  • Content-Type: formát audia (audio/mpeg pro MP3, audio/wav pro WAV, audio/pcm pro PCM)
  • Content-Length: velikost audio souboru v bajtech
response = requests.post("https://api.x.ai/v1/tts", ...)

# Check for success
if response.status_code == 200:
    content_type = response.headers["Content-Type"]
    audio_size = len(response.content)
    print(f"Format: {content_type}, Size: {audio_size} bytes")

Zápis do souboru

Nejjednodušší přístup spočívá v přímém zápisu odpovědi do souboru:

with open("output.mp3", "wb") as f:
    f.write(response.content)

Streamování odpovědi

U velkých souborů odpověď streamuj, abys nemusel načítat celé audio najednou do paměti:

response = requests.post(
    "https://api.x.ai/v1/tts",
    headers={"Authorization": f"Bearer {api_key}"},
    json={"text": long_text, "voice_id": "eve", "language": "en"},
    stream=True
)

with open("output.mp3", "wb") as f:
    for chunk in response.iter_content(chunk_size=8192):
        f.write(chunk)

Přímé přehrávání v prohlížeči

V JavaScriptu na straně klienta (poté, co audio přepošleš přes svůj backend) můžeš dynamicky vytvořit audio element:

const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();

Nezapomeň po přehrání uvolnit URL objektu Blob, aby nedocházelo k únikům paměti (toto detailně probíráme v lekci o nasazení do produkce).

Mapování kodeku na Content-Type

Požadovaný kodekPřijatý Content-TypePřípona souboru
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/alaw.al

Detailní ceník

Služba TTS stojí 15 USD za milion znaků (ceník xAI platný k 3. listopadu 2026). Fakturován je obsah pole text, který odešleš, včetně expresivních tagů.

Odhady nákladů

ObjemZnakůOdhadované náklady
1 věta~1000,0015 $
1 odstavec~5000,0075 $
1 tištěná strana~2 0000,03 $
1 blogový příspěvek~5 0000,075 $
1 kniha (200 stran)~400 0006 $
1 milion znaků1 000 00015 $

Tagy a fakturace

Expresivní tagy jako [pause], <whisper> a <loud> se započítávají do celkového počtu znaků. Text o délce 1 000 znaků s 50 znaky tagů bude zafakturován jako 1 050 znaků. To obvykle představuje méně než 5 % celkového textu.

Limity souběžnosti

Podle stránky xAI Rate limits přijímá TTS na základní úrovni 50 požadavků za sekundu a podporuje 100 souběžných relací. Tyto limity rostou s úrovní tvého týmu (až na 500 a 500). Stránka Text to Speech také zmiňuje limit 50 souběžných WebSocket relací na tým. Pokud tyto limity překročíš, API vrátí chybu 429: u velkých objemů si žádosti rozlož v čase nebo použij frontu.

Odhad délky audia

Délka vygenerovaného audia závisí na textu, hlasu a nastavení speed. Jako hrubý odhad počítej s tím, že čtená řeč má rychlost kolem 150 slov za minutu, což je přibližně 850 znaků za minutu v angličtině: před slibem konkrétní doby trvání si to změř pro svůj konkrétní hlas. Pro přesnou hodnotu parametr with_timestamps vrací spolu s časovými značkami také celkovou dobu trvání audia (duration).

Tímto tempem text o 60 000 znacích, což je limit pro jeden požadavek, vygeneruje něco málo přes hodinu audia.

Klíčové poznatky

  • Odpověď TTS je binární proud, nikoliv JSON
  • Hlavička Content-Type ti sdělí, jaký audio formát jsi obdržel
  • U velkých souborů používej streamování
  • Cena je 15 USD za milion znaků, tagy se započítávají
  • Na základní úrovni: 50 požadavků za sekundu a 100 souběžných relací
  • Požadavek na 60 000 znaků vygeneruje přibližně hodinu audia