Odezva ve formátu audio a ceník
Na této stránce
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/mpegpro MP3,audio/wavpro WAV,audio/pcmpro 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 kodek | Přijatý Content-Type | Přípona souboru |
|---|---|---|
mp3 | audio/mpeg | .mp3 |
wav | audio/wav | .wav |
pcm | audio/pcm | .pcm |
mulaw | audio/basic | .ul |
alaw | audio/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
| Objem | Znaků | Odhadované náklady |
|---|---|---|
| 1 věta | ~100 | 0,0015 $ |
| 1 odstavec | ~500 | 0,0075 $ |
| 1 tištěná strana | ~2 000 | 0,03 $ |
| 1 blogový příspěvek | ~5 000 | 0,075 $ |
| 1 kniha (200 stran) | ~400 000 | 6 $ |
| 1 milion znaků | 1 000 000 | 15 $ |
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