Začínáme s API Text-to-Speech
Na této stránce
Aktualizováno 3. listopadu 2026 na základě stránek xAI Text to Speech a Pricing. Zdroje: Text to Speech · Pricing.
Text dovnitř, audio ven
API Grok Text-to-Speech dělá jednu věc a dělá ji dobře: převádí text na vysoce kvalitní audio. Zatímco Voice Agent spravuje dialog s předáváním slova a přerušováním, TTS funguje striktně jedním směrem: pošleš text a dostaneš zpět zvuk. Díky této jednoduchosti je nástrojem volby vždy, když stroj nikdo neodpovídá: komentované články, telefonní uvítání, voiceovery pro e-learningové moduly nebo zvuková oznámení.
HTTP nebo WebSocket: dva způsoby volání služby
Režim HTTP je nejpřímější. Pošleš požadavek POST s textem a odpověď obsahuje kompletní zvukový soubor, ve výchozím nastavení ve formátu MP3:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-o output.mp3 \
-d '{
"text": "Hello and welcome to Corsen Academy.",
"voice_id": "ara",
"language": "en"
}'
Všimni si parametru -o output.mp3: tělo odpovědi je surové audio, nikoliv JSON obalující odkaz. Tento režim je ideální pro generování na pozadí, například pro noční dávkové zpracování, které vytváří zvukové verze tvých článků, protože nikdo nečeká před obrazovkou.
Režim WebSocket řeší jinou potřebu: slyšet zvuk dříve, než je syntetizován celý text. Otevřeš připojení a parametry předáš v URL:
wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3
Následně posíláš text po částech pomocí text.delta, ukončení signalizuješ pomocí text.done a audio se vrací jako chunks v base64 na audio.delta. Streamování odstraňuje limit délky režimu HTTP a především ti umožňuje syntetizovat průběžně, což je zásadní, když je samotný text stále generován modelem.
Parametry požadavku HTTP
| Parametr | Typ | Povinný | Popis |
|---|---|---|---|
text | string | Ano | Text k převodu, až 60 000 znaků |
voice_id | string | Ne | Hlas k použití (výchozí: eve) |
language | string | Ano | Kód BCP-47 (en, fr, de, …) nebo auto |
output_format | object | Ne | Kodek, vzorkovací frekvence a bitová rychlost |
speed | number | Ne | Rychlost přehrávání od 0,7 do 1,5 (výchozí: 1,0) |
Dva body si zaslouží pozornost. language je povinný, což často lidi překvapí: služba nehádá jazyk tvého textu, pokud ji o to explicitně nepožádáš hodnotou auto. A voice_id používá přesně stejné hlasy jako Voice Agent (28 vestavěných hlasů k 3. listopadu 2026, včetně eve, ara, rex, sal a leo, plus tvé vlastní hlasy) a nerozlišuje velká a malá písmena. Stejná hlasová persona tak může pohánět jak tvého konverzačního agenta, tak nahraný obsah, což stojí za využití pro konzistenci značky.
Výběr výstupního formátu
Pole output_format řídí kodek a kvalitu:
{
"text": "Text to convert.",
"voice_id": "rex",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 44100
}
}
Kodek vybírej podle toho, co se bude souborem dít dále. mp3 vyhovuje obecnému použití: je dobře komprimovaný a přehratelný všude, což je rozumná volba pro web nebo podcast. wav je bezztrátový, tedy těžší, ale je to to, co potřebuješ, když bude stopu upravovat editor. pcm dodává surové audio pro zpracovatelské pipeline, které nepotřebují kontejner. Nakonec mulaw a alaw jsou telefonní kodeky G.711 pro telekomunikační systémy, které je vyžadují.
Vzorkovací frekvence se pohybují od 8000 do 48 000 Hz s výchozí hodnotou 24 000 Hz, což pokrývá drtivou většinu použití. U MP3 se bitová rychlost pohybuje od 32 000 do 192 000 bps s výchozí hodnotou 128 000. Zvýšení na 192 000 u mluveného slova přidá k poslechovému zážitku jen málo a zvětší soubory o třetinu: tuto rezervu si nech pro obsah, který mixuje hudbu a hlas.
Dotazování na katalog hlasů
API zpřístupňuje dva koncové body pouze pro čtení, které doplňují generování. GET /v1/tts/voices vrací všechny dostupné hlasy s jejich metadaty a GET /v1/tts/voices/{voice_id} vrací stejná pole (voice_id, name, language) pro jediný hlas; tón a případy použití každého hlasu jsou popsány na stránce xAI Text to Speech. Místo natvrdo zakódovaných názvů hlasů ve svém rozhraní naplň svůj výběr hlasů z těchto koncových bodů a tvá aplikace zůstane správná i v den, kdy se katalog změní.
Klíčové poznatky
- TTS převádí text na audio přes HTTP (jednoduché) nebo WebSocket (streamování)
- Stojí to 15 $ za milion znaků s maximem 60 000 znaků na požadavek HTTP
- 28 vestavěných hlasů, pět kodeků a šest vzorkovacích frekvencí ti poskytuje velkou flexibilitu
- Režim WebSocket nemá limit na celkovou délku textu (každý delta je omezen na 60 000 znaků)
- K určení jazyka je vyžadován kód BCP-47 (nebo
autopro automatickou detekci)