POST /v1/tts-endpointet
På denne side
Opdateret 3. november 2026 baseret på xAI-siden Text to Speech, Voice API-referencen og siden Pricing. Kilder: Text to Speech · Voice API · Pricing.
Omdan tekst til lyd med Grok API
xAI’s Text-to-Speech-API omdanner enhver tekst til naturligt lydende audio med et enkelt HTTP-kald. Hovedindgangen er POST /v1/tts, som modtager din tekst og returnerer en binær lydfil direkte.
Anmodningsstruktur
Du sender en POST-forespørgsel til https://api.x.ai/v1/tts med en JSON-body. Her er et minimalt eksempel med curl:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"text": "Hello, and welcome to Corsen Academy.",
"voice_id": "eve",
"language": "en"
}' \
--output audio.mp3
Serveren svarer med selve den binære lydfil i response-body’en. Der er ingen JSON-konvolut omkring den: du får de rå bytes fra lydfilen.
Godkendelse
Som ved alle xAI API-endpoints skal du inkludere din API-nøgle i Authorization-headeren i Bearer-format:
Authorization: Bearer xai-your-api-key
Anmodnings-body
JSON-body’en kredser om fire hovedparametre:
text(påkrævet): Teksten, der skal konverteres, op til 60.000 tegn. Den understøtter de udtryksfulde tags, du lærer om i de næste lektionervoice_id(valgfri): Stemme-ID’et. Standardværdien ereve. Værdierne er ikke versalfølsommelanguage(påkrævet): Sprogkoden i BCP-47-format (en,fr,de, …) ellerautotil automatisk detekteringoutput_format(valgfri): Et objekt, der konfigurerer codec, sample rate og bit rate
Andre indstillinger, som alle er valgfrie, afrunder anmodningen: speed (afspilningshastighed fra 0,7 til 1,5, standard er 1,0), replace (en tabel over substitutioner, der retter udtalen af et ord uden at ændre teksten, du sender), with_timestamps (tidsstempler pr. tegn), text_normalization (udskrivning af tal, forkortelser og symboler før syntese) og optimize_streaming_latency ("1" for at forkorte ventetiden før første lydchunk på bekostning af en let kvalitetstab ved samlingerne).
HTTP-svaret
Ved succes (status 200) returnerer serveren lydfilen med den content type, der matcher det anmodede format:
audio/mpegtil MP3 (standard)audio/wavtil WAVaudio/pcmtil rå PCMaudio/basictil G.711 μ-law (mulaw)audio/alawtil G.711 A-law (alaw)
Svaret indeholder ingen metadata, kun audiobytes. Den eneste undtagelse er with_timestamps: her bliver svaret et JSON-objekt, der indeholder lyden i base64, dens varighed og tidsstemplet for hvert tegn. Du kan skrive svaret direkte til en fil eller streame det til en afspiller.
Python-eksempel
import requests
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {api_key}"},
json={
"text": "Here's an example of speech synthesis.",
"voice_id": "rex",
"language": "en"
}
)
with open("output.mp3", "wb") as f:
f.write(response.content)
JavaScript-eksempel (Node.js)
const response = await fetch("https://api.x.ai/v1/tts", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.XAI_API_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
text: "Here's an example of speech synthesis.",
voice_id: "rex",
language: "en"
})
});
const buffer = await response.arrayBuffer();
fs.writeFileSync("output.mp3", Buffer.from(buffer));
Prissætning
TTS koster 15 $ pr. million tegn (xAI-priser pr. 3. november 2026). Du bliver faktureret for de tegn, du sender i text, inklusive udtryksfulde tags; en replace-tabel ændrer ikke på dette antal. Med et gennemsnit på 1.000 tegn pr. anmodning lander prisen på ca. 0,015 $ pr. kald.
Vigtige pointer
POST /v1/tts-endpointet er hovedindgangen til talesyntese- Svaret er en binær lydfil, ikke JSON
- Tekst er begrænset til 60.000 tegn pr. HTTP-anmodning; WebSocket har ingen samlet grænse
- Du godkender med headeren
Authorization: Bearer - Det koster 15 $ pr. million tegn