Spring til hovedindhold
Dansk— Vælg et sprog
Menu

POST /v1/tts-endpointet

Lektion 1 af 14 Opdateret 3. november 2026 Udvikler
På denne side
  1. Omdan tekst til lyd med Grok API
  2. Anmodningsstruktur
  3. HTTP-svaret
  4. Prissætning
  5. Vigtige pointer

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.

60.000
Maks. tegn pr. anmodning
28
Indbyggede stemmer
20
Understøttede sprog
15 $
Pr. million tegn

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 lektioner
  • voice_id (valgfri): Stemme-ID’et. Standardværdien er eve. Værdierne er ikke versalfølsomme
  • language (påkrævet): Sprogkoden i BCP-47-format (en, fr, de, …) eller auto til automatisk detektering
  • output_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/mpeg til MP3 (standard)
  • audio/wav til WAV
  • audio/pcm til rå PCM
  • audio/basic til G.711 μ-law (mulaw)
  • audio/alaw til 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