Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Anmodningsparametre til TTS

Lektion 2 af 14 Opdateret 3. november 2026 Udvikler
På denne side
  1. Finjustér din talesyntese
  2. Parameteren text
  3. Parameteren voice_id
  4. Parameteren language
  5. Parameteren output_format
  6. Parameteren speed
  7. Anbefalede kombinationer
  8. Vigtige pointer

Opdateret 3. november 2026 baseret på xAI-siden Text to Speech og Voice API-referencen. Kilder: Text to Speech · Voice API.

Finjustér din talesyntese

Endpointet POST /v1/tts kredser om fire hovedparametre i JSON-anmodningsbodyen samt nogle få valgfrie indstillinger. Hver enkelt giver dig præcis kontrol over det genererede lyd, og når du forstår dem, kan du skræddersy syntesen til dit brugstilfælde.

Parameteren text

Sammen med language er text den eneste obligatoriske parameter. Den accepterer en streng på op til 60.000 tegn, som kan indeholde almindelig tekst eller udtryksfulde tags (dette dækkes i næste afsnit).

{
  "text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}

Hvis teksten overstiger 60.000 tegn, afvises HTTP-anmodningen. Til længere tekster anbefaler xAI WebSocket, som ikke har nogen samlet længdebegrænsning (lektion 9 til 12), eller at du opdeler teksten i segmenter, hvis lyd du derefter sammenføjer. Opdel ved naturlige grænser (slutningen af sætninger, slutningen af afsnit) for at opnå et flydende resultat.

Parameteren voice_id

Denne parameter angiver den stemme, der bruges til syntesen. Den er valgfri og har standardværdien eve. ID’er er ikke versalfølsomme: Eve, EVE og eve er ækvivalente.

xAI tilbyder 28 indbyggede stemmer (pr. 3. november 2026), de samme som til voice agenten, plus brugerdefinerede stemmer oprettet med Custom Voices API. De fem oprindelige stemmer beskrives af xAI således:

  • eve: energisk og munter, britisk accent
  • ara: varm og venlig
  • rex: selvsikker og klar
  • sal: blød og afbalanceret
  • leo: autoritær og kraftfuld, britisk accent

De øvrige 23 (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora og liora) er beskrevet med deres brugstilfælde på xAI-siden Text to Speech; GET /v1/tts/voices returnerer den aktuelle liste (lektion 3).

{
  "text": "Welcome to this tutorial.",
  "voice_id": "rex",
  "language": "en"
}

Ifølge xAI taler alle stemmer alle understøttede sprog. Dit valg af stemme påvirker ikke prisen, som beregnes ud fra antallet af tegn.

Parameteren language

Denne parameter er obligatorisk. Den accepterer en BCP-47-kode eller specialværdien auto til automatisk sprogdetektering.

De 20 understøttede sprog er:

KodeSprogKodeSprog
enEngelskkoKoreansk
frFranskhiHindi
deTyskbnBengali
es-ESSpansk (Spanien)ar-EGArabisk (Egypten)
es-MXSpansk (Mexico)ar-SAArabisk (Saudi-Arabien)
pt-BRPortugisisk (Brasilien)ar-AEArabisk (Forenede Arabiske Emirater)
pt-PTPortugisisk (Portugal)trTyrkisk
itItalienskidIndonesisk
ruRussiskviVietnamesisk
zhKinesiskjaJapansk

Automatisk detektering (auto) fungerer godt til tekster på ét sprog, men for tekster, der blander flere sprog, skal du angive hovedsproget eksplicit.

Parameteren output_format

Denne valgfrie parameter er et JSON-objekt, der styrer formatet for lyduddata. Den har tre underparametre.

codec

Codecen angiver kodningsformatet:

  • mp3 (standard): et komprimeret format, ideelt til web og streaming
  • wav: et tabsfrit format, bedre kvalitet men større filer
  • pcm: rå lyd uden header, til behandlingspipelines
  • mulaw / ulaw: G.711 mu-law-codec til telefoni
  • alaw: G.711 A-law-codec til telefoni

sample_rate

Sample rate i hertz. Accepterede værdier: 8000, 16000, 22050, 24000 (standard), 44100, 48000.

bit_rate

Bit rate i bits per sekund, kun for MP3-codec. Accepterede værdier: 32000, 64000, 96000, 128000 (standard), 192000.

{
  "text": "High-quality audio for production.",
  "voice_id": "ara",
  "language": "en",
  "output_format": {
    "codec": "wav",
    "sample_rate": 48000
  }
}

Parameteren speed

speed angiver afspilningshastigheden: 1.0 er normal hastighed (standard), og intervallet går fra 0.7 til 1.5. Et lidt langsommere tempo hjælper ved tæt pædagogisk indhold; over 1.2 bør du altid lytte til resultatet igen.

Anbefalede kombinationer

Brugstilfældecodecsample_ratebit_rate
Web / streamingmp324000128000
Lydproduktionwav48000—
VoIP-telefonimulaw8000—
ML-pipelinepcm16000—

Vigtige pointer

  • text og language er de eneste obligatoriske parametre
  • voice_id er valgfri (standard: eve) og ikke versalfølsom
  • output_format styrer codec, sample rate og bit rate; speed angiver hastigheden (0,7 til 1,5)
  • MP3 ved 24 kHz / 128 kbps er en god standardbalance mellem kvalitet og størrelse
  • Brug mulaw eller alaw ved 8 kHz til telefoni