Anmodningsparametre til TTS
På denne side
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:
| Kode | Sprog | Kode | Sprog |
|---|---|---|---|
en | Engelsk | ko | Koreansk |
fr | Fransk | hi | Hindi |
de | Tysk | bn | Bengali |
es-ES | Spansk (Spanien) | ar-EG | Arabisk (Egypten) |
es-MX | Spansk (Mexico) | ar-SA | Arabisk (Saudi-Arabien) |
pt-BR | Portugisisk (Brasilien) | ar-AE | Arabisk (Forenede Arabiske Emirater) |
pt-PT | Portugisisk (Portugal) | tr | Tyrkisk |
it | Italiensk | id | Indonesisk |
ru | Russisk | vi | Vietnamesisk |
zh | Kinesisk | ja | Japansk |
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 streamingwav: et tabsfrit format, bedre kvalitet men større filerpcm: rå lyd uden header, til behandlingspipelinesmulaw/ulaw: G.711 mu-law-codec til telefonialaw: 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
| Brugstilfælde | codec | sample_rate | bit_rate |
|---|---|---|---|
| Web / streaming | mp3 | 24000 | 128000 |
| Lydproduktion | wav | 48000 | — |
| VoIP-telefoni | mulaw | 8000 | — |
| ML-pipeline | pcm | 16000 | — |
Vigtige pointer
textoglanguageer de eneste obligatoriske parametrevoice_ider valgfri (standard:eve) og ikke versalfølsomoutput_formatstyrer codec, sample rate og bit rate;speedangiver hastigheden (0,7 til 1,5)- MP3 ved 24 kHz / 128 kbps er en god standardbalance mellem kvalitet og størrelse
- Brug
mulawelleralawved 8 kHz til telefoni