Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Lydrespons og prissætning

Lektion 4 af 14 Opdateret 3. november 2026 Udvikler
På denne side
  1. Håndtér responsen og hold omkostningerne nede
  2. Anatomien af HTTP-responsen
  3. Mapping fra codec til Content-Type
  4. Prissætning i detaljer
  5. Estimer lydlængden
  6. Vigtige pointer

Opdateret 3. november 2026, baseret på xAI-siderne Pricing, Rate limits og Text to Speech. Kilder: Pricing · Rate limits · Text to Speech.

Håndtér responsen og hold omkostningerne nede

Når TTS-API’en lykkes, returnerer den en strøm af lydbytes direkte i HTTP-bodyet. Det er afgørende at vide, hvordan du håndterer dette respons og forudser omkostningerne for at kunne køre TTS i produktion.

Anatomien af HTTP-responsen

Responsen har statuskode 200, og bodyet indeholder udelukkende lydbytes. Der er ingen JSON-indpakning. De vigtigste HTTP-headers er:

  • Content-Type: lydformatet (audio/mpeg til MP3, audio/wav til WAV, audio/pcm til PCM)
  • Content-Length: størrelsen på lydfilen i bytes
response = requests.post("https://api.x.ai/v1/tts", ...)

# Check for success
if response.status_code == 200:
    content_type = response.headers["Content-Type"]
    audio_size = len(response.content)
    print(f"Format: {content_type}, Size: {audio_size} bytes")

Skriv til en fil

Den enkleste tilgang er at skrive responsen direkte til en fil:

with open("output.mp3", "wb") as f:
    f.write(response.content)

Stream responsen

Ved store filer bør du streame responsen, så du ikke loader al lyd ind i hukommelsen på én gang:

response = requests.post(
    "https://api.x.ai/v1/tts",
    headers={"Authorization": f"Bearer {api_key}"},
    json={"text": long_text, "voice_id": "eve", "language": "en"},
    stream=True
)

with open("output.mp3", "wb") as f:
    for chunk in response.iter_content(chunk_size=8192):
        f.write(chunk)

Afspil det direkte i browseren

I klient-side JavaScript (efter at have videresendt lyden gennem din backend) kan du dynamisk oprette et lyd-element:

const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();

Husk at frigive Blob-URL’en efter afspilning for at undgå hukommelseslækager (produktionslektionen dækker dette i detaljer).

Mapping fra codec til Content-Type

Anmodet codecModtaget Content-TypeFilendelse
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/alaw.al

Prissætning i detaljer

TTS koster 15 USD per million tegn (xAI-priser pr. 3. november 2026). Du bliver faktureret for indholdet i feltet text, som du sender det, inklusive udtryksfulde tags.

Omkostningsestimater

VolumenTegnEstimeret omkostning
1 sætning~100$0.0015
1 afsnit~500$0.0075
1 trykt side~2.000$0.03
1 blogindlæg~5.000$0.075
1 bog (200 sider)~400.000$6
1 million tegn1.000.000$15

Tags og fakturering

Udtryksfulde tags som [pause], <whisper> og <loud> tæller med i det samlede antal tegn. En tekst på 1.000 tegn med 50 tegns tags faktureres som 1.050 tegn. Det udgør typisk mindre end 5 % af den samlede tekst.

Samtidighedsgrænser

Ifølge xAI-siden Rate limits accepterer TTS 50 anmodninger per sekund og 100 samtidige sessioner på entry-niveauet. Disse grænser vokser med dit teams niveau (op til 500 og 500). Siden Text to Speech nævner også 50 samtidige WebSocket-sessioner per team. Ud over dette returnerer API’en en 429-fejl: ved store volumener bør du sprede dine anmodninger eller bruge en kø.

Estimer lydlængden

Længden af det genererede lyd afhænger af teksten, stemmen og indstillingen speed. Som en tommelfingerregel ligger talesprog på omkring 150 ord i minuttet, eller cirka 850 tegn i minuttet på engelsk: mål det med din valgte stemme, før du lover en bestemt varighed. For et præcist tal returnerer with_timestamps lydens varighed (duration) sammen med tidsstemplerne.

I dette tempo vil en tekst på 60.000 tegn, som er grænsen for én anmodning, producere lidt over en times lyd.

Vigtige pointer

  • TTS-responsen er en binær strøm, ikke JSON
  • Content-Type fortæller dig, hvilket lydformat du har modtaget
  • Stream store filer
  • Det koster 15 USD per million tegn, inklusive tags
  • På entry-niveauet: 50 anmodninger per sekund og 100 samtidige sessioner
  • En anmodning på 60.000 tegn producerer cirka en times lyd