Produktion af fortællinger og lydindhold
På denne side
Priser pr. 3. november 2026, fra xAI’s side om Pricing: TTS koster $15 per million tegn. Kilde: Pricing.
Gør tekst til professionelt lydindhold
Indtil for nylig krævede lydproduktion i stor skala et studie: en stemmeskuespiller, et lydtæt rum, en lydtekniker og en prislap, der begrænsede taleindhold til dine flagskibsprojekter. Grok TTS flytter den grænse. Automatiserede podcasts, oplæste artikler, træningsmoduler, talemeddelelser: forholdet mellem kvalitet og pris gør det muligt at realisere projekter, som folk tidligere ville have droppet, så snart de så tilbuddet.
Podcasts og audio-nyhedsbreve
En automatiseret podcast-pipeline boils ned til fire trin:
- Skrivning: Din LLM (Grok eller en anden) skriver podcast-manuskriptet, inklusive udtryksfulde tags
- Produktion: TTS genererer lyden med den stemme og de effekter, du har valgt
- Efterbehandling: Tilføjelse af intro/outro-jingle, normalisering af lydstyrken
- Udgivelse: Upload til din distributionsplatform
Kvaliteten af resultatet afgøres næsten udelukkende i trin 1. Et manuskript skrevet som en artikel lyder som nogen, der læser en artikel op; et manuskript skrevet til øret, med åndedræt og tempoændringer, lyder som et show. Sådan ser starten på en annoteret episode ud:
[breath] Hej alle sammen, og velkommen til dit ugentlige tech-overblik. [pause]
Vi har tre emner på dagsordenen i dag. [long-pause]
<emphasis>Først</emphasis>, den seneste Grok API-opdatering. [pause]
<emphasis>Dernæst</emphasis>, de nye TTS-funktioner. [pause]
Og <emphasis>tredje</emphasis>, erfaringer fra driften af Voice Agent i produktion. [long-pause]
<build-intensity>Lad os dykke direkte ned i det første emne.</build-intensity>
Dit valg af stemme sætter derefter showets tone. Rex passer til en professionel tech-podcast, Eve til et dynamisk, energisk format, Ara til en intim, samtalepræget tone, og Leo til et undervisningsprogram, hvor lytterne forventer rolig autoritet. Blandt de nyere stemmer lister xAI orion og lux til fortælling og cosmo til podcasts. Lyt til tre eller fire kandidater, der læser samme afsnit af dit manuskript, før du beslutter dig: med tredive sekunders ægte tekst er det rigtige valg usually obvious.
E-læring og træning
Hver lektion i et kursus kan leveres med en lydversion, så lærere kan følge med „podcast-stil” på pendlingen eller en gåtur. Økonomien er overbevisende: et kursus på 10.000 ord, cirka 60.000 tegn, koster omkring $0,90 at få læst op. Til den pris er spørgsmålet ikke længere, hvilke moduler der fortjener en lydversion, men om der overhovedet er nogen grund til ikke at få dem alle indtalt.
Næste skridt er at kombinere de to byggesten. TTS læser øvelsesinstruktionerne op, Voice Agent lytter til den lærendes svar, og modellen evaluerer det og giver øjeblikkelig mundtlig feedback. Du får en samtalepartner til oral praksis, der er tilgængelig døgnet rundt, hvilket er særligt nyttigt til sprog, salgspitches eller jobsamtaleforberedelse.
Så er der tilgængelighed, som ofte er et lovkrav snarere end en bonus. TTS gør dit skriftlige indhold brugbart for mennesker med nedsat syn eller ordblindhed, og en knap med „Lyt til denne artikel” på dine sider genererer lyden i realtid uden behov for forudgående produktion eller lagring.
Talemeddelelser og alarmer
Nogle beskeder skal nå mennesker, der ikke kigger på en skærm. En server, der går ned kl. 3 om natten, udløser en talealarm på telefonen hos den vagthavende ingeniør; en assistent oplæser dagens aftaler; et automatiseret opkald bekræfter en ordre ved at genopsummere dens detaljer.
Disse beskeder er korte, så HTTP-tilstand er mere end rigelig:
import requests
def generate_voice_alert(message, language="en"):
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {API_KEY}"},
json={
"text": message,
"voice_id": "leo",
"language": language,
"output_format": {"codec": "wav", "sample_rate": 8000}
}
)
return response.content # raw audio bytes
WAV ved 8000 Hz er ikke et kvalitetsvalg, men et kompatibilitetsvalg: det er det format, telefonsystemer forventer, og ved at levere det direkte undgår du et transkoderingstrin, der ville forringe signalet.
Lydbøger og langformsfortælling
Til en bog eller en rapport på snesevis af sider skal du skifte til WebSocket-tilstand. Metoden: Opdel teksten i kapitler eller sektioner, send hver sektion med text.delta, saml og sammenkæd de lydbidder, du modtager, og tilføj derefter metadata til den endelige fil, såsom kapitelmarkører og en indholdsfortegnelse.
Stemmekonsistens bliver derefter et problem i sig selv, fordi lyttere tilbringer timer med fortælleren og lægger mærke til den mindste afbrydelse. Brug præcis den samme stemme til den samme fortæller fra start til slut. Indsæt [long-pause] mellem kapitler for at markere de overgange, som øjet tidligere fik fra layoutet. Og varier tempoet, hvor betydningen kræver det: <slow> på et tæt afsnit, der har brug for tid til at synke ind, <fast> på en overgang eller en sekundær liste.
Vigtige pointer
- TTS gør lydproduktion i stor skala mulig: podcasts, e-læring, meddelelser, lydbøger
- Udtryksfulde tags bringer fortællingen til live med pauser, tempoændringer og vokale effekter
- Til $15 per million tegn (xAI-priser pr. 3. november 2026) er omkostningerne beskedne sammenlignet med studieoptagelser
- Kombiner TTS (fortælling) og Voice Agent (interaktion) for komplette læringsoplevelser
- Brug WebSocket og opdel teksten i sektioner til lange tekster