Kom i gang med Text-to-Speech API'en
På denne side
Opdateret 3. november 2026, baseret på xAI-siderne Text to Speech og Pricing. Kilder: Text to Speech · Pricing.
Tekst ind, lyd ud
Grok Text-to-Speech API’en gør én ting, og den gør det godt: den omdanner tekst til lyd i høj kvalitet. Hvor Voice Agenten styrer en dialog med turtagning og afbrydelser, fungerer TTS strengt én vej: du sender tekst og får lyd tilbage. Den enkelhed gør den til værktøjet, når ingen taler tilbage til maskinen: oplæste artikler, telefonsvarere, voice-overs til e-læringsmoduler og lydnotifikationer.
HTTP eller WebSocket: to måder at kalde tjenesten på
HTTP-tilstand er den mest direkte. Du sender en POST-anmodning med din tekst, og svaret indeholder hele lydfilen, som standard i MP3:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-o output.mp3 \
-d '{
"text": "Hello and welcome to Corsen Academy.",
"voice_id": "ara",
"language": "en"
}'
Bemærk -o output.mp3: svar-brødteksten er rå lyd, ikke JSON, der indpakker et link. Denne tilstand er perfekt til baggrundsgenerering, f.eks. et natligt batch-job, der producerer lydversioner af dine artikler, da ingen venter foran en skærm.
WebSocket-tilstand imødekommer et andet behov: at høre lyden, før hele teksten er syntetiseret. Du åbner en forbindelse og sender parametrene i URL’en:
wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3
Derefter sender du teksten i bidder med text.delta, signalerer slutningen med text.done, og lyden returneres som base64-bidder på audio.delta. Streaming fjerner længdebegrænsningen fra HTTP-tilstand og giver dig først og fremmest mulighed for at syntetisere løbende, hvilket er afgørende, når selve teksten stadig genereres af en model.
HTTP-anmodningsparametre
| Parameter | Type | Påkrævet | Beskrivelse |
|---|---|---|---|
text | string | Ja | Teksten der skal konverteres, op til 60.000 tegn |
voice_id | string | Nej | Stemmen der skal bruges (standard: eve) |
language | string | Ja | BCP-47-kode (en, fr, de, …) eller auto |
output_format | object | Nej | Codec, sample rate og bit rate |
speed | number | Nej | Afspilningshastighed, fra 0,7 til 1,5 (standard: 1,0) |
To punkter fortjener opmærksomhed. language er påkrævet, hvilket ofte overrasker folk: tjenesten gætter ikke sproget i din tekst, medmindre du eksplicit beder den om det med værdien auto. Og voice_id bruger præcis de samme stemmer som Voice Agenten (28 indbyggede stemmer pr. 3. november 2026, herunder eve, ara, rex, sal og leo, plus dine brugerdefinerede stemmer), og den er ikke versalfølsom. Den samme stemmepersonlighed kan derfor drive både din konversationsagent og dit indspillede indhold, hvilket er værd at udnytte for konsistens i dit brand.
Vælg output-format
Feltet output_format styrer codec og kvalitet:
{
"text": "Text to convert.",
"voice_id": "rex",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 44100
}
}
Vælg codec baseret på, hvad der skal ske med filen bagefter. mp3 egner sig til generel brug: godt komprimeret og afspilbart overalt er det det fornuftige standardvalg til en hjemmeside eller en podcast. wav er tabsfri, så tungere, men det er hvad du skal bruge, når en redaktør skal bearbejde sporet. pcm leverer rå lyd til behandlingspipelines, der ikke har brug for en container. Endelig er mulaw og alaw G.711-telefonicodecs til telesystemer, der kræver dem.
Sample rates spænder fra 8000 til 48000 Hz med en standard på 24000 Hz, hvilket dækker langt de fleste anvendelser. Til MP3 går bitraten fra 32000 til 192000 bps med en standard på 128000. At gå op til 192000 for talestemme tilføjer næsten ingenting til lytteoplevelsen og gør dine filer en tredjedel større: spar den kapacitet til indhold, der blander musik og tale.
Forespørg i stemmekataloget
API’en eksponerer to skrivebeskyttede endpoints, der supplerer genereringen. GET /v1/tts/voices returnerer alle tilgængelige stemmer med deres metadata, og GET /v1/tts/voices/{voice_id} returnerer de samme felter (voice_id, name, language) for en enkelt stemme; tonen og anvendelsestilfældene for hver stemme er beskrevet på xAI-siden Text to Speech. I stedet for at hardcode stemmenavne i din grænseflade, skal du udfylde din stemmevælger fra disse endpoints, så din app forbliver korrekt, den dag kataloget ændres.
Vigtige pointer
- TTS konverterer tekst til lyd via HTTP (enkelt) eller WebSocket (streaming)
- Det koster $15 per million tegn med et maksimum på 60.000 tegn pr. HTTP-anmodning
- 28 indbyggede stemmer, fem codecs og seks sample rates giver dig masser af fleksibilitet
- WebSocket-tilstand har ingen grænse for samlet tekstlængde (hvert delta er begrænset til 60.000 tegn)
- En BCP-47-kode er påkrævet for at angive sproget (eller
autofor automatisk detektering)