Der Endpunkt POST /v1/tts
Auf dieser Seite
Aktualisiert am 3. November 2026, basierend auf der xAI-Seite Text to Speech, der Voice-API-Referenz und der Seite Pricing. Quellen: Text to Speech · Voice API · Pricing.
Text in Audio verwandeln mit der Grok API
Die xAI Text-to-Speech-API wandelt beliebigen Text in natürlich klingende Audioinhalte mit einer einzigen HTTP-Anfrage um. Der Haupteinstiegspunkt ist POST /v1/tts, der Ihren Text entgegennimmt und direkt eine binäre Audio-Datei zurückgibt.
Anforderungsstruktur
Sie senden eine POST-Anfrage an https://api.x.ai/v1/tts mit einem JSON-Körper. Hier ist ein minimales Beispiel mit curl:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"text": "Hallo und willkommen zur Corsen Academy.",
"voice_id": "eve",
"language": "en"
}' \
--output audio.mp3
Der Server antwortet mit der binären Audio-Datei direkt im Antwortkörper. Es gibt keinen JSON-Envelope darum herum: Sie erhalten die rohen Bytes der Audio-Datei.
Authentifizierung
Wie bei jedem xAI-API-Endpunkt fügen Sie Ihren API-Schlüssel im Header Authorization im Bearer-Format hinzu:
Authorization: Bearer xai-Ihr-API-Schlüssel
Anforderungskörper
Der JSON-Körper dreht sich um vier Hauptparameter:
text(erforderlich): Der zu konvertierende Text, bis zu 60.000 Zeichen. Er unterstützt die ausdrucksvollen Tags, die Sie in den nächsten Lektionen lernen werden.voice_id(optional): Die Stimmen-ID. Standardwert isteve. Werte sind nicht fallensensitiv.language(erforderlich): Der Sprachcode im BCP-47-Format (en,fr,de, …) oderautofür automatische Erkennung.output_format(optional): Ein Objekt, das den Codec, die Abtastfrequenz und die Bitrate konfiguriert.
Weitere Einstellungen, alle optional, runden die Anfrage ab: speed (Wiedergabegeschwindigkeit, von 0,7 bis 1,5, Standard 1,0), replace (eine Tabelle von Ersetzungen, die festlegt, wie ein Wort ausgesprochen wird, ohne den gesendeten Text zu ändern), with_timestamps (Zeitstempel pro Zeichen), text_normalization (Hervorbringen von Zahlen, Abkürzungen und Symbolen vor der Synthese) und optimize_streaming_latency ("1", um die Wartezeit vor dem ersten Audio-Chunk zu verkürzen, auf Kosten einer leichten Qualitätsminderung an den Übergängen).
Die HTTP-Antwort
Bei Erfolg (Status 200) gibt der Server die Audio-Datei mit dem Inhaltstyp zurück, der dem angeforderten Format entspricht:
audio/mpegfür MP3 (Standard)audio/wavfür WAVaudio/pcmfür rohen PCMaudio/basicfür G.711 μ-law (mulaw)audio/alawfür G.711 A-law (alaw)
Die Antwort enthält keine Metadaten, nur Audio-Bytes. Die einzige Ausnahme ist with_timestamps: Die Antwort wird dann zu einem JSON-Objekt, das das Audio in Base64, die Dauer und den Zeitstempel jedes Zeichens enthält. Sie können die Antwort direkt in eine Datei schreiben oder sie an einen Audio-Player streamen.
Python-Beispiel
import requests
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {api_key}"},
json={
"text": "Hier ist ein Beispiel für Sprachsynthese.",
"voice_id": "rex",
"language": "en"
}
)
with open("output.mp3", "wb") as f:
f.write(response.content)
JavaScript-Beispiel (Node.js)
const response = await fetch("https://api.x.ai/v1/tts", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.XAI_API_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
text: "Hier ist ein Beispiel für Sprachsynthese.",
voice_id: "rex",
language: "en"
})
});
const buffer = await response.arrayBuffer();
fs.writeFileSync("output.mp3", Buffer.from(buffer));
Preisgestaltung
TTS kostet 15 $ pro Million Zeichen (xAI-Preisgestaltung zum 3. November 2026). Sie werden für die Zeichen berechnet, die Sie in text senden, einschließlich ausdrucksvoller Tags; eine replace-Tabelle ändert diese Anzahl nicht. Bei einem Durchschnitt von 1.000 Zeichen pro Anfrage entspricht dies etwa 0,015 $ pro Anfrage.
Kernaussagen
- Der Endpunkt
POST /v1/ttsist der Haupteinstiegspunkt für die Sprachsynthese. - Die Antwort ist eine binäre Audio-Datei, kein JSON.
- Text ist pro HTTP-Anfrage auf 60.000 Zeichen begrenzt; WebSocket hat keine Gesamtbegrenzung.
- Sie authentifizieren sich mit dem Header
Authorization: Bearer. - Es kostet 15 $ pro Million Zeichen.