Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Der Endpunkt POST /v1/tts

Lektion 1 von 14 Aktualisiert am 3. November 2026 Entwickler
Auf dieser Seite
  1. Text in Audio verwandeln mit der Grok API
  2. Anforderungsstruktur
  3. Die HTTP-Antwort
  4. Preisgestaltung
  5. Kernaussagen

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.

60.000
Maximale Zeichen pro Anfrage
28
Integrierte Stimmen
20
Unterstützte Sprachen
15 $
Pro Million Zeichen

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 ist eve. Werte sind nicht fallensensitiv.
  • language (erforderlich): Der Sprachcode im BCP-47-Format (en, fr, de, …) oder auto für 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/mpeg für MP3 (Standard)
  • audio/wav für WAV
  • audio/pcm für rohen PCM
  • audio/basic für G.711 μ-law (mulaw)
  • audio/alaw für 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/tts ist 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.