Parameter für TTS-Anfragen
Auf dieser Seite
Aktualisiert am 3. November 2026, basierend auf der xAI-Seite Text to Speech und der Voice-API-Referenz. Quellen: Text to Speech · Voice API.
Ihre Sprachsynthese anpassen
Der Endpunkt POST /v1/tts dreht sich um vier Hauptparameter im JSON-Anfragekörper, plus einige optionale Einstellungen. Jeder Parameter bietet Ihnen präzise Kontrolle über das generierte Audio, und das Verständnis dieser Einstellungen ermöglicht es Ihnen, die Synthese an Ihren Anwendungsfall anzupassen.
Der Parameter text
Zusammen mit language ist text der einzige erforderliche Parameter. Er akzeptiert einen String von bis zu 60.000 Zeichen, der einfachen Text oder ausdrucksvolle Tags enthalten kann (siehe den nächsten Abschnitt).
{
"text": "Hallo und willkommen. Heute sprechen wir über künstliche Intelligenz."
}
Bei mehr als 60.000 Zeichen wird die HTTP-Anfrage abgelehnt. Für längere Texte empfiehlt xAI WebSocket, das keine Gesamtlimit hat (Lektionen 9 bis 12), oder das Aufteilen des Textes in Segmente, deren Audio Sie anschließend zusammenfügen. Schneiden Sie an natürlichen Grenzen (Enden von Sätzen, Enden von Absätzen) für ein flüssiges Ergebnis.
Der Parameter voice_id
Dieser Parameter legt die für die Synthese verwendete Stimme fest. Er ist optional und standardmäßig auf eve gesetzt. Die IDs sind nicht fallensensitiv: Eve, EVE und eve sind äquivalent.
xAI bietet 28 integrierte Stimmen an (Stand 3. November 2026), dieselben wie für den Voice-Agenten, sowie benutzerdefinierte Stimmen, die mit der Custom Voices API erstellt wurden. Die fünf ursprünglichen Stimmen, wie xAI sie beschreibt:
- eve: energisch und aufgeweckt, britischer Akzent
- ara: warm und freundlich
- rex: selbstbewusst und klar
- sal: sanft und ausgewogen
- leo: autoritär und kraftvoll, britischer Akzent
Die anderen 23 (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora und liora) werden mit ihren Anwendungsfällen auf der xAI-Seite Text to Speech beschrieben; GET /v1/tts/voices gibt die aktuelle Liste zurück (Lektion 3).
{
"text": "Willkommen in diesem Tutorial.",
"voice_id": "rex",
"language": "en"
}
Laut xAI spricht jede Stimme jede unterstützte Sprache. Ihre Wahl der Stimme beeinflusst den Preis nicht, der sich nach der Anzahl der Zeichen richtet.
Der Parameter language
Dieser Parameter ist erforderlich. Er akzeptiert einen BCP-47-Code oder den speziellen Wert auto für die automatische Spracherkennung.
Die 20 unterstützten Sprachen sind:
| Code | Sprache | Code | Sprache |
|---|---|---|---|
en | Englisch | ko | Koreanisch |
fr | Französisch | hi | Hindi |
de | Deutsch | bn | Bengali |
es-ES | Spanisch (Spanien) | ar-EG | Arabisch (Ägypten) |
es-MX | Spanisch (Mexiko) | ar-SA | Arabisch (Saudi-Arabien) |
pt-BR | Portugiesisch (Brasilien) | ar-AE | Arabisch (VAE) |
pt-PT | Portugiesisch (Portugal) | tr | Türkisch |
it | Italienisch | id | Indonesisch |
ru | Russisch | vi | Vietnamesisch |
zh | Chinesisch | ja | Japanisch |
Die automatische Erkennung (auto) funktioniert gut für Texte in einer einzigen Sprache, aber für Texte, die mehrere Sprachen mischen, sollten Sie die Hauptsprache explizit angeben.
Der Parameter output_format
Dieser optionale Parameter ist ein JSON-Objekt, das das Audio-Ausgabeformat steuert. Er verfügt über drei Unterparameter.
codec
Der Codec legt das Kodierungsformat fest:
mp3(Standard): ein komprimiertes Format, ideal für das Web und Streamingwav: ein verlustfreies Format, bessere Qualität, aber größere Dateienpcm: rohes Audio ohne Header, für Verarbeitungspipelinesmulaw/ulaw: der G.711 mu-law-Codec für Telefondienstealaw: der G.711 A-law-Codec für Telefondienste
sample_rate
Die Abtastfrequenz in Hertz. Akzeptierte Werte: 8000, 16000, 22050, 24000 (Standard), 44100, 48000.
bit_rate
Die Bitrate in Bits pro Sekunde, nur für den MP3-Codec. Akzeptierte Werte: 32000, 64000, 96000, 128000 (Standard), 192000.
{
"text": "Hochwertiges Audio für die Produktion.",
"voice_id": "ara",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 48000
}
}
Der Parameter speed
speed legt die Wiedergabegeschwindigkeit fest: 1.0 ist die normale Geschwindigkeit (Standard), und der Bereich reicht von 0,7 bis 1,5. Ein etwas langsamerer Takt hilft bei dichtem Lehrstoff; oberhalb von 1,2 sollten Sie das Ergebnis immer erneut anhören.
Empfohlene Kombinationen
| Anwendungsfall | codec | sample_rate | bit_rate |
|---|---|---|---|
| Web / Streaming | mp3 | 24000 | 128000 |
| Audio-Produktion | wav | 48000 | — |
| VoIP-Telefondienste | mulaw | 8000 | — |
| ML-Pipeline | pcm | 16000 | — |
Wichtige Erkenntnisse
textundlanguagesind die einzigen erforderlichen Parametervoice_idist optional (Standard:eve) und nicht fallensensitivoutput_formatsteuert den Codec, die Abtastfrequenz und die Bitrate;speedlegt die Geschwindigkeit fest (0,7 bis 1,5)- MP3 bei 24 kHz / 128 kbps ist eine gute Standardauswahl zwischen Qualität und Größe
- Für Telefondienste verwenden Sie
mulawoderalawbei 8 kHz