Audio-Antwort und Preisgestaltung
Auf dieser Seite
Aktualisiert am 3. November 2026, basierend auf den xAI-Seiten Pricing, Rate limits und Text to Speech. Quellen: Pricing · Rate limits · Text to Speech.
Antwortverarbeitung und Kostenkontrolle
Wenn die TTS-API erfolgreich ist, gibt sie einen Stream von Audio-Bytes direkt im HTTP-Body zurück. Das Wissen darüber, wie man diese Antwort verarbeitet und die Kosten antizipiert, ist für den produktiven Einsatz von TTS unerlässlich.
Anatomie der HTTP-Antwort
Die Antwort hat den Status 200, und der Body enthält ausschließlich Audio-Bytes. Es gibt keine JSON-Umschließung. Die wichtigen HTTP-Header sind:
Content-Type: das Audio-Format (audio/mpegfür MP3,audio/wavfür WAV,audio/pcmfür PCM)Content-Length: die Größe der Audio-Datei in Bytes
response = requests.post("https://api.x.ai/v1/tts", ...)
# Erfolg prüfen
if response.status_code == 200:
content_type = response.headers["Content-Type"]
audio_size = len(response.content)
print(f"Format: {content_type}, Größe: {audio_size} Bytes")
Schreiben in eine Datei
Der einfachste Ansatz besteht darin, die Antwort direkt in eine Datei zu schreiben:
with open("output.mp3", "wb") as f:
f.write(response.content)
Streamen der Antwort
Bei großen Dateien sollten Sie die Antwort streamen, um nicht das gesamte Audio in den Arbeitsspeicher zu laden:
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {api_key}"},
json={"text": long_text, "voice_id": "eve", "language": "en"},
stream=True
)
with open("output.mp3", "wb") as f:
for chunk in response.iter_content(chunk_size=8192):
f.write(chunk)
Direktes Abspielen im Browser
In clientseitigem JavaScript (nach Weiterleitung des Audios über Ihren Backend-Server) können Sie ein Audio-Element dynamisch erstellen:
const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();
Vergessen Sie nicht, die Blob-URL nach dem Abspielen freizugeben, um Speicherlecks zu vermeiden (dies wird in der Produktionslektion im Detail behandelt).
Zuordnung von Codec zu Content-Type
| Geforderter Codec | Empfangener Content-Type | Dateierweiterung |
|---|---|---|
mp3 | audio/mpeg | .mp3 |
wav | audio/wav | .wav |
pcm | audio/pcm | .pcm |
mulaw | audio/basic | .ul |
alaw | audio/alaw | .al |
Preisgestaltung im Detail
TTS kostet 15 USD pro Million Zeichen (xAI-Preisgestaltung zum 3. November 2026). Sie werden für den Inhalt des text-Felds berechnet, wie Sie es senden, einschließlich ausdrucksstarker Tags.
Kostenschätzungen
| Volumen | Zeichen | Geschätzte Kosten |
|---|---|---|
| 1 Satz | ~100 | 0,0015 USD |
| 1 Absatz | ~500 | 0,0075 USD |
| 1 gedruckte Seite | ~2.000 | 0,03 USD |
| 1 Blogbeitrag | ~5.000 | 0,075 USD |
| 1 Buch (200 Seiten) | ~400.000 | 6 USD |
| 1 Million Zeichen | 1.000.000 | 15 USD |
Tags und Abrechnung
Ausdrucksstarke Tags wie [pause], <whisper> und <loud> werden in die Zeichenanzahl einbezogen. Ein 1.000-Zeichen-Text mit 50 Zeichen an Tags wird als 1.050 Zeichen abgerechnet. Das ist in der Regel weniger als 5 % des Gesamttextes.
Konkurranzgrenzen
Laut der xAI-Seite Rate limits akzeptiert TTS 50 Anfragen pro Sekunde und 100 gleichzeitige Sitzungen auf der Einstiegsstufe, Grenzen, die mit dem Team-Tier wachsen (bis zu 500 und 500). Die Seite Text to Speech erwähnt zudem 50 gleichzeitige WebSocket-Sitzungen pro Team. Darüber hinaus gibt die API einen 429-Fehler zurück: Bei großen Volumina sollten Sie Ihre Anfragen zeitlich verteilen oder eine Warteschlange verwenden.
Schätzung der Audio-Länge
Die Länge des generierten Audios hängt vom Text, der Stimme und der speed-Einstellung ab. Als Faustregel läuft Sprechertext mit etwa 150 Wörtern pro Minute, oder ungefähr 850 Zeichen pro Minute im Englischen: Messen Sie es mit Ihrer eigenen Stimme, bevor Sie eine Dauer zusagen. Für eine genaue Zahl gibt with_timestamps die Audio-Dauer (duration) zusammen mit den Zeitstempeln zurück.
Bei diesem Tempo erzeugt ein 60.000-Zeichen-Text, die Grenze für eine Anfrage, etwas mehr als eine Stunde Audio.
Kernaussagen
- Die TTS-Antwort ist ein binärer Stream, kein JSON
- Der Content-Type sagt Ihnen, welches Audio-Format Sie erhalten haben
- Streamen Sie große Dateien
- Es kostet 15 USD pro Million Zeichen, Tags eingeschlossen
- Auf der Einstiegsstufe: 50 Anfragen pro Sekunde und 100 gleichzeitige Sitzungen
- Eine Anfrage mit 60.000 Zeichen erzeugt ungefähr eine Stunde Audio