Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Audio-Antwort und Preisgestaltung

Lektion 4 von 14 Aktualisiert am 3. November 2026 Entwickler
Auf dieser Seite
  1. Antwortverarbeitung und Kostenkontrolle
  2. Anatomie der HTTP-Antwort
  3. Zuordnung von Codec zu Content-Type
  4. Preisgestaltung im Detail
  5. Schätzung der Audio-Länge
  6. Kernaussagen

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/mpeg für MP3, audio/wav für WAV, audio/pcm für 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 CodecEmpfangener Content-TypeDateierweiterung
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/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

VolumenZeichenGeschätzte Kosten
1 Satz~1000,0015 USD
1 Absatz~5000,0075 USD
1 gedruckte Seite~2.0000,03 USD
1 Blogbeitrag~5.0000,075 USD
1 Buch (200 Seiten)~400.0006 USD
1 Million Zeichen1.000.00015 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