Text-to-Speech API einrichten
Auf dieser Seite
Aktualisiert am 3. November 2026, basierend auf den xAI-Seiten Text to Speech und Pricing. Quellen: Text to Speech · Pricing.
Text ein, Audio aus
Die Grok Text-to-Speech API erfüllt eine einzige Aufgabe und tut dies hervorragend: Sie wandelt Text in hochwertige Audioinhalte um. Während der Voice Agent ein Dialog mit Wechseln und Unterbrechungen steuert, arbeitet die Text-to-Speech (TTS) strikt in einer Richtung: Sie senden Text und erhalten Audio zurück. Diese Einfachheit macht sie zum Mittel der Wahl, wenn niemand auf die Maschine antwortet: gesprochene Artikel, Telefonansagen, Voice-Over für E-Learning-Module oder Audio-Benachrichtigungen.
HTTP oder WebSocket: zwei Wege zur Nutzung des Dienstes
Der HTTP-Modus ist der direkteste. Sie senden eine POST-Anfrage mit Ihrem Text, und die Antwort enthält die vollständige Audio-Datei, standardmäßig im MP3-Format:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-o output.mp3 \
-d '{
"text": "Hallo und willkommen zur Corsen Academy.",
"voice_id": "ara",
"language": "en"
}'
Beachten Sie das -o output.mp3: Der Antwortkörper ist rohes Audio, kein JSON, das einen Link umschließt. Dieser Modus eignet sich perfekt für Hintergrundgenerierungen, wie beispielsweise eine nächtliche Batch-Verarbeitung, die Audio-Versionen Ihrer Artikel erstellt, da niemand vor einem Bildschirm wartet.
Der WebSocket-Modus erfüllt einen anderen Bedarf: Sie hören den Ton, bevor der gesamte Text synthetisiert wurde. Sie öffnen eine Verbindung und übergeben die Parameter in der URL:
wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3
Sie senden den Text dann in Stücken mit text.delta, signalisieren das Ende mit text.done, und das Audio kommt als base64-Blöcke über audio.delta zurück. Streaming hebt die Längenbeschränkung des HTTP-Modus auf und ermöglicht vor allem die Synthese „auf dem Laufenden”, was essenziell ist, wenn der Text selbst noch von einem Modell generiert wird.
Parameter der HTTP-Anfrage
| Parameter | Typ | Erforderlich | Beschreibung |
|---|---|---|---|
text | string | Ja | Der zu konvertierende Text, bis zu 60.000 Zeichen |
voice_id | string | Nein | Die zu verwendende Stimme (Standard: eve) |
language | string | Ja | BCP-47-Code (en, fr, de, …) oder auto |
output_format | object | Nein | Codec, Abtastfrequenz und Bitrate |
speed | number | Nein | Wiedergabegeschwindigkeit, von 0,7 bis 1,5 (Standard: 1,0) |
Zwei Punkte verdienen Aufmerksamkeit. language ist erforderlich, was oft überrascht: Der Dienst errät die Sprache Ihres Textes nicht, es sei denn, Sie bitten ihn explizit darum, dies mit dem Wert auto zu tun. Und voice_id verwendet exakt dieselben Stimmen wie der Voice Agent (28 eingebaute Stimmen zum Zeitpunkt des 3. November 2026, einschließlich eve, ara, rex, sal und leo, plus Ihre benutzerdefinierten Stimmen), und er ignoriert die Groß-/Kleinschreibung. Dieselbe Stimmen-Persona kann daher sowohl Ihren konversationellen Agenten als auch Ihre aufgezeichneten Inhalte antreiben, was sich für die Markenkonstanz auszahlen kann.
Ausgabeformat wählen
Das Feld output_format steuert Codec und Qualität:
{
"text": "Text zum Konvertieren.",
"voice_id": "rex",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 44100
}
}
Wählen Sie den Codec basierend darauf, was mit der Datei weiter passiert. mp3 eignet sich für den allgemeinen Gebrauch: gut komprimiert und überall abspielbar, es ist der vernünftige Standard für eine Website oder einen Podcast. wav ist verlustfrei, daher schwerer, aber es ist das, was Sie benötigen, wenn ein Editor die Spur neu bearbeiten wird. pcm liefert rohes Audio, für Verarbeitungspipelines, die keinen Container benötigen. Schließlich sind mulaw und alaw die G.711-Telefonie-Codecs, für Telekommunikationssysteme, die diese erfordern.
Abtastfrequenzen reichen von 8.000 bis 48.000 Hz, mit einem Standard von 24.000 Hz, was den Großteil der Anwendungen abdeckt. Für MP3 reicht die Bitrate von 32.000 bis 192.000 bps, mit einem Standard von 128.000. Ein Anstieg auf 192.000 für gesprochene Stimme fügt der Hörerfahrung fast nichts hinzu und macht Ihre Dateien ein Drittel größer: Sparen Sie diesen Puffer für Inhalte, die Musik und Stimme mischen.
Voice-Katalog abfragen
Die API stellt zwei schreibgeschützte Endpunkte bereit, die die Generierung ergänzen. GET /v1/tts/voices gibt alle verfügbaren Stimmen mit ihren Metadaten zurück, und GET /v1/tts/voices/{voice_id} gibt dieselben Felder (voice_id, name, language) für eine einzelne Stimme zurück; Ton und Anwendungsfälle jeder Stimme werden auf der xAI-Seite Text to Speech beschrieben. Anstatt Stimmen-Namen in Ihrer Schnittstelle fest zu codieren, füllen Sie Ihren Stimmen-Auswahlmenü aus diesen Endpunkten, und Ihre Anwendung bleibt korrekt, auch wenn sich der Katalog ändert.
Kernaussagen
- TTS wandelt Text über HTTP (einfach) oder WebSocket (Streaming) in Audio um
- Es kostet $15 pro Million Zeichen, mit einem Maximum von 60.000 Zeichen pro HTTP-Anfrage
- 28 eingebaute Stimmen, fünf Codecs und sechs Abtastfrequenzen bieten Ihnen viel Flexibilität
- Der WebSocket-Modus hat keine Begrenzung der Gesamttextlänge (jeder Delta ist auf 60.000 Zeichen begrenzt)
- Ein BCP-47-Code ist erforderlich, um die Sprache anzugeben (oder
autofür automatische Erkennung)