Το σημείο πρόσβασης POST /v1/tts
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση τη σελίδα Text to Speech της xAI, την αναφορά API Voice και τη σελίδα Pricing. Πηγές: Text to Speech · Voice API · Pricing.
Μετατροπή κειμένου σε ήχο με το Grok API
Το API Text-to-Speech της xAI μετατρέπει οποιοδήποτε κείμενο σε φυσικό ήχο με μία μόνο κλήση HTTP. Το κύριο σημείο εισόδου είναι το POST /v1/tts, το οποίο δέχεται το κείμενό σας και επιστρέφει απευθείας ένα δυαδικό αρχείο ήχου.
Δομή αιτήματος
Στέλνετε ένα POST στο https://api.x.ai/v1/tts με σώμα JSON. Ακολουθεί ένα ελάχιστο παράδειγμα με curl:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"text": "Hello, and welcome to Corsen Academy.",
"voice_id": "eve",
"language": "en"
}' \
--output audio.mp3
Ο διακομιστής αποκρίνεται με το δυαδικό αρχείο ήχου απευθείας στο σώμα της απόκρισης. Δεν υπάρχει κανένας φάκελος JSON γύρω από αυτό: λαμβάνετε τα ακατέργαστα bytes του αρχείου ήχου.
Πιστοποίηση
Όπως με κάθε σημείο πρόσβασης API της xAI, συμπεριλάβετε το κλειδί API σας στην κεφαλίδα Authorization σε μορφή Bearer:
Authorization: Bearer xai-your-api-key
Σώμα αιτήματος
Το σώμα JSON περιστρέφεται γύρω από τέσσερις κύριες παραμέτρους:
text(απαιτείται): το κείμενο προς μετατροπή, έως 60.000 χαρακτήρες. Υποστηρίζει τις εκφραστικές ετικέτες που θα μάθετε στα επόμενα μαθήματαvoice_id(προαιρετικό): το αναγνωριστικό φωνής. Η προεπιλογή είναιeve. Οι τιμές δεν κάνουν διάκριση μεταξύ πεζών και κεφαλαίωνlanguage(απαιτείται): ο κωδικός γλώσσας σε μορφή BCP-47 (en,fr,de, …) ήautoγια αυτόματη ανίχνευσηoutput_format(προαιρετικό): ένα αντικείμενο που διαμορφώνει τον κωδικοποιητή, τη συχνότητα δειγματοληψίας και τον ρυθμό bit
Άλλες ρυθμίσεις, όλες προαιρετικές, ολοκληρώνουν το αίτημα: speed (ταχύτητα αναπαραγωγής, από 0,7 έως 1,5, με προεπιλογή 1,0), replace (ένας πίνακας αντικαταστάσεων που διορθώνει την προφορά μιας λέξης χωρίς να αλλάζει το κείμενο που στέλνετε), with_timestamps (χρονικές σφραγίδες ανά χαρακτήρα), text_normalization (εκφώνηση αριθμών, συντομογραφιών και συμβόλων πριν από τη σύνθεση) και optimize_streaming_latency ("1" για μείωση της αναμονής πριν από το πρώτο κομμάτι ήχου, με κόστος μια ελαφριά απώλεια ποιότητας στις ενώσεις).
Η απόκριση HTTP
Σε περίπτωση επιτυχίας (κατάσταση 200), ο διακομιστής επιστρέφει το αρχείο ήχου με τον τύπο περιεχομένου που αντιστοιχεί στην αιτούμενη μορφή:
audio/mpegγια MP3 (προεπιλογή)audio/wavγια WAVaudio/pcmγια ακατέργαστο PCMaudio/basicγια G.711 μ-law (mulaw)audio/alawγια G.711 A-law (alaw)
Η απόκριση δεν περιέχει μεταδεδομένα, μόνο bytes ήχου. Η μόνη εξαίρεση είναι το with_timestamps: τότε η απόκριση γίνεται ένα αντικείμενο JSON που περιέχει τον ήχο σε base64, τη διάρκειά του και τη χρονική σφραγίδα κάθε χαρακτήρα. Μπορείτε να γράψετε την απόκριση απευθείας σε ένα αρχείο ή να τη μεταδώσετε ροής σε ένα πρόγραμμα αναπαραγωγής ήχου.
Παράδειγμα Python
import requests
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {api_key}"},
json={
"text": "Here's an example of speech synthesis.",
"voice_id": "rex",
"language": "en"
}
)
with open("output.mp3", "wb") as f:
f.write(response.content)
Παράδειγμα JavaScript (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: "Here's an example of speech synthesis.",
voice_id: "rex",
language: "en"
})
});
const buffer = await response.arrayBuffer();
fs.writeFileSync("output.mp3", Buffer.from(buffer));
Τιμολόγηση
Το TTS κοστίζει 15 $ ανά εκατομμύριο χαρακτήρες (τιμολόγηση xAI στις 3 Νοεμβρίου 2026). Χρεώνεστε για τους χαρακτήρες που στέλνετε στο text, συμπεριλαμβανομένων των εκφραστικών ετικετών· ένας πίνακας replace δεν αλλάζει αυτόν τον αριθμό. Με μέσο όρο 1.000 χαρακτήρες ανά αίτημα, αυτό ανέρχεται σε περίπου 0,015 $ ανά κλήση.
Βασικά σημεία
- Το σημείο πρόσβασης
POST /v1/ttsείναι η κύρια είσοδος για τη σύνθεση ομιλίας - Η απόκριση είναι ένα δυαδικό αρχείο ήχου, όχι JSON
- Το κείμενο περιορίζεται σε 60.000 χαρακτήρες ανά αίτημα HTTP· το WebSocket δεν έχει συνολικό όριο
- Πιστοποιείστε τον εαυτό σας με την κεφαλίδα
Authorization: Bearer - Κοστίζει 15 $ ανά εκατομμύριο χαρακτήρες