Παράμετροι αιτήματος TTS
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση τη σελίδα Text to Speech της xAI και την αναφορά Voice API. Πηγές: Text to Speech · Voice API.
Βελτιστοποιήστε τη σύνθεση ομιλίας σας
Το σημείο τελικού POST /v1/tts περιστρέφεται γύρω από τέσσερις κύριες παραμέτρους στο σώμα του αιτήματος JSON, συν μερικές προαιρετικές ρυθμίσεις. Κάθε μία σας προσφέρει ακριβή έλεγχο over του παραγόμενου ήχου και η κατανόησή τους σας επιτρέπει να προσαρμόσετε τη σύνθεση στη δική σας περίπτωση χρήσης.
Η παράμετρος text
Μαζί με το language, το text είναι η μοναδική υποχρεωτική παράμετρος. Δέχεται μια συμβολοσειρά έως 60.000 χαρακτήρες, η οποία μπορεί να περιέχει απλό κείμενο ή εκφραστικές ετικέτες (καλύπτονται στην επόμενη ενότητα).
{
"text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}
Πέραν των 60.000 χαρακτήρων, το αίτημα HTTP απορρίπτεται. Για μεγαλύτερα κείμενα, η xAI προτείνει το WebSocket, το οποίο δεν έχει όριο συνολικού μήκους (μαθήματα 9 έως 12), ή τον διαχωρισμό του κειμένου σε τμήματα των οποίων τον ήχο θα συγχωνεύσετε. Κάντε τον διαχωρισμό σε φυσικά όρια (τέλη προτάσεων, τέλη παραγράφων) για ομαλό αποτέλεσμα.
Η παράμετρος voice_id
Αυτή η παράμετρος ορίζει τη φωνή που χρησιμοποιείται για τη σύνθεση. Είναι προαιρετική και έχει προεπιλογή το eve. Τα αναγνωριστικά δεν κάνουν διάκριση πεζών-κεφαλαίων: τα Eve, EVE και eve είναι ισοδύναμα.
Η xAI προσφέρει 28 ενσωματωμένες φωνές (στις 3 Νοεμβρίου 2026), τις ίδιες με τον πράκτορα φωνής, συν προσαρμοσμένες φωνές που δημιουργούνται με το Custom Voices API. Οι πέντε αρχικές φωνές, όπως τις περιγράφει η xAI:
- eve: ενεργητική και αισιόδοξη, βρετανική προφορά
- ara: ζεστή και φιλική
- rex: σίγουρη και καθαρή
- sal: λεία και ισορροπημένη
- leo: επιβλητική και δυναμική, βρετανική προφορά
Οι άλλες 23 (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora, και liora) περιγράφονται, μαζί με τις περιπτώσεις χρήσης τους, στη σελίδα Text to Speech της xAI· το GET /v1/tts/voices επιστρέφει την τρέχουσα λίστα (μάθημα 3).
{
"text": "Welcome to this tutorial.",
"voice_id": "rex",
"language": "en"
}
Σύμφωνα με την xAI, κάθε φωνή μιλάει όλες τις υποστηριζόμενες γλώσσες. Η επιλογή φωνής δεν επηρεάζει την τιμή, η οποία βασίζεται στον αριθμό των χαρακτήρων.
Η παράμετρος language
Αυτή η παράμετρος είναι υποχρεωτική. Δέχεται έναν κωδικό BCP-47 ή την ειδική τιμή auto για αυτόματη ανίχνευση γλώσσας.
Οι 20 υποστηριζόμενες γλώσσες είναι:
| Κωδικός | Γλώσσα | Κωδικός | Γλώσσα |
|---|---|---|---|
en | Αγγλικά | ko | Κορεατικά |
fr | Γαλλικά | hi | Χίντι |
de | Γερμανικά | bn | Μπενγκάλι |
es-ES | Ισπανικά (Ισπανία) | ar-EG | Αραβικά (Αίγυπτος) |
es-MX | Ισπανικά (Μεξικό) | ar-SA | Αραβικά (Σαουδική Αραβία) |
pt-BR | Πορτογαλικά (Βραζιλία) | ar-AE | Αραβικά (ΗΑΕ) |
pt-PT | Πορτογαλικά (Πορτογαλία) | tr | Τουρκικά |
it | Ιταλικά | id | Ινδονησιακά |
ru | Ρωσικά | vi | Βιετναμέζικα |
zh | Κινεζικά | ja | Ιαπωνικά |
Η αυτόματη ανίχνευση (auto) λειτουργεί καλά για κείμενα μίας γλώσσας, αλλά για κείμενα που αναμειγνύουν πολλές γλώσσες, δηλώστε ρητά την κύρια γλώσσα.
Η παράμετρος output_format
Αυτή η προαιρετική παράμετρος είναι ένα αντικείμενο JSON που ελέγχει τη μορφή εξόδου ήχου. Διαθέτει τρεις υπο-παραμέτρους.
codec
Το codec ορίζει τη μορφή κωδικοποίησης:
mp3(προεπιλογή): συμπιεσμένη μορφή, ιδανική για ιστό και ροή δεδομένωνwav: μορφή χωρίς απώλειες, καλύτερη ποιότητα αλλά μεγαλύτερα αρχείαpcm: raw ήχος χωρίς κεφαλίδα, για αγωγούς επεξεργασίαςmulaw/ulaw: το codec G.711 mu-law για τηλεφωνίαalaw: το codec G.711 A-law για τηλεφωνία
sample_rate
Ο ρυθμός δειγματοληψίας σε hertz. Αποδεκτές τιμές: 8000, 16000, 22050, 24000 (προεπιλογή), 44100, 48000.
bit_rate
Ο ρυθμός bit σε bits ανά δευτερόλεπτο, μόνο για το codec MP3. Αποδεκτές τιμές: 32000, 64000, 96000, 128000 (προεπιλογή), 192000.
{
"text": "High-quality audio for production.",
"voice_id": "ara",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 48000
}
}
Η παράμετρος speed
Το speed ορίζει την ταχύτητα αναπαραγωγής: το 1.0 είναι η κανονική ταχύτητα (η προεπιλογή) και το εύρος κυμαίνεται από 0.7 έως 1.5. Ένας ελαφρώς πιο αργός ρυθμός βοηθά σε πυκνό εκπαιδευτικό περιεχόμενο· πάνω από 1.2, ακούστε πάντα ξανά το αποτέλεσμα.
Συνιστώμενοι συνδυασμοί
| Περίπτωση χρήσης | codec | sample_rate | bit_rate |
|---|---|---|---|
| Ιστός / ροή δεδομένων | mp3 | 24000 | 128000 |
| Παραγωγή ήχου | wav | 48000 | — |
| Τηλεφωνία VoIP | mulaw | 8000 | — |
| Αγωγός ML | pcm | 16000 | — |
Βασικά σημεία
- Τα
textκαιlanguageείναι οι μοναδικές υποχρεωτικές παράμετροι - Το
voice_idείναι προαιρετικό (προεπιλογή:eve) και δεν κάνει διάκριση πεζών-κεφαλαίων - Το
output_formatελέγχει το codec, τον ρυθμό δειγματοληψίας και τον ρυθμό bit· τοspeedορίζει την ταχύτητα (0.7 έως 1.5) - Το MP3 στα 24 kHz / 128 kbps αποτελεί μια καλή προεπιλεγμένη ισορροπία μεταξύ ποιότητας και μεγέθους
- Για τηλεφωνία, χρησιμοποιήστε
mulawήalawστα 8 kHz