Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Απόκριση ήχου και τιμολόγηση

Μάθημα 4 / 14 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Διαχείριση της απόκρισης και έλεγχος του κόστους
  2. Δομή της απόκρισης HTTP
  3. Αντιστοίχιση Codec σε Content-Type
  4. Λεπτομέρειες τιμολόγησης
  5. Εκτίμηση διάρκειας ήχου
  6. Βασικά σημεία

Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση τις σελίδες Pricing, Rate limits και Text to Speech της xAI. Πηγές: Pricing · Rate limits · Text to Speech.

Διαχείριση της απόκρισης και έλεγχος του κόστους

Όταν το API TTS εκτελείται με επιτυχία, επιστρέφει μια ροή byte ήχου απευθείας στο σώμα της HTTP. Η γνώση του τρόπου διαχείρισης αυτής της απόκρισης και η πρόβλεψη του κόστους είναι απαραίτητες για τη λειτουργία του TTS σε περιβάλλον παραγωγής.

Δομή της απόκρισης HTTP

Η απόκριση έχει κωδικό κατάστασης 200 και το σώμα της περιέχει αποκλειστικά byte ήχου. Δεν υπάρχει φάκελος JSON. Οι σημαντικές κεφαλίδες HTTP είναι:

  • Content-Type: η μορφή ήχου (audio/mpeg για MP3, audio/wav για WAV, audio/pcm για PCM)
  • Content-Length: το μέγεθος του αρχείου ήχου σε byte
response = requests.post("https://api.x.ai/v1/tts", ...)

# Check for success
if response.status_code == 200:
    content_type = response.headers["Content-Type"]
    audio_size = len(response.content)
    print(f"Format: {content_type}, Size: {audio_size} bytes")

Εγγραφή σε αρχείο

Η απλούστερη προσέγγιση είναι η άμεση εγγραφή της απόκρισης σε ένα αρχείο:

with open("output.mp3", "wb") as f:
    f.write(response.content)

Ροή της απόκρισης

Για μεγάλα αρχεία, μεταδίδετε την απόκριση ως ροή (stream) ώστε να μην φορτώνετε όλο τον ήχο στη μνήμη:

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)

Άμεση αναπαραγωγή στον browser

Σε JavaScript πλευράς πελάτη (αφού αναμεταδώσετε τον ήχο μέσω του backend σας), μπορείτε να δημιουργήσετε ένα στοιχείο ήχου δυναμικά:

const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();

Θυμηθείτε να απελευθερώσετε το URL του Blob μετά την αναπαραγωγή για να αποφύγετε διαρροές μνήμης (το μάθημα παραγωγής καλύπτει αυτό το θέμα αναλυτικά).

Αντιστοίχιση Codec σε Content-Type

Ζητούμενο codecΛηφθέν Content-TypeΕπέκταση αρχείου
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/alaw.al

Λεπτομέρειες τιμολόγησης

Το TTS κοστίζει 15 $ ανά εκατομμύριο χαρακτήρες (τιμολόγηση xAI στις 3 Νοεμβρίου 2026). Χρεώνεστε για το περιεχόμενο του πεδίου text καθώς το στέλνετε, συμπεριλαμβανομένων των εκφραστικών ετικετών.

Εκτιμήσεις κόστους

ΌγκοςΧαρακτήρεςΕκτιμώμενο κόστος
1 πρόταση~1000,0015 $
1 παράγραφος~5000,0075 $
1 εκτυπωμένη σελίδα~2.0000,03 $
1 ανάρτηση blog~5.0000,075 $
1 βιβλίο (200 σελίδες)~400.0006 $
1 εκατομμύριο χαρακτήρες1.000.00015 $

Ετικέτες και χρέωση

Οι εκφραστικές ετικέτες όπως [pause], <whisper> και <loud> μετρούν στον συνολικό αριθμό χαρακτήρων. Ένα κείμενο 1.000 χαρακτήρων με 50 χαρακτήρες ετικετών χρεώνεται ως 1.050 χαρακτήρες. Αυτό συνήθως αποτελεί λιγότερο από το 5% του συνολικού κειμένου.

Όρια ταυτόχρονης εκτέλεσης

Σύμφωνα με τη σελίδα Rate limits της xAI, το TTS δέχεται 50 αιτήματα ανά δευτερόλεπτο και 100 ταυτόχρονες συνεδρίες στο βασικό επίπεδο (entry tier), όρια που αυξάνονται ανάλογα με το επίπεδο της ομάδας σας (έως 500 και 500). Η σελίδα Text to Speech αναφέρει επίσης 50 ταυτόχρονες συνεδρίες WebSocket ανά ομάδα. Πέρα από αυτά τα όρια, το API επιστρέφει σφάλμα 429: για μεγάλους όγκους, αραιώστε τα αιτήματά σας ή χρησιμοποιήστε μια ουρά.

Εκτίμηση διάρκειας ήχου

Η διάρκεια του παραγόμενου ήχου εξαρτάται από το κείμενο, τη φωνή και τη ρύθμιση speed. Κατά προσέγγιση, ο ομιλούμενος λόγος κινείται γύρω στις 150 λέξεις ανά λεπτό, ή περίπου 850 χαρακτήρες ανά λεπτό στα Αγγλικά: μετρήστε το με τη φωνή που επιλέγετε πριν δεσμευτείτε για συγκεκριμένη διάρκεια. Για ακριβή τιμή, το with_timestamps επιστρέφει τη διάρκεια του ήχου (duration) μαζί με τις χρονοσημάνσεις.

Με αυτόν τον ρυθμό, ένα κείμενο 60.000 χαρακτήρων, που είναι το όριο για ένα αίτημα, παράγει λίγο περισσότερο από μία ώρα ήχου.

Βασικά σημεία

  • Η απόκριση TTS είναι μια δυαδική ροή, όχι JSON
  • Το Content-Type σας ενημερώνει για τη μορφή ήχου που λάβατε
  • Κάντε ροή (stream) στα μεγάλα αρχεία
  • Κοστίζει 15 $ ανά εκατομμύριο χαρακτήρες, συμπεριλαμβανομένων των ετικετών
  • Στο βασικό επίπεδο: 50 αιτήματα ανά δευτερόλεπτο και 100 ταυτόχρονες συνεδρίες
  • Ένα αίτημα 60.000 χαρακτήρων παράγει περίπου μία ώρα ήχου