Ξεκινήστε με το API Μετατροπής Κειμένου σε Ομιλία
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση τις σελίδες Text to Speech και Pricing της xAI. Πηγές: Text to Speech · Pricing.
Κείμενο μέσα, ήχος έξω
Το API Μετατροπής Κειμένου σε Ομιλία (Text-to-Speech) του Grok κάνει ένα πράγμα και το κάνει καλά: μετατρέπει κείμενο σε ήχο υψηλής ποιότητας. Ενώ ο Πράκτορας Φωνής (Voice Agent) διαχειρίζεται έναν διάλογο με εναλλαγή ρόλων και διακοπές, το TTS λειτουργεί αυστηρά μονόδρομα: εσείς στέλνετε κείμενο και λαμβάνετε ήχο πίσω. Αυτή η απλότητα το καθιστά την ιδανική επιλογή κάθε φορά που κανείς δεν απαντά στη μηχανή: αφηγήματα άρθρων, μηνύματα καλωσορίσματος σε τηλεφωνικά κέντρα, voice-over για εκπαιδευτικές ενότητες και ηχητικές ειδοποιήσεις.
HTTP ή WebSocket: δύο τρόποι κλήσης της υπηρεσίας
Η λειτουργία HTTP είναι η πιο άμεση. Στέλνετε ένα αίτημα POST με το κείμενό σας και η απόκριση περιέχει το πλήρες αρχείο ήχου, σε MP3 από προεπιλογή:
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": "Hello and welcome to Corsen Academy.",
"voice_id": "ara",
"language": "en"
}'
Σημειώστε το -o output.mp3: το σώμα της απόκρισης είναι ωμός ήχος, όχι JSON που περιβάλλει έναν σύνδεσμο. Αυτή η λειτουργία είναι ιδανική για παραγωγή στο παρασκήνιο, όπως μια νυχτερινή δέσμη εργασιών (batch) που παράγει ηχητικές εκδόσεις των άρθρων σας, καθώς κανείς δεν περιμένει μπροστά από μια οθόνη.
Η λειτουργία WebSocket καλύπτει μια διαφορετική ανάγκη: την ακρόαση του ήχου πριν συντεθεί ολόκληρο το κείμενο. Ανοίγετε μια σύνδεση και περνάτε τις παραμέτρους στο URL:
wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3
Στη συνέχεια, στέλνετε το κείμενο τμηματικά με το text.delta, σηματοδοτείτε το τέλος με το text.done και ο ήχος επιστρέφει ως κομμάτια base64 στο audio.delta. Η ροή δεδομένων (streaming) καταργεί το όριο μήκους της λειτουργίας HTTP και, κυρίως, σας επιτρέπει να συνθέτετε εν κινήσει, κάτι που είναι απαραίτητο όταν το ίδιο το κείμενο παράγεται ακόμη από ένα μοντέλο.
Παράμετροι αιτήματος HTTP
| Παράμετρος | Τύπος | Απαιτείται | Περιγραφή |
|---|---|---|---|
text | string | Ναι | Το κείμενο προς μετατροπή, έως 60.000 χαρακτήρες |
voice_id | string | Όχι | Η φωνή προς χρήση (προεπιλογή: eve) |
language | string | Ναι | Κώδικας BCP-47 (en, fr, de, …) ή auto |
output_format | object | Όχι | Codec, ρυθμός δειγματοληψίας και ρυθμός bit |
speed | number | Όχι | Ταχύτητα αναπαραγωγής, από 0,7 έως 1,5 (προεπιλογή: 1,0) |
Δύο σημεία αξίζουν προσοχής. Το language είναι υποχρεωτικό, κάτι που συχνά εκπλήσσει τους χρήστες: η υπηρεσία δεν μαντεύει τη γλώσσα του κειμένου σας εκτός αν της το ζητήσετε ρητά με την τιμή auto. Επιπλέον, το voice_id χρησιμοποιεί ακριβώς τις ίδιες φωνές με τον Πράκτορα Φωνής (28 ενσωματωμένες φωνές στις 3 Νοεμβρίου 2026, συμπεριλαμβανομένων των eve, ara, rex, sal και leo, καθώς και των προσαρμοσμένων φωνών σας) και αγνοεί τα πεζά/κεφαλαία γράμματα. Η ίδια προσωπικότητα φωνής μπορεί επομένως να τροφοδοτήσει τόσο τον συνομιλητικό σας πράκτορα όσο και το μαγνητοσκοπημένο περιεχόμενό σας, γεγονός που αξίζει να εκμεταλλευτείτε για τη συνοχή της μάρκας σας.
Επιλέξτε τη μορφή εξόδου
Το πεδίο output_format ελέγχει τον κωδικοποιητή (codec) και την ποιότητα:
{
"text": "Text to convert.",
"voice_id": "rex",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 44100
}
}
Επιλέξτε τον κωδικοποιητή με βάση το τι θα συμβεί στη συνέχεια στο αρχείο. Το mp3 είναι κατάλληλο για γενική χρήση: καλά συμπιεσμένο και αναπαραγώγιμο παντού, αποτελεί την λογική προεπιλογή για έναν ιστότοπο ή ένα podcast. Το wav είναι χωρίς απώλειες, επομένως βαρύτερο, αλλά είναι αυτό που χρειάζεστε όταν ένας επεξεργαστής πρόκειται να επεξεργαστεί ξανά το κομμάτι. Το pcm παρέχει ωμό ήχο, για αγωγούς επεξεργασίας που δεν χρειάζονται container. Τέλος, τα mulaw και alaw είναι οι κωδικοποιητές τηλεφωνίας G.711, για τηλεπικοινωνιακά συστήματα που τα απαιτούν.
Οι ρυθμοί δειγματοληψίας κυμαίνονται από 8000 έως 48000 Hz, με προεπιλογή τα 24000 Hz, κάτι που καλύπτει τη συντριπτική πλειοψηφία των χρήσεων. Για MP3, ο ρυθμός bit κυμαίνεται από 32000 έως 192000 bps, με προεπιλογή τα 128000. Η αύξηση στα 192000 για ομιλούμενη φωνή προσφέρει ελάχιστα στην ακουστική εμπειρία και κάνει τα αρχεία σας κατά το ένα τρίτο μεγαλύτερα: κρατήστε αυτό το περιθώριο για περιεχόμενο που συνδυάζει μουσική και φωνή.
Ερώτημα στον κατάλογο φωνών
Το API εκθέτει δύο τελικά σημεία (endpoints) μόνο για ανάγνωση που συμπληρώνουν τη δημιουργία. Το GET /v1/tts/voices επιστρέφει όλες τις διαθέσιμες φωνές με τα μεταδεδομένα τους, και το GET /v1/tts/voices/{voice_id} επιστρέφει τα ίδια πεδία (voice_id, name, language) για μία μόνο φωνή· ο τόνος και οι περιπτώσεις χρήσης κάθε φωνής περιγράφονται στη σελίδα Text to Speech της xAI. Αντί να κωδικοποιείτε στατικά τα ονόματα των φωνών στη διεπαφή σας, populate το εργαλείο επιλογής φωνής (voice picker) από αυτά τα τελικά σημεία, ώστε η εφαρμογή σας να παραμένει σωστή την ημέρα που θα αλλάξει ο κατάλογος.
Βασικά σημεία
- Το TTS μετατρέπει κείμενο σε ήχο μέσω HTTP (απλό) ή WebSocket (ροή δεδομένων)
- Κοστίζει $15 ανά εκατομμύριο χαρακτήρες, με μέγιστο όριο 60.000 χαρακτήρων ανά αίτημα HTTP
- 28 ενσωματωμένες φωνές, πέντε κωδικοποιητές και έξι ρυθμοί δειγματοληψίας σας προσφέρουν μεγάλη ευελιξία
- Η λειτουργία WebSocket δεν έχει όριο στο συνολικό μήκος κειμένου (κάθε delta περιορίζεται στους 60.000 χαρακτήρες)
- Απαιτείται κώδικας BCP-47 για τον καθορισμό της γλώσσας (ή
autoγια αυτόματη ανίχνευση)