Parámetros de la solicitud TTS
En esta página
Actualizado el 3 de noviembre de 2026, basado en la página Text to Speech de xAI y la referencia de la API de Voz. Fuentes: Text to Speech · Voice API.
Ajusta tu síntesis de voz
El punto de conexión POST /v1/tts gira en torno a cuatro parámetros principales en el cuerpo de la solicitud JSON, además de algunas configuraciones opcionales. Cada uno te ofrece un control preciso sobre el audio generado y, al comprenderlos, podrás adaptar la síntesis a tu caso de uso.
El parámetro text
Junto con language, text es el único parámetro obligatorio. Acepta una cadena de hasta 60.000 caracteres, que puede contener texto plano o etiquetas expresivas (tratadas en la siguiente sección).
{
"text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}
Si superas los 60.000 caracteres, la solicitud HTTP será rechazada. Para textos más largos, xAI recomienda usar WebSocket, que no tiene límite de longitud total (lecciones 9 a 12), o dividir el texto en segmentos cuyo audio concatenarás posteriormente. Realiza la división en límites naturales (finales de frase, finales de párrafo) para obtener un resultado fluido.
El parámetro voice_id
Este parámetro establece la voz utilizada para la síntesis. Es opcional y su valor predeterminado es eve. Los identificadores no distinguen entre mayúsculas y minúsculas: Eve, EVE y eve son equivalentes.
xAI ofrece 28 voces integradas (a fecha de 3 de noviembre de 2026), las mismas que para el agente de voz, además de voces personalizadas creadas con la API de Custom Voices. Las cinco voces originales, tal como las describe xAI:
- eve: enérgica y alegre, acento británico
- ara: cálida y amigable
- rex: segura y clara
- sal: suave y equilibrada
- leo: autoritaria y potente, acento británico
Las otras 23 (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora y liora) están descritas, junto con sus casos de uso, en la página Text to Speech de xAI; GET /v1/tts/voices devuelve la lista actual (lección 3).
{
"text": "Welcome to this tutorial.",
"voice_id": "rex",
"language": "en"
}
Según xAI, todas las voces hablan todos los idiomas admitidos. La elección de la voz no afecta al precio, que se basa en el número de caracteres.
El parámetro language
Este parámetro es obligatorio. Acepta un código BCP-47 o el valor especial auto para la detección automática del idioma.
Los 20 idiomas admitidos son:
| Code | Language | Code | Language |
|---|---|---|---|
en | English | ko | Korean |
fr | French | hi | Hindi |
de | German | bn | Bengali |
es-ES | Spanish (Spain) | ar-EG | Arabic (Egypt) |
es-MX | Spanish (Mexico) | ar-SA | Arabic (Saudi Arabia) |
pt-BR | Portuguese (Brazil) | ar-AE | Arabic (UAE) |
pt-PT | Portuguese (Portugal) | tr | Turkish |
it | Italian | id | Indonesian |
ru | Russian | vi | Vietnamese |
zh | Chinese | ja | Japanese |
La detección automática (auto) funciona bien para textos en un solo idioma, pero para textos que mezclan varios idiomas, indica explícitamente el idioma principal.
El parámetro output_format
Este parámetro opcional es un objeto JSON que controla el formato de salida del audio. Tiene tres subparámetros.
codec
El codec establece el formato de codificación:
mp3(predeterminado): un formato comprimido, ideal para la web y la transmisión en streamingwav: un formato sin pérdidas, de mayor calidad pero con archivos más grandespcm: audio crudo sin cabecera, para tuberías de procesamientomulaw/ulaw: el codec G.711 mu-law para telefoníaalaw: el codec G.711 A-law para telefonía
sample_rate
La frecuencia de muestreo en hercios. Valores aceptados: 8000, 16000, 22050, 24000 (predeterminado), 44100, 48000.
bit_rate
La tasa de bits en bits por segundo, solo para el codec MP3. Valores aceptados: 32000, 64000, 96000, 128000 (predeterminado), 192000.
{
"text": "High-quality audio for production.",
"voice_id": "ara",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 48000
}
}
El parámetro speed
speed establece la velocidad de reproducción: 1.0 es la velocidad normal (el valor predeterminado), y el rango va de 0.7 a 1.5. Un ritmo ligeramente más lento ayuda con contenido educativo denso; por encima de 1.2, escucha siempre el resultado de nuevo.
Combinaciones recomendadas
| Use case | codec | sample_rate | bit_rate |
|---|---|---|---|
| Web / streaming | mp3 | 24000 | 128000 |
| Audio production | wav | 48000 | — |
| VoIP telephony | mulaw | 8000 | — |
| ML pipeline | pcm | 16000 | — |
Puntos clave
textylanguageson los únicos parámetros obligatoriosvoice_ides opcional (predeterminado:eve) y no distingue entre mayúsculas y minúsculasoutput_formatcontrola el codec, la frecuencia de muestreo y la tasa de bits;speedestablece la velocidad (de 0,7 a 1,5)- MP3 a 24 kHz / 128 kbps es un buen equilibrio predeterminado entre calidad y tamaño
- Para telefonía, usa
mulawoalawa 8 kHz