Respuesta de audio y precios
En esta página
Actualizado el 3 de noviembre de 2026, basado en las páginas de Pricing, Rate limits y Text to Speech de xAI. Fuentes: Pricing · Rate limits · Text to Speech.
Gestión de la respuesta y control de costes
Cuando la API de TTS tiene éxito, devuelve un flujo de bytes de audio directamente en el cuerpo de la respuesta HTTP. Saber cómo gestionar esa respuesta y anticipar los costes es fundamental para ejecutar TTS en producción.
Anatomía de la respuesta HTTP
La respuesta tiene el estado 200 y el cuerpo contiene únicamente bytes de audio. No hay ninguna envoltura JSON. Las cabeceras HTTP importantes son:
Content-Type: el formato de audio (audio/mpegpara MP3,audio/wavpara WAV,audio/pcmpara PCM)Content-Length: el tamaño del archivo de audio en bytes
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")
Escritura en un archivo
El enfoque más sencillo consiste en escribir la respuesta directamente en un archivo:
with open("output.mp3", "wb") as f:
f.write(response.content)
Transmisión de la respuesta (streaming)
Para archivos grandes, transmite la respuesta para no cargar todo el audio en la memoria:
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)
Reproducción directa en el navegador
En JavaScript del lado del cliente (tras retransmitir el audio a través de tu backend), puedes crear un elemento de audio al vuelo:
const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();
Recuerda liberar la URL del Blob tras la reproducción para evitar fugas de memoria (la lección de producción cubre esto en detalle).
Mapeo de códec a Content-Type
| Códec solicitado | Content-Type recibido | Extensión de archivo |
|---|---|---|
mp3 | audio/mpeg | .mp3 |
wav | audio/wav | .wav |
pcm | audio/pcm | .pcm |
mulaw | audio/basic | .ul |
alaw | audio/alaw | .al |
Precios en detalle
El servicio TTS cuesta 15 $ por millón de caracteres (precios de xAI a 3 de noviembre de 2026). Se te factura el contenido del campo text tal como lo envías, incluidas las etiquetas expresivas.
Estimaciones de coste
| Volumen | Caracteres | Coste estimado |
|---|---|---|
| 1 frase | ~100 | 0,0015 $ |
| 1 párrafo | ~500 | 0,0075 $ |
| 1 página impresa | ~2.000 | 0,03 $ |
| 1 entrada de blog | ~5.000 | 0,075 $ |
| 1 libro (200 páginas) | ~400.000 | 6 $ |
| 1 millón de caracteres | 1.000.000 | 15 $ |
Etiquetas y facturación
Las etiquetas expresivas como [pause], <whisper> y <loud> cuentan para el total de caracteres. Un texto de 1.000 caracteres con 50 caracteres de etiquetas se factura como 1.050 caracteres. Esto suele suponer menos del 5 % del texto total.
Límites de concurrencia
Según la página Rate limits de xAI, TTS acepta 50 solicitudes por segundo y 100 sesiones simultáneas en el nivel de entrada; estos límites aumentan con el nivel de tu equipo (hasta 500 y 500). La página Text to Speech también menciona 50 sesiones WebSocket simultáneas por equipo. Si se superan estos límites, la API devuelve un error 429: para grandes volúmenes, espacia tus solicitudes o utiliza una cola.
Estimación de la duración del audio
La duración del audio generado depende del texto, la voz y el ajuste speed. Como referencia aproximada, el habla leída ronda las 150 palabras por minuto, o unos 850 caracteres por minuto en inglés: mídelo con tu voz antes de prometer una duración. Para obtener una cifra exacta, with_timestamps devuelve la duración del audio (duration) junto con las marcas de tiempo.
A ese ritmo, un texto de 60.000 caracteres, el límite para una solicitud, produce algo más de una hora de audio.
Puntos clave
- La respuesta de TTS es un flujo binario, no JSON
- El Content-Type indica qué formato de audio has recibido
- Transmite los archivos grandes (streaming)
- Cuesta 15 $ por millón de caracteres, incluidas las etiquetas
- En el nivel de entrada: 50 solicitudes por segundo y 100 sesiones simultáneas
- Una solicitud de 60.000 caracteres produce aproximadamente una hora de audio