Ir al contenido principal
Español— Elegir un idioma
Menú

Respuesta de audio y precios

Lección 4 de 14 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Gestión de la respuesta y control de costes
  2. Anatomía de la respuesta HTTP
  3. Mapeo de códec a Content-Type
  4. Precios en detalle
  5. Estimación de la duración del audio
  6. Puntos clave

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/mpeg para MP3, audio/wav para WAV, audio/pcm para 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 solicitadoContent-Type recibidoExtensión de archivo
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/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

VolumenCaracteresCoste estimado
1 frase~1000,0015 $
1 párrafo~5000,0075 $
1 página impresa~2.0000,03 $
1 entrada de blog~5.0000,075 $
1 libro (200 páginas)~400.0006 $
1 millón de caracteres1.000.00015 $

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