Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Lõpp-punkt POST /v1/tts

Õppetund 1 / 14 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Muuda tekst heliks Grok API abil
  2. Päringu struktuur
  3. Päringu keha
  4. HTTP-vastus
  5. Hinnakujundus
  6. Peamised punktid

Uuendatud 3. novembril 2026, tuginedes xAi Text to Speech lehele, Voice API referentsile ja Pricing lehele. Allikad: Text to Speech · Voice API · Pricing.

Muuda tekst heliks Grok API abil

xAi Text-to-Speech API muudab üksiku HTTP-päringuga suvalise teksti loomulikult kõlavaks heliks. Peamine sisenemispunkt on POST /v1/tts, mis võtab sinu teksti ja tagab otseselt binaarse helifaili.

60,000
Märkide maksimumarv päringu kohta
28
Sisseehitatud hääled
20
Toetatud keeled
$15
Miljoni märgi kohta

Päringu struktuur

Saadad POST-päringu aadressile https://api.x.ai/v1/tts koos JSON-kehandiga. Siin on minimaalne näide curliga:

curl -X POST "https://api.x.ai/v1/tts" \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello, and welcome to Corsen Academy.",
    "voice_id": "eve",
    "language": "en"
  }' \
  --output audio.mp3

Server vastab binaarse helifailiga otse vastuse kehas. Selle ümber puudub JSON-ümbris: saad kätte helifaili toored bitid.

Autentimine

Nagu iga xAi API lõpp-punkti puhul, lisa oma API-võti päisesse Authorization formaadis Bearer:

Authorization: Bearer xai-your-api-key

Päringu keha

JSON-keha põhineb neljal peamisel parameetril:

  • text (kohustuslik): teisendatav tekst, kuni 60 000 märki. See toetab väljendusrikkaid sildid, mida õpid tundma järgmistes tundides.
  • voice_id (valikuline): hääle ID. Vaikimisi on see eve. Väärtused ei erista suur- ja väiketähti.
  • language (kohustuslik): keelekood BCP-47 formaadis (en, fr, de, …) või auto automaatseks tuvastamiseks.
  • output_format (valikuline): objekt, mis konfigureerib koodeki, diskreetimissageduse ja bitikiiruse.

Muu valikuline säte täiendab päringut: speed (taasesituse kiirus vahemikus 0,7–1,5, vaikimisi 1,0), replace (asendustabel, mis parandab sõna hääldust ilma saadetavat teksti muutmata), with_timestamps (märkide kaupa ajatemplid), text_normalization (numbrite, lühendite ja sümbolite väljakirjutamine enne sünteesi) ja optimize_streaming_latency (väärtus "1" lühendab ooteaega enne esimest helilõiku, ohverdades seejuures veidi kvaliteeti liitekohtades).

HTTP-vastus

Õnnestumisel (olekukood 200) tagastab server helifaili sisutüübiga, mis vastab taotletud formaadile:

  • audio/mpeg MP3 jaoks (vaikimisi)
  • audio/wav WAV jaoks
  • audio/pcm toore PCM-i jaoks
  • audio/basic G.711 μ-seaduse (mulaw) jaoks
  • audio/alaw G.711 A-seaduse (alaw) jaoks

Vastus ei sisalda metaandmeid, ainult helibitte. Erandiks on with_timestamps: sel juhul muutub vastus JSON-objektiks, mis sisaldab heli base64-kodeeringus, selle kestust ja iga märgi ajatemplit. Saad vastuse otse faili kirjutada või voogedastada helimängijasse.

Pythoni näide

import requests

response = requests.post(
    "https://api.x.ai/v1/tts",
    headers={"Authorization": f"Bearer {api_key}"},
    json={
        "text": "Here's an example of speech synthesis.",
        "voice_id": "rex",
        "language": "en"
    }
)

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

JavaScripti näide (Node.js)

const response = await fetch("https://api.x.ai/v1/tts", {
  method: "POST",
  headers: {
    "Authorization": `Bearer ${process.env.XAI_API_KEY}`,
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    text: "Here's an example of speech synthesis.",
    voice_id: "rex",
    language: "en"
  })
});

const buffer = await response.arrayBuffer();
fs.writeFileSync("output.mp3", Buffer.from(buffer));

Hinnakujundus

TTS maksab 15 dollarit miljoni märgi kohta (xAi hinnad seisuga 3. november 2026). Sinult arvestatakse tasu text-väljal saadetud märkide eest, kaasates väljendusrikkad sildid; replace-tabel seda arvu ei muuda. Keskmiselt 1000 märgiga päringu kohta tähendab see umbes 0,015 dollarit kõne eest.

Peamised punktid

  • Lõpp-punkt POST /v1/tts on kõnesünteesi peamine sisenemispunkt
  • Vastuseks on binaarne helifail, mitte JSON
  • Tekst on piiratud 60 000 märgiga HTTP-päringu kohta; WebSocketil kogupiirang puudub
  • Autenditakse päise Authorization: Bearer abil
  • Hind on 15 dollarit miljoni märgi kohta