Lähe põhisisu juurde
Eesti— Vali keel
Menüü

TTS-päringu parameetrid

Õppetund 2 / 14 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Häälesünteesi täpsustamine
  2. Parameeter text
  3. Parameeter voice_id
  4. Parameeter language
  5. Parameeter output_format
  6. Parameeter speed
  7. Soovitatud kombinatsioonid
  8. Peamised punktid

Uuendatud 3. novembril 2026, tuginedes xAI Text to Speech lehele ja Voice API referentsdokumentatsioonile. Allikad: Text to Speech · Voice API.

Häälesünteesi täpsustamine

POST /v1/tts lõpp-punkt põhineb JSON-päringu kehas neljal peamisel parameetril, millele lisandub mõned valikulised sätted. Igaüks neist annab sulle täpse kontrolli genereeritava heli üle ning nende mõistmine võimaldab sul sünteesi oma kasutusjuhtumile kohandada.

Parameeter text

Koos parameetriga language on text ainus kohustuslik parameeter. See aktsepteerib kuni 60 000 märgi pikkust stringi, mis võib sisaldada lihtteksti või väljendusrikkaid sildid (neid käsitleme järgmises osas).

{
  "text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}

Üle 60 000 märgi HTTP-päring lükatakse tagasi. Pikemate tekstide puhul soovitab xAI kasutada WebSocketi, millel puudub üldine pikkusepiirang (tunnid 9–12), või jagada tekst segmentideks, mille helifailid hiljem ühendad. Jagamine tasub teha loomulikes kohtades (lausetelõppudes, lõigu lõppudes), et tulemus oleks sujuv.

Parameeter voice_id

See parameeter määrab sünteesiks kasutatava hääle. See on valikuline ja vaikimisi väärtus on eve. ID-d ei erista suur- ja väiketähti: Eve, EVE ja eve on samaväärsed.

xAI pakub (seisuga 3. november 2026) 28 sisseehitatud häält – sama palju kui hääleagendi puhul – ning lisaks kohandatud hääli, mis on loodud Custom Voices API abil. Viis algset häält kirjeldab xAI nii:

  • eve: energiline ja rõõmus, briti aktsendiga
  • ara: soe ja sõbralik
  • rex: enesekindel ja selge
  • sal: sujuv ja tasakaalukas
  • leo: autoriteetne ja võimas, briti aktsendiga

Ülejäänud 23 häält (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora ja liora) on koos nende kasutusvaldkondadega kirjeldatud xAI Text to Speech lehel; GET /v1/tts/voices tagastab praeguse nimekirja (tund 3).

{
  "text": "Welcome to this tutorial.",
  "voice_id": "rex",
  "language": "en"
}

xAI sõnul räägib iga hääl kõiki toetatud keeli. Hääle valik ei mõjuta hinda, mis põhineb märkide arvul.

Parameeter language

See parameeter on kohustuslik. See aktsepteerib BCP-47 koodi või eriväärtust auto automaatseks keeletuvastuseks.

Toetatud on 20 keelt:

KoodKeelKoodKeel
eninglisekokorea
frprantsusehihindi
desaksabnbengali
es-EShispaania (Hispaania)ar-EGaraabia (Egiptus)
es-MXhispaania (Mehhiko)ar-SAaraabia (Saudi Araabia)
pt-BRportugali (Brasiilia)ar-AEaraabia (AÜE)
pt-PTportugali (Portugal)trtürgi
ititaaliaidindoneesia
ruvenevivietnami
zhhiinajajaapani

Automaatne tuvastus (auto) toimib hästi ühekeelsete tekstide puhul, kuid mitut keelt segavate tekstide korral märgi põhikeel selgelt ära.

Parameeter output_format

See valikuline parameeter on JSON-objekt, mis juhib heliväljundi formaati. Sellel on kolm alam-parameetrit.

codec

Koodek määrab kodeeringu formaadi:

  • mp3 (vaikimisi): tihendatud formaat, ideaalne veebi ja voogedastuse jaoks
  • wav: kadudeta formaat, parem kvaliteet, kuid suuremad failid
  • pcm: toores heli ilma päiseta, mõeldud töötlemistorustike jaoks
  • mulaw / ulaw: G.711 mu-law koodek telefonside jaoks
  • alaw: G.711 A-law koodek telefonside jaoks

sample_rate

Diskreetimissagedus hertsides. Lubatud väärtused: 8000, 16000, 22050, 24000 (vaikimisi), 44100, 48000.

bit_rate

Bitikiirus bittides sekundis, ainult MP3-koodeki jaoks. Lubatud väärtused: 32000, 64000, 96000, 128000 (vaikimisi), 192000.

{
  "text": "High-quality audio for production.",
  "voice_id": "ara",
  "language": "en",
  "output_format": {
    "codec": "wav",
    "sample_rate": 48000
  }
}

Parameeter speed

speed määrab taasesituse kiiruse: 1.0 on normaalne kiirus (vaikimisi) ja vahemik ulatub 0.7-st 1.5-ni. Veidi aeglasem tempo sobib tiheda haridussisu jaoks; üle 1.2 kuula tulemust kindlasti uuesti üle.

Soovitatud kombinatsioonid

Kasutusjuhtumcodecsample_ratebit_rate
Veeb / voogedastusmp324000128000
Helitootminewav48000—
VoIP-telefoniamulaw8000—
Masinõppe torustikpcm16000—

Peamised punktid

  • text ja language on ainsad kohustuslikud parameetrid
  • voice_id on valikuline (vaikimisi: eve) ja ei erista suur- ja väiketähti
  • output_format juhib koodekit, diskreetimissagedust ja bitikiirust; speed määrab kiiruse (0,7–1,5)
  • MP3 sagedusega 24 kHz ja bitikiirusega 128 kbps on hea vaikimisi tasakaal kvaliteedi ja failisuuruse vahel
  • Telefonside jaoks kasuta mulaw või alaw sagedusega 8 kHz