Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Helivastus ja hinnakujundus

Õppetund 4 / 14 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Vastuse töötlemine ja kulude kontrolli all hoidmine
  2. HTTP vastuse anatoomia
  3. Koodeki ja Content-Type’i vastavus
  4. Hinnakujundus üksikasjalikult
  5. Helipikkuse hindamine
  6. Peamised punktid

Uuendatud 3. novembril 2026, tuginedes xAI lehtedele Pricing, Rate limits ja Text to Speech. Allikad: Pricing · Rate limits · Text to Speech.

Vastuse töötlemine ja kulude kontrolli all hoidmine

Kui TTS API õnnestub, tagastab see helibaitide voogu otse HTTP kehas. Selle vastuse käsitlemise ja kulude ennustamise oskus on TTS-i tootmises kasutamisel hädavajalik.

HTTP vastuse anatoomia

Vastuse olekukood on 200 ja keha sisaldab üksnes helibaitide. JSON-ümbrist ei ole. Olulisimad HTTP päised on:

  • Content-Type: helivorming (audio/mpeg MP3 jaoks, audio/wav WAV jaoks, audio/pcm PCM jaoks)
  • Content-Length: helifaili suurus baitides
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")

Faili kirjutamine

Lihtsaim lähenemine on vastus otse faili kirjutada:

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

Vastuse voogedastamine

Suurte failide puhul voogedasta vastus, et mitte laadida kogu heli mällu:

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)

Otse brauseris esitamine

Kliendipoolses JavaScriptis (pärast heli edastamist läbi oma taustsüsteemi) saad luua helielemendi lennult:

const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();

Pea meeles, et vabasta Bloobi URL pärast esitamist, et vältida mälulekkeid (tootmise tund käsitleb seda üksikasjalikumalt).

Koodeki ja Content-Type’i vastavus

Nõutud koodekSaadud Content-TypeFaililaiend
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/alaw.al

Hinnakujundus üksikasjalikult

TTS maksab 15 dollarit miljoni märgi kohta (xAI hinnad seisuga 3. november 2026). Sulle esitatakse arve väljal text saadetud sisu eest, kaasa arvatud väljendusrikkad sildid.

Kulude hinnangud

MahtMärgidHinnanguline kulu
1 lause~1000,0015 $
1 lõik~5000,0075 $
1 trükitud lehekülg~20000,03 $
1 blogipostitus~50000,075 $
1 raamat (200 lk)~400 0006 $
1 miljon märki1 000 00015 $

Sildid ja arveldamine

Väljendusrikkad sildid nagu [pause], <whisper> ja <loud> loevad märkide koguarvu. 1000-märgiline tekst koos 50-märgiliste siltidega arveldatakse kui 1050 märki. See on tavaliselt vähem kui 5% kogu tekstist.

Samaaegsuse piirangud

xAI lehe Rate limits andmetel aktsepteerib TTS algastmes 50 päringut sekundis ja 100 samaaegset seanssi; need piirangud kasvavad koos meeskonna astmega (kuni 500 ja 500). Lehel Text to Speech on mainitud ka 50 samaaegset WebSocketi seanssi meeskonna kohta. Sellest üle minnes tagastab API vea 429: suurte mahtude puhul jaga oma päringud ajaliselt või kasuta järjekorda.

Helipikkuse hindamine

Genereeritud heli pikkus sõltub tekstist, häälest ja seadistusest speed. Ligikaudse hinnanguna loetakse kõnet umbes 150 sõna minutis ehk inglise keeles ligi 850 märki minutis: mõõda seda oma häälega, enne kui lubad kindlat kestust. Täpse arvu saamiseks tagastab with_timestamps heli kestuse (duration) koos ajatemplitega.

Selle kiiruse korral tekitab 60 000-märgiline tekst, mis on ühe päringu piirang, veidi üle tunni heli.

Peamised punktid

  • TTS vastus on binaarne voog, mitte JSON
  • Content-Type ütleb, millise helivormingu sa said
  • Voogedasta suured failid
  • Hind on 15 dollarit miljoni märgi kohta, sildid kaasa arvatud
  • Algastmes: 50 päringut sekundis ja 100 samaaegset seanssi
  • 60 000-märgiline päring tekitab ligi tunni heli