Alusta tekst-kõneks API kasutamist
Sellel lehel
Uuendatud 3. novembril 2026, tuginedes xAI Text to Speech ja Pricing lehtedele. Allikad: Text to Speech · Pricing.
Tekst sisse, heli välja
Grok Text-to-Speech API teeb ühte asja ja teeb seda hästi: muudab teksti kõrgekvaliteediliseks heliks. Kui Voice Agent haldab dialoogi koos kordamööda rääkimise ja katkestustega, töötab TTS rangelt ühes suunas: sa saadad teksti ja saad vastu heli. See lihtsus teeb sellest tööriista valiku igaks juhuks, kui masinaga keegi ei suhtle: jutustatud artiklid, telefonitervitused, e-õppe moodulite hääled, heliteavitused.
HTTP või WebSocket: kaks viisi teenuse kutsumiseks
HTTP-režiim on kõige otsesem. Sa saadad POST-päringu koos oma tekstiga ja vastus sisaldab tervet helifaili, vaikimisi MP3-vormingus:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-o output.mp3 \
-d '{
"text": "Hello and welcome to Corsen Academy.",
"voice_id": "ara",
"language": "en"
}'
Pane tähele -o output.mp3: vastuse keha on toorel helil, mitte JSON-il, mis sisaldab linki. See režiim sobib ideaalselt taustal genereerimiseks, näiteks öiseks protsessiks, mis loob sinu artiklite heliversioone, kuna keegi ei oota ekraani ees.
WebSocket-režiim rahuldab teistsugust vajadust: kuulda heli enne, kui kogu tekst on sünteesitud. Sa avad ühenduse ja edastad parameetrid URL-is:
wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3
Seejärel saadad teksti tükkidena käsuga text.delta, märgid lõpu käsuga text.done ja heli tuleb tagasi base64-plokkidena audio.delta kaudu. Voogedastus tõstab HTTP-režiimi pikkusepiirangu ja mis veelgi olulisem – võimaldab sünteesida jooksvalt, mis on hädavajalik, kui teksti ise genereerib alles mudel.
HTTP-päringu parameetrid
| Parameeter | Tüüp | Kohustuslik | Kirjeldus |
|---|---|---|---|
text | string | Jah | Teisendatav tekst, kuni 60 000 märki |
voice_id | string | Ei | Kasutatav hääl (vaikimisi: eve) |
language | string | Jah | BCP-47 kood (en, fr, de, …) või auto |
output_format | object | Ei | Koodek, diskreetimissagedus ja bitikiirus |
speed | number | Ei | Esituskiirus vahemikus 0,7–1,5 (vaikimisi: 1,0) |
Kaks punkti väärivad tähelepanu. language on kohustuslik, mis sageli üllatab: teenus ei arvata sinu teksti keelt, kui sa seda sõnaselgelt ei küsi väärtusega auto. Ja voice_id kasutab täpselt samu hääli mis Voice Agent (28 sisseehitatud häält seisuga 3. november 2026, sealhulgas eve, ara, rex, sal ja leo, pluss sinu kohandatud hääled) ning ei tee vahet suur- ja väiketähtedel. Sama hääleisiksust saab seega kasutada nii vestlusagendi kui salvestatud sisu jaoks, mida tasub ära kasutada brändi järjepidevuse huvides.
Väljundvormingu valimine
Väli output_format juhib koodekit ja kvaliteeti:
{
"text": "Text to convert.",
"voice_id": "rex",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 44100
}
}
Vali koodek vastavalt sellele, mis failiga edasi tehakse. mp3 sobib üldkasutuseks: hästi tihendatud ja kõikjal esitatav, on see mõistlik vaikeseade veebisaidi või podcasti jaoks. wav on kadudeta, seega mahukam, kuid see on vajalik, kui toimetaja kavatseb rada ümber töötada. pcm edastab toorest heli töötlemistorustikele, millele konteinerit vaja pole. Lõpuks on mulaw ja alaw G.711 telefoniakoodekid telekommunikatsioonisüsteemidele, mis neid nõuavad.
Diskreetimissagedused ulatuvad 8000–48 000 Hz-ni, vaikimisi on 24 000 Hz, mis katab valdava enamiku kasutusjuhte. MP3 puhul ulatub bitikiirus 32 000–192 000 bps-ni, vaikimisi 128 000. Räägitud hääle puhul 192 000-ni tõstmine ei lisa kuulamiskogemusele peaaegu midagi ja teeb failid kolmandiku võrra suuremaks: jäta see varu sisule, mis segab muusikat ja häält.
Häälte kataloogi pärimine
API pakub kahte kirjutuskaitstud lõpp-punkti, mis täiendavad genereerimist. GET /v1/tts/voices tagastab kõik saadaolevad hääled koos nende metaandmetega ja GET /v1/tts/voices/{voice_id} tagastab samad väljad (voice_id, name, language) ühe hääle kohta; iga hääle tooni ja kasutusjuhte kirjeldatakse xAI Text to Speech lehel. Selle asemel, et kodeerida hääle nimed liidesesse kõvasti, täida oma häälevalija nende lõpp-punktide põhjal ja sinu rakendus püsib õige ka siis, kui kataloog muutub.
Peamised punktid
- TTS teisendab teksti heliks üle HTTP (lihtne) või WebSocket (voogedastus)
- Hind on 15 dollarit miljoni märgi kohta, HTTP-päringu maksimum on 60 000 märki
- 28 sisseehitatud häält, viis koodekit ja kuus diskreetimissagedust annavad palju paindlikkust
- WebSocket-režiimil pole kogu teksti pikkusele piirangut (iga delta on piiratud 60 000 märgiga)
- Keele määramiseks on vajalik BCP-47 kood (või
autoautomaatseks tuvastamiseks)