Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Vastausmuoto ja hinnoittelu

Oppitunti 4 / 14 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Vastauksen käsittely ja kustannusten hallinta
  2. HTTP-vastauksen rakenne
  3. Koodekin ja Content-Type-vastaavuus
  4. Hinnoittelu yksityiskohtaisesti
  5. Äänen pituuden arviointi
  6. Keskeiset asiat

Päivitetty 3. marraskuuta 2026 xAI:n Pricing, Rate limits ja Text to Speech -sivujen perusteella. Lähteet: Pricing · Rate limits · Text to Speech.

Vastauksen käsittely ja kustannusten hallinta

Kun TTS-API onnistuu, se palauttaa äänibittivirran suoraan HTTP-vastauksen rungossa. On olennaista osata käsitellä tämä vastaus ja ennakoida kustannukset, jotta voit käyttää TTS:ää tuotantoympäristössä.

HTTP-vastauksen rakenne

Vastauksen tilakoodi on 200, ja runko sisältää pelkkiä äänibyttejä. JSON-käärettä ei ole. Tärkeimmät HTTP-otsikot ovat:

  • Content-Type: äänimuoto (audio/mpeg MP3:lle, audio/wav WAV:lle, audio/pcm PCM:lle)
  • Content-Length: äänitiedoston koko tavuina
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")

Kirjoittaminen tiedostoon

Yksinkertaisin tapa on kirjoittaa vastaus suoraan tiedostoon:

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

Vastauksen suoratoisto

Suurten tiedostojen kohdalla käytä suoratoistoa, ettet lataa koko ääntä muistiin kerralla:

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)

Toistaminen suoraan selaimessa

Selainpuolen JavaScriptissä (äänidata välitettynä backendisi kautta) voit luoda äänielementin dynaamisesti:

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

Muista vapauttaa Blob-URL toiston jälkeen muistivuotojen välttämiseksi (tuotantotunnilla käymme tämän yksityiskohtaisesti läpi).

Koodekin ja Content-Type-vastaavuus

Pyydetty koodekkiVastaanotettu Content-TypeTiedostopääte
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/alaw.al

Hinnoittelu yksityiskohtaisesti

TTS maksaa 15 dollaria miljoonaa merkkiä kohden (xAI:n hinnasto 3.11.2026). Sinulta veloitetaan text-kentän sisältö lähetyshetkellä, ilmaisu-tagit mukaan lukien.

Kustannusarviot

MääräMerkkejäArvioitu kustannus
1 lause~1000,0015 $
1 kappale~5000,0075 $
1 painosivu~2 0000,03 $
1 blogikirjoitus~5 0000,075 $
1 kirja (200 sivua)~400 0006 $
1 miljoona merkkiä1 000 00015 $

Tagit ja laskutus

Ilmaisutagit kuten [pause], <whisper> ja <loud> lasketaan mukaan merkkimäärään. 1 000 merkin teksti, jossa on 50 merkkiä tageja, laskutetaan 1 050 merkkinä. Tämä on yleensä alle 5 % kokonaistekstistä.

Samanaikaisuusrajat

xAI:n Rate limits -sivun mukaan TTS hyväksyy 50 pyyntöä sekunnissa ja 100 samanaikaista istuntoa aloitustasolla. Rajat kasvavat tiimisi tason mukaan (enintään 500 ja 500). Text to Speech -sivu mainitsee myös 50 samanaikaista WebSocket-istuntoa tiimiä kohden. Näiden rajojen ylittyessä API palauttaa virhekoodin 429: suurten volyymien kohdalla hajauta pyyntöjäsi tai käytä jonotusjärjestelmää.

Äänen pituuden arviointi

Tuotetun äänen pituus riippuu tekstistä, äänestä ja speed-asetuksesta. Karkeana nyrkkisääntönä puhenopeus on noin 150 sanaa minuutissa eli englanniksi noin 850 merkkiä minuutissa: mittaa tämä omalla äänelläsi ennen kuin lupaat tietyn keston. Tarkka arvo selviää, kun käytät with_timestamps-asetusta, joka palauttaa äänen keston (duration) aikaleimojen mukana.

Tällä nopeudella 60 000 merkin teksti, joka on yhden pyynnön raja, tuottaa hieman yli tunnin mittaisen äänen.

Keskeiset asiat

  • TTS-vastaus on binäärivirta, ei JSON
  • Content-Type kertoo vastaanotetun äänimuodon
  • Käytä suoratoistoa suurille tiedostoille
  • Hinta on 15 dollaria miljoonaa merkkiä kohden, tagit mukaan lukien
  • Aloitustasolla: 50 pyyntöä sekunnissa ja 100 samanaikaista istuntoa
  • 60 000 merkin pyyntö tuottaa noin tunnin ääntä