Vastausmuoto ja hinnoittelu
Tällä sivulla
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/mpegMP3:lle,audio/wavWAV:lle,audio/pcmPCM: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 koodekki | Vastaanotettu Content-Type | Tiedostopääte |
|---|---|---|
mp3 | audio/mpeg | .mp3 |
wav | audio/wav | .wav |
pcm | audio/pcm | .pcm |
mulaw | audio/basic | .ul |
alaw | audio/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
| Määrä | Merkkejä | Arvioitu kustannus |
|---|---|---|
| 1 lause | ~100 | 0,0015 $ |
| 1 kappale | ~500 | 0,0075 $ |
| 1 painosivu | ~2 000 | 0,03 $ |
| 1 blogikirjoitus | ~5 000 | 0,075 $ |
| 1 kirja (200 sivua) | ~400 000 | 6 $ |
| 1 miljoona merkkiä | 1 000 000 | 15 $ |
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