Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Tosaigh leis an API Téacs-go-Guth

Ceacht 6 as 14 Nuashonraithe 3 Samhain 2026 Meánleibhéal
Ar an leathanach seo
  1. Téacs isteach, fuaime amach
  2. HTTP nó WebSocket: dhá bhealach chun glaoch ar an tseirbhís
  3. Paraiméadair iarratais HTTP
  4. Roghnaigh an fhormáid aschuir
  5. Cuir ceist ar an gcatagóir guthanna
  6. Príomhphointí

Nuashonraithe an 3 Samhain, 2026, bunaithe ar leathanaigh Téacs go Guth agus Praghsáil de chuid xAI. Foincí: Téacs go Guth · Praghsáil.

Téacs isteach, fuaime amach

Ní dhéanann API Téacs-go-Guth Grok ach rud amháin, agus déanann sé go maith é: tiontaíonn sé téacs ina fhuaime ardchaighdeáin. Cé go mbainistíonn an Gníomhaire Gutha comhrá le sealúchaint agus bristí, oibríonn TTS go hiomlán in aon treo amháin: seolann tú téacs agus faigheann tú fuaim ar ais. Is é an tsimplíocht sin a dhéanann an uirlis roghnaithe de nuair nach bhfuil aon duine ag freagairt don mheaisín: ailt léite, fáiltithe fóin, guthanna thar ceann do mhodúil ríomhfhoghlama, fógraí fuaime.

$15
in aghaidh an mhilliún carachtair
20
teangacha tacaithe
28
guthanna ionsuite
60,000
uasmhéid carachtar in aghaidh an iarratais

HTTP nó WebSocket: dhá bhealach chun glaoch ar an tseirbhís

Is é mód HTTP an bealach is díreacha. Seolann tú iarratas POST leis do chuid téacs, agus tá an comhad fuaime iomlán sa fhreagra, i bhformáid MP3 de réir réamhshocraithe:

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"
  }'

Tabhair faoi deara an -o output.mp3: is fuaime amh é corp na freagra, seachas JSON a chuimsíonn nasc. Oiriúnach go hiomlán don mhód seo do ghiniúint chúlra, mar shampla baisc oíche a chruthaíonn leaganacha fuaime d’alt, ós rud é nach bhfuil aon duine ag fanacht os comhair scáileáin.

Freastalaíonn mód WebSocket ar riachtanas eile: an fhuaim a chloisteáil sula bhfuil an téacs iomlán sintéiseithe. Osclaíonn tú nasc agus cuireann tú na paraiméadair ar fáil san URL:

wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3

Ansin, seolann tú an téacs i bpíosaí le text.delta, cuireann tú deireadh leis le text.done, agus tagann an fhuaim ar ais mar chodanna base64 ar audio.delta. Baineann sruthú an teorainn faid de mhód HTTP, agus thar aon rud eile, ligeann sé duit sintéis a dhéanamh de réir mar a théann tú ar aghaidh, rud atá riachtanach nuair atá an téacs féin á ghiniúint fós ag samhaltóir.

Paraiméadair iarratais HTTP

ParaiméadarCineálRiachtanachCur síos
textteaghránTáAn téacs le tiontú, suas le 60,000 carachtar
voice_idteaghránNílAn guth le húsáid (réamhshocraithe: eve)
languageteaghránTáCód BCP-47 (en, fr, de, …) nó auto
output_formatoibiachtNílCóideac, ráta samplála, agus ráta giotán
speeduimhirNílLuas athsheinm, ó 0.7 go 1.5 (réamhshocraithe: 1.0)

Tá dhá phointe a thuilleann aird. Tá language riachtanach, rud a chuireann iontas go minic ar dhaoine: ní dhéanann an tseirbhís tuar ar theanga do chuid téacs mura n-iarrann tú go sonrach uirthi é sin a dhéanamh leis an luach auto. Úsáideann voice_id na guthanna céanna leis an nGníomhaire Gutha (28 nguth ionsuite ón 3 Samhain, 2026, lena n-áirítear eve, ara, rex, sal, agus leo, chomh maith le do ghuthanna saincheaptha), agus déanann sé neamhaird ar chás. Mar sin, is féidir leis an bpearsanacht ghutha céanna cumhacht a thabhairt do do ghníomhaire comhrá agus do do chuid ábhair thaifeadta, rud atá fiúntach a úsáid chun comhsheasmhacht branda a chinntiú.

Roghnaigh an fhormáid aschuir

Rialaíonn an réimse output_format an cóideac agus an cháilíocht:

{
  "text": "Text to convert.",
  "voice_id": "rex",
  "language": "en",
  "output_format": {
    "codec": "wav",
    "sample_rate": 44100
  }
}

Roghnaigh an cóideac bunaithe ar an méid a tharlóidh don chomhad ina dhiaidh sin. Oiriúnach do mp3 d’úsáid ghinearálta: comhbhrúite go maith agus in-imirthe i ngach áit, is é an réamhshocrú ciallmhar é do shuíomh gréasáin nó do phodchraoladh. Tá wav gan chaillteanas, mar sin níos troime, ach is é an rud atá uait nuair a bheidh eagarthóir ag athoibriú an rian. Soláthraíonn pcm fuaime amh, do phíblínte próiseála nach bhfuil aon úsáid acu as coimeádán. Ar deireadh, is iad mulaw agus alaw cóideic teileafóin G.711, do chórais teileachumarsáide a éilíonn iad.

Raontaíonn rátaí samplála ó 8000 go 48000 Hz, le réamhshocrú de 24000 Hz, rud a chlúdaíonn an chuid is mó d’úsáidí. Do MP3, téann an ráta giotán ó 32000 go 192000 bps, le réamhshocrú de 128000. Ní chuireann dul suas go 192000 do ghuth labhartha mórán le taithí éisteachta agus déanann sé do chomhaid tríú cuid níos mó: coinnigh an spás sin d’ábhar a mheascann ceol agus guth.

Cuir ceist ar an gcatagóir guthanna

Nochtaíonn an API dhá chríochphointe inléite amháin a fhorlíonann an ghiniúint. Filleann GET /v1/tts/voices na guthanna ar fad atá ar fáil lena meiteashonraí, agus filleann GET /v1/tts/voices/{voice_id} na réimsí céanna (voice_id, name, language) do ghuth amháin; tá tón agus cásanna úsáide gach gutha curtha síos ar leathanach Téacs go Guth xAI. In ionad ainmneacha guthanna a chódú go crua in d’aghaidh, líon do roghnóir guthanna ó na críochphointí seo, agus fanfaidh d’aip cruinn an lá a athraíonn an catalóg.

Príomhphointí

  • Tiontaíonn TTS téacs ina fhuaime thar HTTP (simplí) nó WebSocket (sruthú)
  • Costas $15 in aghaidh an mhilliún carachtair, le huasmhéid 60,000 carachtar in aghaidh an iarratais HTTP
  • Tugann 28 nguth ionsuite, cúig chóideac, agus sé ráta samplála solúbthacht mhór duit
  • Níl aon teorainn ar fhad iomlán an téacs i mód WebSocket (tá gach delta teoranta do 60,000 carachtar)
  • Teastaíonn cód BCP-47 chun an teanga a shonrú (nó auto le haghaidh braite uathoibríoch)