Krajnja točka POST /v1/tts
Na ovoj stranici
Ažurirano 3. studenoga 2026., na temelju stranice xAI Text to Speech, referencije Voice API-ja i stranice Pricing. Izvori: Text to Speech · Voice API · Pricing.
Pretvori tekst u zvuk pomoću Grok API-ja
xAI Text-to-Speech API pretvara bilo koji tekst u prirodno zvučeći audio jednim HTTP pozivom. Glavna ulazna točka je POST /v1/tts, koja prima tvoj tekst i izravno vraća binarnu audio datoteku.
Struktura zahtjeva
Šalješ POST zahtjev na https://api.x.ai/v1/tts s JSON tijelom. Evo minimalnog primjera s curlom:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"text": "Hello, and welcome to Corsen Academy.",
"voice_id": "eve",
"language": "en"
}' \
--output audio.mp3
Poslužitelj izravno vraća binarnu audio datoteku u tijelu odgovora. Oko nje nema JSON omotača: dobivaš sirove bajtove audio datoteke.
Autentifikacija
Kao i kod svake druge krajnje točke xAI API-ja, uključi svoj API ključ u zaglavlje Authorization u Bearer formatu:
Authorization: Bearer xai-your-api-key
Tijelo zahtjeva
JSON tijelo vrti se oko četiri glavna parametra:
text(obavezno): tekst za pretvorbu, do 60.000 znakova. Podržava ekspresivne oznake o kojima ćeš učiti u sljedećim lekcijamavoice_id(opcionalno): ID glasa. Zadana vrijednost jeeve. Vrijednosti ne razlikuju velika i mala slovalanguage(obavezno): kod jezika u BCP-47 formatu (en,fr,de, …) iliautoza automatsko otkrivanjeoutput_format(opcionalno): objekt koji konfigurira kodek, frekvenciju uzorkovanja i brzinu prijenosa
Ostale postavke, sve opcionalne, zaokružuju zahtjev: speed (brzina reprodukcije, od 0.7 do 1.5, zadano 1.0), replace (tablica zamjena koja ispravlja izgovor riječi bez mijenjanja teksta koji šalješ), with_timestamps (vremenske oznake po znaku), text_normalization (ispisivanje brojeva, kratica i simbola prije sinteze) i optimize_streaming_latency ("1" za skraćivanje čekanja prije prvog dijela zvuka, uz blagi gubitak kvalitete na spojevima).
HTTP odgovor
U slučaju uspjeha (status 200), poslužitelj vraća audio datoteku s vrstom sadržaja koja odgovara traženom formatu:
audio/mpegza MP3 (zadano)audio/wavza WAVaudio/pcmza sirovi PCMaudio/basicza G.711 μ-law (mulaw)audio/alawza G.711 A-law (alaw)
Odgovor ne nosi metapodatke, već samo audio bajtove. Jedina iznimka je with_timestamps: tada odgovor postaje JSON objekt koji sadrži audio u base64 formatu, njegovo trajanje i vremensku oznaku svakog znaka. Odgovor možeš izravno zapisati u datoteku ili ga strimirati u audio player.
Primjer u Pythonu
import requests
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {api_key}"},
json={
"text": "Here's an example of speech synthesis.",
"voice_id": "rex",
"language": "en"
}
)
with open("output.mp3", "wb") as f:
f.write(response.content)
Primjer u JavaScriptu (Node.js)
const response = await fetch("https://api.x.ai/v1/tts", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.XAI_API_KEY}`,
"Content-Type": application/json"
},
body: JSON.stringify({
text: "Here's an example of speech synthesis.",
voice_id: "rex",
language: "en"
})
});
const buffer = await response.arrayBuffer();
fs.writeFileSync("output.mp3", Buffer.from(buffer));
Cjenik
TTS košta 15 USD po milijunu znakova (xAI cjenik od 3. studenoga 2026.). Naplaćuju ti se znakovi koje pošalješ u text, uključujući ekspresivne oznake; tablica replace ne mijenja taj broj. Uz prosjek od 1.000 znakova po zahtjevu, to iznosi oko 0,015 USD po pozivu.
Ključne točke
- Krajnja točka
POST /v1/ttsglavni je ulaz za sintezu govora - Odgovor je binarna audio datoteka, a ne JSON
- Tekst je ograničen na 60.000 znakova po HTTP zahtjevu; WebSocket nema ukupno ograničenje
- Autentificiraš se zaglavljem
Authorization: Bearer - Košta 15 USD po milijunu znakova