Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Krajnja točka POST /v1/tts

Lekcija 1 od 14 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Pretvori tekst u zvuk pomoću Grok API-ja
  2. Struktura zahtjeva
  3. HTTP odgovor
  4. Cjenik
  5. Ključne točke

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.

60,000
Maksimalan broj znakova po zahtjevu
28
Ugrađenih glasova
20
Podržanih jezika
$15
Po milijunu znakova

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 lekcijama
  • voice_id (opcionalno): ID glasa. Zadana vrijednost je eve. Vrijednosti ne razlikuju velika i mala slova
  • language (obavezno): kod jezika u BCP-47 formatu (en, fr, de, …) ili auto za automatsko otkrivanje
  • output_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/mpeg za MP3 (zadano)
  • audio/wav za WAV
  • audio/pcm za sirovi PCM
  • audio/basic za G.711 μ-law (mulaw)
  • audio/alaw za 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/tts glavni 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