Parametri zahtjeva za TTS
Na ovoj stranici
Ažurirano 3. studenoga 2026., na temelju stranice xAI Text to Speech i referencije Voice API-ja. Izvori: Text to Speech · Voice API.
Fino podešavanje sinteze govora
Krajnja točka POST /v1/tts vrti se oko četiri glavna parametra u JSON tijelu zahtjeva, uz nekoliko opcionalnih postavki. Svaki ti daje preciznu kontrolu nad generiranim zvukom, a njihovo razumijevanje omogućuje ti prilagodbu sinteze tvojem slučaju upotrebe.
Parametar text
Zajedno s parametrom language, text je jedini obavezni parametar. Prihvaća niz znakova do 60.000 znakova, koji može sadržavati običan tekst ili ekspresivne oznake (obrađene u sljedećem odjeljku).
{
"text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}
Iznad 60.000 znakova, HTTP zahtjev se odbija. Za duže tekstove, xAI preporučuje WebSocket, koji nema ograničenje ukupne duljine (lekcije 9 do 12), ili dijeljenje teksta na segmente čiji se zvuk naknadno spaja. Dijeli na prirodnim granicama (krajevi rečenica, krajevi odlomaka) za gladak rezultat.
Parametar voice_id
Ovaj parametar postavlja glas koji se koristi za sintezu. Opcionalan je i zadana vrijednost mu je eve. ID-ovi ne razlikuju velika i mala slova: Eve, EVE i eve su ekvivalentni.
xAI nudi 28 ugrađenih glasova (stanje na dan 3. studenoga 2026.), isto kao i za glasovnog agenta, plus prilagođene glasove kreirane putem Custom Voices API-ja. Pet originalnih glasova, kako ih xAI opisuje:
- eve: energičan i veseo, britanski naglasak
- ara: topao i prijateljski
- rex: samouvjeren i jasan
- sal: gladak i uravnotežen
- leo: autoritativan i snažan, britanski naglasak
Ostalih 23 (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora i liora) opisano je, zajedno sa slučajevima upotrebe, na stranici xAI Text to Speech; GET /v1/tts/voices vraća trenutni popis (lekcija 3).
{
"text": "Welcome to this tutorial.",
"voice_id": "rex",
"language": "en"
}
Prema xAI-u, svaki glas govori svaki podržani jezik. Tvoj izbor glasa ne utječe na cijenu, koja se temelji na broju znakova.
Parametar language
Ovaj je parametar obavezan. Prihvaća BCP-47 kod ili posebnu vrijednost auto za automatsko otkrivanje jezika.
Dvadeset podržanih jezika su:
| Kod | Jezik | Kod | Jezik |
|---|---|---|---|
en | Engleski | ko | Korejski |
fr | Francuski | hi | Hindi |
de | Njemački | bn | Bengalski |
es-ES | Španjolski (Španjolska) | ar-EG | Arapski (Egipat) |
es-MX | Španjolski (Meksiko) | ar-SA | Arapski (Saudijska Arabija) |
pt-BR | Portugalski (Brazil) | ar-AE | Arapski (UAE) |
pt-PT | Portugalski (Portugal) | tr | Turski |
it | Talijanski | id | Indonezijski |
ru | Ruski | vi | Vijetnamski |
zh | Kineski | ja | Japanski |
Automatsko otkrivanje (auto) dobro funkcionira za tekstove na jednom jeziku, ali za tekstove koji miješaju nekoliko jezika, eksplicitno navedi glavni jezik.
Parametar output_format
Ovaj opcionalni parametar je JSON objekt koji kontrolira format audio izlaza. Sadrži tri podparametra.
codec
Codec postavlja format kodiranja:
mp3(zadano): komprimirani format, idealan za web i streamingwav: format bez gubitaka, bolja kvaliteta ali veće datotekepcm: sirovi zvuk bez zaglavlja, za pipelineove obrademulaw/ulaw: G.711 mu-law codec za telefonijualaw: G.711 A-law codec za telefoniju
sample_rate
Frekvencija uzorkovanja u hercima. Prihvaćene vrijednosti: 8000, 16000, 22050, 24000 (zadano), 44100, 48000.
bit_rate
Brzina prijenosa u bitovima u sekundi, samo za MP3 codec. Prihvaćene vrijednosti: 32000, 64000, 96000, 128000 (zadano), 192000.
{
"text": "High-quality audio for production.",
"voice_id": "ara",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 48000
}
}
Parametar speed
speed postavlja brzinu reprodukcije: 1.0 je normalna brzina (zadano), a raspon ide od 0.7 do 1.5. Nešto sporiji tempo pomaže kod gustog edukativnog sadržaja; iznad 1.2, uvijek ponovno poslušaj rezultat.
Preporučene kombinacije
| Slučaj upotrebe | codec | sample_rate | bit_rate |
|---|---|---|---|
| Web / streaming | mp3 | 24000 | 128000 |
| Audio produkcija | wav | 48000 | — |
| VoIP telefonija | mulaw | 8000 | — |
| ML pipeline | pcm | 16000 | — |
Ključne točke
textilanguagesu jedini obavezni parametrivoice_idje opcionalan (zadano:eve) i ne razlikuje velika i mala slovaoutput_formatkontrolira codec, frekvenciju uzorkovanja i brzinu prijenosa;speedpostavlja brzinu (0.7 do 1.5)- MP3 na 24 kHz / 128 kbps dobra je zadana ravnoteža između kvalitete i veličine
- Za telefoniju koristi
mulawilialawna 8 kHz