Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Parametri zahtjeva za TTS

Lekcija 2 od 14 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Fino podešavanje sinteze govora
  2. Parametar text
  3. Parametar voice_id
  4. Parametar language
  5. Parametar output_format
  6. Parametar speed
  7. Preporučene kombinacije
  8. Ključne točke

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:

KodJezikKodJezik
enEngleskikoKorejski
frFrancuskihiHindi
deNjemačkibnBengalski
es-ESŠpanjolski (Španjolska)ar-EGArapski (Egipat)
es-MXŠpanjolski (Meksiko)ar-SAArapski (Saudijska Arabija)
pt-BRPortugalski (Brazil)ar-AEArapski (UAE)
pt-PTPortugalski (Portugal)trTurski
itTalijanskiidIndonezijski
ruRuskiviVijetnamski
zhKineskijaJapanski

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 streaming
  • wav: format bez gubitaka, bolja kvaliteta ali veće datoteke
  • pcm: sirovi zvuk bez zaglavlja, za pipelineove obrade
  • mulaw / ulaw: G.711 mu-law codec za telefoniju
  • alaw: 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 upotrebecodecsample_ratebit_rate
Web / streamingmp324000128000
Audio produkcijawav48000—
VoIP telefonijamulaw8000—
ML pipelinepcm16000—

Ključne točke

  • text i language su jedini obavezni parametri
  • voice_id je opcionalan (zadano: eve) i ne razlikuje velika i mala slova
  • output_format kontrolira codec, frekvenciju uzorkovanja i brzinu prijenosa; speed postavlja brzinu (0.7 do 1.5)
  • MP3 na 24 kHz / 128 kbps dobra je zadana ravnoteža između kvalitete i veličine
  • Za telefoniju koristi mulaw ili alaw na 8 kHz