Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Odgovor zvuka i cijene

Lekcija 4 od 14 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Rukovanje odgovorom i kontrola troškova
  2. Anatomija HTTP odgovora
  3. Mapiranje kodeka na Content-Type
  4. Detalji o cijenama
  5. Procjena duljine zvuka
  6. Ključne točke

Ažurirano 3. studenoga 2026., na temelju stranica xAI Pricing, Rate limits i Text to Speech. Izvori: Pricing · Rate limits · Text to Speech.

Rukovanje odgovorom i kontrola troškova

Kada TTS API uspije, izravno vraća tok audio bajtova u HTTP tijelu. Poznavanje načina rukovanja tim odgovorom i predviđanje troškova ključno je za pokretanje TTS-a u proizvodnji.

Anatomija HTTP odgovora

Odgovor ima status 200, a tijelo sadrži isključivo audio bajtove. Nema JSON omotača. Važni HTTP zaglavlja su:

  • Content-Type: audio format (audio/mpeg za MP3, audio/wav za WAV, audio/pcm za PCM)
  • Content-Length: veličina audio datoteke u bajtovima
response = requests.post("https://api.x.ai/v1/tts", ...)

# Check for success
if response.status_code == 200:
    content_type = response.headers["Content-Type"]
    audio_size = len(response.content)
    print(f"Format: {content_type}, Size: {audio_size} bytes")

Zapis u datoteku

Najjednostavniji pristup je izravan zapis odgovora u datoteku:

with open("output.mp3", "wb") as f:
    f.write(response.content)

Strujanje odgovora

Za velike datoteke, struji odgovor kako ne bi učitao sav zvuk u memoriju:

response = requests.post(
    "https://api.x.ai/v1/tts",
    headers={"Authorization": f"Bearer {api_key}"},
    json={"text": long_text, "voice_id": "eve", "language": "en"},
    stream=True
)

with open("output.mp3", "wb") as f:
    for chunk in response.iter_content(chunk_size=8192):
        f.write(chunk)

Izravna reprodukcija u pregledniku

U JavaScriptu na strani klijenta (nakon prosljeđivanja zvuka kroz tvoju pozadinsku uslugu), možeš dinamički stvoriti audio element:

const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();

Ne zaboravi osloboditi Blob URL nakon reprodukcije kako bi izbjegao curenje memorije (lekcija o proizvodnji detaljno obrađuje ovo).

Mapiranje kodeka na Content-Type

Zatraženi kodekPrimljen Content-TypeEkstenzija datoteke
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/alaw.al

Detalji o cijenama

TTS košta 15 USD po milijunu znakova (xAI cijene od 3. studenoga 2026.). Naplaćuje ti se sadržaj polja text kako ga šalješ, uključujući ekspresivne oznake.

Procjene troškova

ObujamZnakoviProcijenjeni trošak
1 rečenica~1000,0015 USD
1 odlomak~5000,0075 USD
1 tiskana stranica~2.0000,03 USD
1 blog objava~5.0000,075 USD
1 knjiga (200 stranica)~400.0006 USD
1 milijun znakova1.000.00015 USD

Oznake i naplata

Ekspresivne oznake poput [pause], <whisper> i <loud> računaju se u ukupan broj znakova. Tekst od 1.000 znakova s 50 znakova oznaka naplaćuje se kao 1.050 znakova. To je obično manje od 5% ukupnog teksta.

Ograničenja istovremenosti

Prema stranici xAI Rate limits, TTS prihvaća 50 zahtjeva u sekundi i 100 istovremenih sesija na osnovnoj razini, pri čemu se ta ograničenja povećavaju s razinom tvog tima (do 500 i 500). Stranica Text to Speech također spominje 50 istovremenih WebSocket sesija po timu. Iznad toga, API vraća grešku 429: za velike obujme razmakni svoje zahtjeve ili upotrijebi red čekanja.

Procjena duljine zvuka

Duljina generiranog zvuka ovisi o tekstu, glasu i postavci speed. Okvirno, govorni jezik teče brzinom od oko 150 riječi u minuti, odnosno otprilike 850 znakova u minuti na engleskom: izmjeri to sa svojim glasom prije nego obećaš trajanje. Za točnu vrijednost, with_timestamps vraća trajanje zvuka (duration) zajedno s vremenskim oznakama.

Tom brzinom, tekst od 60.000 znakova, što je ograničenje za jedan zahtjev, proizvodi nešto više od sat vremena zvuka.

Ključne točke

  • TTS odgovor je binarni tok, a ne JSON
  • Content-Type govori ti koji audio format si primio
  • Struji velike datoteke
  • Košta 15 USD po milijunu znakova, uključujući oznake
  • Na osnovnoj razini: 50 zahtjeva u sekundi i 100 istovremenih sesija
  • Zahtjev od 60.000 znakova proizvodi otprilike sat vremena zvuka