Odgovor zvuka i cijene
Na ovoj stranici
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/mpegza MP3,audio/wavza WAV,audio/pcmza 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 kodek | Primljen Content-Type | Ekstenzija datoteke |
|---|---|---|
mp3 | audio/mpeg | .mp3 |
wav | audio/wav | .wav |
pcm | audio/pcm | .pcm |
mulaw | audio/basic | .ul |
alaw | audio/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
| Obujam | Znakovi | Procijenjeni trošak |
|---|---|---|
| 1 rečenica | ~100 | 0,0015 USD |
| 1 odlomak | ~500 | 0,0075 USD |
| 1 tiskana stranica | ~2.000 | 0,03 USD |
| 1 blog objava | ~5.000 | 0,075 USD |
| 1 knjiga (200 stranica) | ~400.000 | 6 USD |
| 1 milijun znakova | 1.000.000 | 15 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