Započni s Text-to-Speech API-jem
Na ovoj stranici
Ažurirano 3. studenoga 2026., na temelju stranica xAI Text to Speech i Pricing. Izvori: Text to Speech · Pricing.
Tekst unutra, zvuk van
Grok Text-to-Speech API radi jednu stvar i radi je izvrsno: pretvara tekst u visokokvalitetni audio zapis. Dok Voice Agent upravlja dijalogom s izmjenama govornika i mogućnošću prekidanja, TTS funkcionira isključivo jednosmjerno: šalješ tekst i dobivaš zvuk zauzvrat. Ta jednostavnost čini ga alatom prvog izbora kad nitko ne odgovara stroju: narirani članci, telefonske najave, voice-overi za e-učenje moduli, audio obavijesti.
HTTP ili WebSocket: dva načina pozivanja usluge
HTTP način je najizravniji. Šalješ POST zahtjev sa svojim tekstom, a odgovor sadrži cijelu audio datoteku, prema zadanim postavkama u MP3 formatu:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-o output.mp3 \
-d '{
"text": "Hello and welcome to Corsen Academy.",
"voice_id": "ara",
"language": "en"
}'
Obrati pažnju na -o output.mp3: tijelo odgovora je sirovi audio, a ne JSON koji omata poveznicu. Ovaj način savršeno odgovara generiranju u pozadini, poput noćne serije zadataka koja proizvodi audio verzije tvojih članaka, jer nitko ne čeka ispred ekrana.
WebSocket način zadovoljava drugačiju potrebu: slušanje zvuka prije nego što je cijeli tekst sintetiziran. Otvaraš vezu i prosljeđuješ parametre u URL-u:
wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3
Zatim šalješ tekst u dijelovima pomoću text.delta, signaliziraš kraj s text.done, a audio se vraća kao base64 chunkovi na audio.delta. Strujanje uklanja ograničenje duljine HTTP načina i, što je najvažnije, omogućuje ti sintetiziranje u hodu, što je ključno kada se sam tekst još uvijek generira pomoću modela.
Parametri HTTP zahtjeva
| Parametar | Tip | Obavezno | Opis |
|---|---|---|---|
text | string | Da | Tekst za pretvorbu, do 60.000 znakova |
voice_id | string | Ne | Glas koji će se koristiti (zadano: eve) |
language | string | Da | BCP-47 kod (en, fr, de, …) ili auto |
output_format | object | Ne | Kodek, frekvencija uzorkovanja i bitna brzina |
speed | number | Ne | Brzina reprodukcije, od 0,7 do 1,5 (zadano: 1,0) |
Dvije točke zaslužuju pažnju. language je obavezan, što često iznenadi ljude: usluga ne pogađa jezik tvojeg teksta osim ako to eksplicitno ne zatražiš vrijednošću auto. I voice_id koristi točno iste glasove kao i Voice Agent (28 ugrađenih glasova na dan 3. studenoga 2026., uključujući eve, ara, rex, sal i leo, plus tvoje prilagođene glasove), a ne razlikuje velika i mala slova. Isti glasovni lik stoga može pokretati i tvoj konverzacijski agent i tvoj snimljeni sadržaj, što vrijedi iskoristiti radi dosljednosti brenda.
Odabir izlaznog formata
Polje output_format kontrolira kodek i kvalitetu:
{
"text": "Text to convert.",
"voice_id": "rex",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 44100
}
}
Odaberi kodek ovisno o tome što se dalje događa s datotekom. mp3 odgovara općoj upotrebi: dobro komprimiran i reproduktibilan svugdje, to je razuman zadani izbor za web-mjesto ili podcast. wav je bez gubitaka, pa teži, ali je ono što ti treba kada će urednik ponovno obrađivati zapis. pcm isporučuje sirovi audio, za pipelineove obrade kojima kontejner nije potreban. Konačno, mulaw i alaw su G.711 telefonski kodeci, za telekom sustave koji ih zahtijevaju.
Frekvencije uzorkovanja kreću se od 8000 do 48000 Hz, sa zadanom vrijednošću od 24000 Hz, što pokriva veliku većinu upotreba. Za MP3, bitna brzina ide od 32000 do 192000 bps, sa zadanom vrijednošću od 128000. Povećanje na 192000 za govorni glas gotovo ništa ne dodaje iskustvu slušanja, a datoteke čini trećinu većima: tu rezervu sačuvaj za sadržaj koji miješa glazbu i glas.
Upit katalogu glasova
API izlaže dvije krajnje točke samo za čitanje koje nadopunjuju generiranje. GET /v1/tts/voices vraća sve dostupne glasove s njihovim metapodacima, a GET /v1/tts/voices/{voice_id} vraća ista polja (voice_id, name, language) za jedan glas; ton i slučajevi upotrebe svakog glasa opisani su na xAI stranici Text to Speech. Umjesto tvrdog kodiranja imena glasova u svom sučelju, popuni svoj birač glasova iz ovih krajnjih točaka i tvoja će aplikacija ostati ispravna onog dana kada se katalog promijeni.
Ključne točke
- TTS pretvara tekst u audio putem HTTP-a (jednostavno) ili WebSocketa (strujanje)
- Košta 15 USD po milijunu znakova, s maksimumom od 60.000 znakova po HTTP zahtjevu
- 28 ugrađenih glasova, pet kodeka i šest frekvencija uzorkovanja daju ti puno fleksibilnosti
- WebSocket način nema ograničenje ukupne duljine teksta (svaki delta je ograničen na 60.000 znakova)
- BCP-47 kod je potreban za određivanje jezika (ili
autoza automatsko otkrivanje)