Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A POST /v1/tts végpont

1. lecke 14 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Szöveg átalakítása hanggá a Grok API-val
  2. A kérés felépítése
  3. A HTTP válasz
  4. Árazás
  5. Főbb megállapítások

Frissítve: 2026. november 3., az xAI Text to Speech oldala, a Voice API referenciája és az Árazás oldal alapján. Források: Text to Speech · Voice API · Pricing.

Szöveg átalakítása hanggá a Grok API-val

Az xAI Text-to-Speech API egyetlen HTTP-hívással alakít át bármilyen szöveget természetesen hangzó audióvá. A fő belépési pont a POST /v1/tts, amely fogadja a szövegedet, és közvetlenül bináris hangfájlt ad vissza.

60,000
Maximális karakterek kérésenként
28
Beépített hangok
20
Támogatott nyelvek
$15
Millió karakterenként

A kérés felépítése

Egy POST kérést küldesz a https://api.x.ai/v1/tts címre JSON törzzsel. Íme egy minimális példa curllel:

curl -X POST "https://api.x.ai/v1/tts" \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello, and welcome to Corsen Academy.",
    "voice_id": "eve",
    "language": "en"
  }' \
  --output audio.mp3

A szerver közvetlenül a válasz törzsében adja vissza a bináris hangfájlt. Nincs körülötte JSON burkoló: a hangfájl nyers bájtsorozatát kapod meg.

Hitelesítés

Minden xAI API-végponthoz hasonlóan az API-kulcsodat a Authorization fejlécben kell megadnod Bearer formátumban:

Authorization: Bearer xai-your-api-key

Kérés törzse

A JSON törzs négy fő paraméter köré épül:

  • text (kötelező): az átalakítandó szöveg, legfeljebb 60 000 karakterig. Támogatja a kifejező címkéket, amelyekkel a következő leckékben ismerkedsz majd meg
  • voice_id (opcionális): a hang azonosítója. Alapértelmezett értéke: eve. Az értékek nem különböztetik meg a kis- és nagybetűket
  • language (kötelező): a nyelvi kód BCP-47 formátumban (en, fr, de, …) vagy auto az automatikus észleléshez
  • output_format (opcionális): egy objektum, amely konfigurálja a kodeket, a mintavételezési rátát és a bitrátát

További, szintén opcionális beállítások egészítik ki a kérést: speed (lejátszási sebesség, 0,7 és 1,5 között, alapértelmezetten 1,0), replace (helyettesítési tábla, amely javítja egy szó kiejtését anélkül, hogy megváltoztatná a küldött szöveget), with_timestamps (karakterenkénti időbélyegek), text_normalization (számok, rövidítések és szimbólumok kiírása szintézis előtt), valamint az optimize_streaming_latency ("1" értékkel csökkenthető a várakozási idő az első hangrészlet előtt, cserébe az illesztéseknél minimális minőségromlás lép fel).

A HTTP válasz

Siker esetén (200-as státuszkód) a szerver visszaadja a hangfájlt azzal a tartalomtípussal, amely megfelel a kért formátumnak:

  • audio/mpeg MP3-hoz (alapértelmezett)
  • audio/wav WAV-hoz
  • audio/pcm nyers PCM-hez
  • audio/basic G.711 μ-law (mulaw) kódoláshoz
  • audio/alaw G.711 A-law (alaw) kódoláshoz

A válasz nem tartalmaz metaadatokat, csak a hangbájtokat. Az egyetlen kivétel a with_timestamps: ekkor a válasz egy JSON-objektum lesz, amely base64 kódolásban tartalmazza a hangot, annak időtartamát és minden egyes karakter időbélyegét. A választ közvetlenül fájlba írhatod, vagy audiólejátszóba streamelheted.

Python példa

import requests

response = requests.post(
    "https://api.x.ai/v1/tts",
    headers={"Authorization": f"Bearer {api_key}"},
    json={
        "text": "Here's an example of speech synthesis.",
        "voice_id": "rex",
        "language": "en"
    }
)

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

JavaScript példa (Node.js)

const response = await fetch("https://api.x.ai/v1/tts", {
  method: "POST",
  headers: {
    "Authorization": `Bearer ${process.env.XAI_API_KEY}`,
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    text: "Here's an example of speech synthesis.",
    voice_id: "rex",
    language: "en"
  })
});

const buffer = await response.arrayBuffer();
fs.writeFileSync("output.mp3", Buffer.from(buffer));

Árazás

A TTS költsége millió karakterenként 15 USD (xAI árazás 2026. november 3. szerint). A text mezőben elküldött karakterek után számolnak fel díjat, beleértve a kifejező címkéket is; a replace tábla nem módosítja ezt a számlálást. Átlagosan 1000 karakterenkénti kéréssel ez hívásonként körülbelül 0,015 USD-t jelent.

Főbb megállapítások

  • A POST /v1/tts végpont a beszédszintézis fő belépési pontja
  • A válasz egy bináris hangfájl, nem JSON
  • A szöveg HTTP-kérésenként 60 000 karakterre korlátozódik; WebSocket esetén nincs teljes limit
  • A hitelesítés az Authorization: Bearer fejléccel történik
  • A költség millió karakterenként 15 USD