A TTS-kérés paraméterei
Ezen az oldalon
Frissítve: 2026. november 3., az xAI Text to Speech oldala és a Voice API referenciája alapján. Források: Text to Speech · Voice API.
A beszédszintézis finomhangolása
A POST /v1/tts végpont négy fő paraméterre épül a JSON kéréstörzsben, kiegészülve néhány opcionális beállítással. Mindegyik precíz kontrollt biztosít a generált hanganyag felett, és megértésükkel a szintézist pontosan a saját esetéhez igazíthatod.
A text paraméter
A language mellett a text az egyetlen kötelező paraméter. Legfeljebb 60 000 karakter hosszúságú szöveget fogad el, amely tartalmazhat egyszerű szöveget vagy kifejező címkéket (ezeket a következő részben tárgyaljuk).
{
"text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}
60 000 karakter felett a HTTP-kérést a rendszer elutasítja. Hosszabb szövegek esetén az xAI a WebSocket használatát javasolja, amelynek nincs teljes hosszkorlátja (9–12. leckék), vagy a szöveg olyan szegmensekre bontását, amelyek hanganyagait utólag összefűzöd. A zökkenőmentes eredmény érdekében természetes határoknál (mondatvégek, bekezdésvégek) vágd szét a szöveget.
A voice_id paraméter
Ez a paraméter határozza meg a szintézishez használt hangot. Opcionális, alapértelmezett értéke az eve. Az azonosítók nem különböztetik meg a kis- és nagybetűket: az Eve, az EVE és az eve egyenértékű.
Az xAI 28 beépített hangot kínál (2026. november 3-i állapot szerint), ugyanazokat, mint a voice agent esetében, plusz a Custom Voices API-val létrehozott egyedi hangokat. Az öt eredeti hang az xAI leírása szerint:
- eve: energikus és vidám, brit akcentussal
- ara: meleg és barátságos
- rex: magabiztos és érthető
- sal: sima és kiegyensúlyozott
- leo: tekintélyt parancsoló és erőteljes, brit akcentussal
A további 23 hang (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora és liora) leírása és felhasználási területe az xAI Text to Speech oldalán található; a GET /v1/tts/voices lekérdezés visszaadja az aktuális listát (3. lecke).
{
"text": "Welcome to this tutorial.",
"voice_id": "rex",
"language": "en"
}
Az xAI szerint minden hang beszél minden támogatott nyelven. A hangválasztás nem befolyásolja az árat, amely a karakterek számán alapul.
A language paraméter
Ez a paraméter kötelező. Elfogad egy BCP-47 kódot vagy az auto speciális értéket az automatikus nyelvfelismeréshez.
A 20 támogatott nyelv:
| Kód | Nyelv | Kód | Nyelv |
|---|---|---|---|
en | angol | ko | koreai |
fr | francia | hi | hindi |
de | német | bn | bengáli |
es-ES | spanyol (Spanyolország) | ar-EG | arab (Egyiptom) |
es-MX | spanyol (Mexikó) | ar-SA | arab (Szaúd-Arábia) |
pt-BR | portugál (Brazília) | ar-AE | arab (Egyesült Arab Emírségek) |
pt-PT | portugál (Portugália) | tr | török |
it | olasz | id | indonéz |
ru | orosz | vi | vietnámi |
zh | kínai | ja | japán |
Az automatikus felismerés (auto) jól működik egynyelvű szövegeknél, de több nyelvet keverő szövegek esetén érdemes explicit megadni a fő nyelvet.
Az output_format paraméter
Ez az opcionális paraméter egy JSON-objektum, amely vezérli a hangkimenet formátumát. Három alparaméterből áll.
codec
A codec határozza meg a kódolási formátumot:
mp3(alapértelmezett): tömörített formátum, ideális webes használathoz és streaminghezwav: veszteségmentes formátum, jobb minőség, de nagyobb fájlméretpcm: nyers hanganyag fejléc nélkül, feldolgozási folyamatokhozmulaw/ulaw: G.711 mu-law codec telefonáláshozalaw: G.711 A-law codec telefonáláshoz
sample_rate
A mintavételezési frekvencia hertzben. Elfogadott értékek: 8000, 16000, 22050, 24000 (alapértelmezett), 44100, 48000.
bit_rate
A bitráta bit/másodpercben, kizárólag az MP3 codec esetén. Elfogadott értékek: 32000, 64000, 96000, 128000 (alapértelmezett), 192000.
{
"text": "High-quality audio for production.",
"voice_id": "ara",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 48000
}
}
A speed paraméter
A speed állítja be a lejátszási sebességet: az 1.0 a normál sebesség (alapértelmezett), a tartomány pedig 0.7 és 1.5 között mozog. Sűrű oktatási tartalmaknál a kissé lassabb tempó segíthet; 1.2 felett mindig hallgasd vissza az eredményt.
Ajánlott kombinációk
| Felhasználási eset | codec | sample_rate | bit_rate |
|---|---|---|---|
| Web / streaming | mp3 | 24000 | 128000 |
| Hanggyártás | wav | 48000 | — |
| VoIP telefonálás | mulaw | 8000 | — |
| ML folyamat | pcm | 16000 | — |
Főbb megállapítások
- A
textés alanguageaz egyetlen kötelező paraméter - A
voice_idopcionális (alapértelmezett:eve) és nem különbözteti meg a kis- és nagybetűket - Az
output_formatvezérli a codecet, a mintavételezési rátát és a bitrátát; aspeedállítja be a sebességet (0,7–1,5) - Az MP3 24 kHz-en / 128 kbps-on jó alapértelmezett egyensúly a minőség és a méret között
- Telefonáláshoz használd a
mulawvagyalawkodeket 8 kHz-en