Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Első lépések a Text-to-Speech API-val

6. lecke 14 közül Frissítve 2026. november 3. Középhaladó
Ezen az oldalon
  1. Szöveg be, hang ki
  2. HTTP vagy WebSocket: két mód a szolgáltatás hívására
  3. HTTP kérés paraméterei
  4. Válaszd ki a kimeneti formátumot
  5. A hangkatalógus lekérdezése
  6. Főbb megállapítások

Frissítve: 2026. november 3., az xAI Text to Speech és Pricing oldalai alapján. Források: Text to Speech · Pricing.

Szöveg be, hang ki

A Grok Text-to-Speech API egyetlen dolgot csinál, de azt kiválóan: szöveget alakít át nagy minőségű hanggá. Míg a Voice Agent párbeszédet kezel, váltakozó beszélőkkel és megszakításokkal, addig a TTS szigorúan egyirányú: te küldesz szöveget, és hangot kapsz vissza. Ez az egyszerűség teszi ideális választássá minden olyan esetben, amikor a gép nem vár választ: narrált cikkek, telefonos üdvözlő szövegek, e-learning modulok hangalámondása vagy hangértesítések.

$15
millió karakterenként
20
támogatott nyelv
28
beépített hang
60 000
maximális karakterek kérésenként

HTTP vagy WebSocket: két mód a szolgáltatás hívására

A HTTP mód a legközvetlenebb. Küldesz egy POST kérést a szövegeddel, és a válasz tartalmazza a teljes hangfájlt, alapértelmezetten MP3 formátumban:

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"
  }'

Figyeld meg az -o output.mp3 paramétert: a válasz törzse nyers hangadat, nem pedig egy linket tartalmazó JSON. Ez a mód tökéletes háttérben futó generáláshoz, például egy éjszakai kötegelt feladathoz, amely cikkek hangverzióit állítja elő, mivel ilyenkor senki nem vár a képernyő előtt.

A WebSocket mód más igényt elégít ki: még akkor is hallhatod a hangot, amikor a teljes szöveg szintézise még nem fejeződött be. Megnyitsz egy kapcsolatot, és az URL-ben adod meg a paramétereket:

wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3

Ezután darabokban küldöd el a szöveget a text.delta segítségével, a text.done parancscsal jelzed a végét, és a hang base64 kódolt darabokban érkezik vissza az audio.delta eseményen. A streamelés feloldja a HTTP mód hosszbeli korlátját, és ami még fontosabb: lehetővé teszi a valós idejű szintézist, ami elengedhetetlen, ha maga a szöveg is éppen egy modell által generálódik.

HTTP kérés paraméterei

ParaméterTípusKötelezőLeírás
textstringIgenAz átalakítandó szöveg, legfeljebb 60 000 karakter
voice_idstringNemA használni kívánt hang (alapértelmezett: eve)
languagestringIgenBCP-47 kód (en, fr, de, …) vagy auto
output_formatobjectNemKodek, mintavételezési frekvencia és bitráta
speednumberNemLejátszási sebesség, 0,7 és 1,5 között (alapértelmezett: 1,0)

Két pontot érdemes kiemelni. A language paraméter kötelező, ami gyakran meglepi a felhasználókat: a szolgáltatás nem találgatja a szöveg nyelvét, hacsak nem kéred ezt expliciten az auto értékkel. A voice_id pontosan ugyanazokat a hangokat használja, mint a Voice Agent (2026. november 3-án 28 beépített hang áll rendelkezésre, köztük az eve, ara, rex, sal és leo, plusz az egyedi hangjaid), és nem különbözteti meg a kis- és nagybetűket. Ugyanaz a hangszemélyiség tehát működtetheti mind a beszélgető ügynöködet, mind a rögzített tartalmaidat, amit érdemes kihasználnod a márkaegységesség érdekében.

Válaszd ki a kimeneti formátumot

Az output_format mező szabályozza a kodeket és a minőséget:

{
  "text": "Átalakítandó szöveg.",
  "voice_id": "rex",
  "language": "en",
  "output_format": {
    "codec": "wav",
    "sample_rate": 44100
  }
}

A kodeket aszerint válaszd ki, mi történik a fájllal ezután. Az mp3 az általános használatra alkalmas: jól tömörített és mindenhol lejátszható, ezért ez az ésszerű alapértelmezés weboldalakhoz vagy podcastokhoz. A wav veszteségmentes, így nehezebb, de erre van szükséged, ha egy szerkesztő utólag módosítani fogja a sávot. A pcm nyers hangot szolgáltat olyan feldolgozási folyamatokhoz, amelyeknek nincs szükségük tárolókonténerre. Végül a mulaw és az alaw a G.711-es telefonos kodekek, amelyeket a megfelelő távközlési rendszerek igényelnek.

A mintavételezési frekvenciák 8000 és 48 000 Hz között mozognak, az alapértelmezett érték 24 000 Hz, ami a felhasználások túlnyomó többségét lefedi. MP3 esetén a bitráta 32 000 és 192 000 bps között állítható, alapértelmezetten 128 000. Beszédfelvétel esetén a 192 000-re való növelés alig javít a hallgatási élményen, miközben harmadával nagyobbá teszi a fájlokat: ezt a tartalékot inkább olyan tartalmakra hagyd meg, amelyek zenét és beszédet kevernek.

A hangkatalógus lekérdezése

Az API két csak olvasható végpontot tesz közzé, amelyek kiegészítik a generálást. A GET /v1/tts/voices az összes elérhető hangot visszaadja metaadataikkal együtt, míg a GET /v1/tts/voices/{voice_id} ugyanazokat a mezőket (voice_id, name, language) adja vissza egyetlen hang esetén; az egyes hangok tónusát és felhasználási területeit az xAI Text to Speech oldala írja le. A hangnevek interface-be való hardcoded beírása helyett töltsd be a hangválasztódat ezekről a végpontokról, így az alkalmazásod akkor is helyes marad, ha a katalógus megváltozik.

Főbb megállapítások

  • A TTS szöveget alakít hanggá HTTP-n (egyszerű) vagy WebSocketen (streamelés) keresztül
  • Költsége millió karakterenként 15 USD, HTTP kérésenként maximum 60 000 karakterrel
  • 28 beépített hang, öt kodek és hat mintavételezési frekvencia biztosít nagy rugalmasságot
  • A WebSocket módra nincs korlát a teljes szöveghosszra vonatkozóan (minden delta legfeljebb 60 000 karakter lehet)
  • A nyelv megadásához BCP-47 kód szükséges (vagy auto az automatikus észleléshez)