Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Galo galas POST /v1/tts

Paskaita 1 iš 14 Atnaujinta 2026 m. lapkričio 3 d. Kūrėjas
Šiame puslapyje
  1. Paversk tekstą garsu naudodamas Grok API
  2. Užklausos struktūra
  3. HTTP atsakas
  4. Kainodara
  5. Svarbiausi punktai

Atnaujinta 2026 m. lapkričio 3 d., remiantis xAI Text to Speech puslapiu, Voice API nuorodomis ir Pricing puslapiu. Šaltiniai: Text to Speech · Voice API · Pricing.

Paversk tekstą garsu naudodamas Grok API

xAI teksto kalbos (Text-to-Speech) API bet kokį tekstą vienu HTTP užklausimu paverčia natūraliai skambančiu garsu. Pagrindinis įėjimo taškas yra POST /v1/tts, kuris priima tavo tekstą ir tiesiogiai grąžina dvejetainį garso failą.

60,000
Maksimalus simbolių skaičius vienai užklausai
28
Integruoti balsai
20
Palaikomos kalbos
$15
Už milijoną simbolių

Užklausos struktūra

Siunči POST užklausą adresu https://api.x.ai/v1/tts su JSON kūnu. Štai minimalus pavyzdys naudojant curl:

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

Serveris atsako tiesiogiai grąžindamas dvejetainį garso failą atsakymo kūne. Aplink jį nėra jokio JSON voko: gauni žalius garso failo baitus.

Autentifikavimas

Kaip ir kiekviename xAI API gale, įtrauk savo API raktą į Authorization antraštę Bearer formatu:

Authorization: Bearer xai-your-api-key

Užklausos kūnas

JSON kūnas sukasi aplink keturis pagrindinius parametrus:

  • text (privaloma): tekstas, kurį reikia konvertuoti, iki 60 000 simbolių. Jis palaiko išraiškingas žymas, apie kurias sužinosi kitose pamokose
  • voice_id (nebūtina): balso ID. Numatytoji reikšmė – eve. Reikšmės nėra jautrios raidžių dydžiui
  • language (privaloma): kalbos kodas BCP-47 formatu (en, fr, de, …) arba auto automatiniam aptikimui
  • output_format (nebūtina): objektas, konfigūruojantis kodeką, diskretizavimo dažnį ir bitų spartą

Kiti nustatymai, visi nebūtini, papildo užklausą: speed (atkūrimo greitis, nuo 0,7 iki 1,5, pagal nutylėjimą 1,0), replace (pakeitimų lentelė, kuri taiso žodžio tarimą nekeičiant siunčiamo teksto), with_timestamps (laiko žymos kiekvienam simboliui), text_normalization (skaičių, santrumpų ir simbolių išrašymas prieš sintezę) ir optimize_streaming_latency ("1", kad sutrumpintum laukimą prieš pirmąją garso dalį, šiek tiek prarandant kokybę sujungimo vietose).

HTTP atsakas

Sėkmės atveju (būsena 200), serveris grąžina garso failą su turinio tipu, atitinkančiu prašomą formatą:

  • audio/mpeg MP3 formatui (numatytoji)
  • audio/wav WAV formatui
  • audio/pcm žaliems PCM duomenims
  • audio/basic G.711 μ-law (mulaw) formatui
  • audio/alaw G.711 A-law (alaw) formatui

Atsake nėra metaduomenų, tik garso baitai. Vienintelė išimtis – with_timestamps: tuomet atsakas tampa JSON objektu, kuriame garso duomenys yra base64 formatu, nurodyta trukmė ir kiekvieno simbolio laiko žyma. Atsakymą gali tiesiogiai įrašyti į failą arba transliuoti į garso grotuvą.

Python pavyzdys

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 pavyzdys (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));

Kainodara

TTS kaina yra 15 USD už milijoną simbolių (xAI kainodara 2026 m. lapkričio 3 d. duomenimis). Mokama už simbolius, kuriuos siunti lauke text, įskaitant išraiškingas žymas; replace lentelė to skaičiaus nekeičia. Esant vidutiniškai 1 000 simbolių vienai užklausai, vienas kvietimas kainuoja apie 0,015 USD.

Svarbiausi punktai

  • Galas POST /v1/tts yra pagrindinis kalbos sintezės įėjimo taškas
  • Atsakas yra dvejetainis garso failas, o ne JSON
  • Tekstas apribotas iki 60 000 simbolių vienai HTTP užklausai; „WebSocket“ bendro limito neturi
  • Autentifikuoji naudodamas Authorization: Bearer antraštę
  • Kaina – 15 USD už milijoną simbolių