Galo galas POST /v1/tts
Šiame puslapyje
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.
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 pamokosevoice_id(nebūtina): balso ID. Numatytoji reikšmė –eve. Reikšmės nėra jautrios raidžių dydžiuilanguage(privaloma): kalbos kodas BCP-47 formatu (en,fr,de, …) arbaautoautomatiniam aptikimuioutput_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/mpegMP3 formatui (numatytoji)audio/wavWAV formatuiaudio/pcmžaliems PCM duomenimsaudio/basicG.711 μ-law (mulaw) formatuiaudio/alawG.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/ttsyra 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: Bearerantraštę - Kaina – 15 USD už milijoną simbolių