Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

TTS užklausos parametrai

Paskaita 2 iš 14 Atnaujinta 2026 m. lapkričio 3 d. Kūrėjas
Šiame puslapyje
  1. Derinkite savo kalbos sintezę
  2. Parametras text
  3. Parametras voice_id
  4. Parametras language
  5. Parametras output_format
  6. Parametras speed
  7. Rekomenduojami deriniai
  8. Svarbiausi punktai

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

Derinkite savo kalbos sintezę

POST /v1/tts galinis taškas sukasi apie keturis pagrindinius JSON užklausos kūno parametrus ir keletą papildomų nustatymų. Kiekvienas jų suteikia tikslią generuojamo garso kontrolę, o juos suprasdami galėsite pritaikyti sintezę savo poreikiams.

Parametras text

Kartu su language, text yra vienintelis privalomas parametras. Jis priima iki 60 000 simbolių ilgio eilutę, kuri gali būti paprastas tekstas arba turėti išraiškingų žymų (apie jas kalbėsime kitame skyriuje).

{
  "text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}

Viršijus 60 000 simbolių ribą, HTTP užklausa bus atmesta. Ilgesniems tekstams xAI rekomenduoja naudoti „WebSocket“, kuris neturi bendro ilgio apribojimo (9–12 pamokos), arba skaidyti tekstą į segmentus, kurių garso įrašus vėliau sujungsite. Skirstykite ties natūraliomis ribomis (sakinio pabaigomis, pastraipų pabaigomis), kad rezultatas būtų sklandus.

Parametras voice_id

Šis parametras nustato sintezei naudojamą balsą. Jis yra neprivalomas; numatytoji reikšmė – eve. ID nėra jautrūs didžiosioms ir mažosioms raidėms: Eve, EVE ir eve yra tas pats.

xAI siūlo 28 integruotus balsus (2026 m. lapkričio 3 d. duomenimis) – tiek pat, kiek ir balso agentui, – plius individualius balsus, sukurtus naudojant „Custom Voices API“. Štai penki originalūs balsai, kaip juos apibūdina xAI:

  • eve: energingas ir linksmas, britų akcentas
  • ara: šiltas ir draugiškas
  • rex: pasitikintis savimi ir aiškus
  • sal: glotnus ir subalansuotas
  • leo: autoritetingas ir galingas, britų akcentas

Kiti 23 balsai (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora ir liora) aprašyti kartu su jų naudojimo atvejais xAI Text to Speech puslapyje; GET /v1/tts/voices grąžina dabartinį sąrašą (3 pamoka).

{
  "text": "Welcome to this tutorial.",
  "voice_id": "rex",
  "language": "en"
}

xAI teigimu, kiekvienas balsas kalba visomis palaikomomis kalbomis. Balso pasirinkimas neturi įtakos kainai, kuri skaičiuojama pagal simbolių skaičių.

Parametras language

Šis parametras yra privalomas. Jis priima BCP-47 kodą arba specialią reikšmę auto automatiniam kalbos nustatymui.

Palaikomos 20 kalbų:

KodasKalbaKodasKalba
enAnglųkoKorėjiečių
frPrancūzųhiHindi
deVokiečiųbnBengalų
es-ESIspanų (Ispanija)ar-EGArabų (Egiptas)
es-MXIspanų (Meksika)ar-SAArabų (Saudo Arabija)
pt-BRPortugalų (Brazilija)ar-AEArabų (JAE)
pt-PTPortugalų (Portugalija)trTurkų
itItalųidIndoneziečių
ruRusųviVietnamiečių
zhKinųjaJaponų

Automatinis nustatymas (auto) gerai veikia vienkalbiams tekstams, tačiau tekstams, kuriuose maišomos kelios kalbos, pagrindinę kalbą nurodykite aiškiai.

Parametras output_format

Šis neprivalomas parametras yra JSON objektas, valdantis garso išvesties formatą. Jį sudaro trys subparametrai.

codec

Kodekas nustato kodavimo formatą:

  • mp3 (numatyta): suspaustas formatas, idealus tinklui ir transliacijoms
  • wav: nuostolių neturintis formatas, geresnė kokybė, bet didesni failai
  • pcm: žalias garsas be antraštės, skirtas apdorojimo grandinėms
  • mulaw / ulaw: G.711 mu-law kodekas telefonijai
  • alaw: G.711 A-law kodekas telefonijai

sample_rate

Diskretizavimo dažnis hercais. Priimtinos reikšmės: 8000, 16000, 22050, 24000 (numatyta), 44100, 48000.

bit_rate

Bitų sparta bitais per sekundę, taikoma tik MP3 kodekui. Priimtinos reikšmės: 32000, 64000, 96000, 128000 (numatyta), 192000.

{
  "text": "High-quality audio for production.",
  "voice_id": "ara",
  "language": "en",
  "output_format": {
    "codec": "wav",
    "sample_rate": 48000
  }
}

Parametras speed

speed nustato atkūrimo greitį: 1.0 yra normalus greitis (numatyta reikšmė), o diapazonas svyruoja nuo 0.7 iki 1.5. Šiek tiek lėtesnis tempas padeda dirbant su tankia edukacine medžiaga; viršijus 1.2, būtinai dar kartą perklausykite rezultatą.

Rekomenduojami deriniai

Naudojimo atvejiscodecsample_ratebit_rate
Tinklas / transliacijamp324000128000
Garso gamybawav48000—
VoIP telefonijamulaw8000—
ML grandinėpcm16000—

Svarbiausi punktai

  • text ir language yra vieninteliai privalomi parametrai
  • voice_id yra neprivalomas (numatyta: eve) ir nejautrus raidžių dydžiui
  • output_format valdo kodeką, diskretizavimo dažnį ir bitų spartą; speed nustato greitį (nuo 0,7 iki 1,5)
  • MP3 esant 24 kHz / 128 kbps yra geras numatytasis balansas tarp kokybės ir dydžio
  • Telefonijai naudokite mulaw arba alaw esant 8 kHz