Garso atsakas ir kainodara
Šiame puslapyje
Atnaujinta 2026 m. lapkričio 3 d., remiantis xAI Pricing, Rate limits ir Text to Speech puslapiais. Šaltiniai: Pricing · Rate limits · Text to Speech.
Kaip tvarkyti atsaką ir kontroliuoti išlaidas
Kai TTS API veikia sėkmingai, jis tiesiogiai HTTP kūne grąžina garso baitų srautą. Norint naudoti TTS gamybinėje aplinkoje, būtina žinoti, kaip tvarkyti šį atsaką ir numatyti išlaidas.
HTTP atsako sandara
Atsakas turi 200 būsenos kodą, o jo kūne yra tik garso baitai. Jokio JSON apvalkalo nėra. Svarbiausios HTTP antraštės:
Content-Type: garso formatas (audio/mpegMP3,audio/wavWAV,audio/pcmPCM)Content-Length: garso failo dydis baitais
response = requests.post("https://api.x.ai/v1/tts", ...)
# Check for success
if response.status_code == 200:
content_type = response.headers["Content-Type"]
audio_size = len(response.content)
print(f"Format: {content_type}, Size: {audio_size} bytes")
Įrašymas į failą
Paprastiausias būdas – įrašyti atsaką tiesiai į failą:
with open("output.mp3", "wb") as f:
f.write(response.content)
Atsako srautinis perdavimas
Dideliems failams naudokite srautinį perdavimą, kad neužkrautumėte viso garso į atmintį:
response = requests.post(
"https://api.x.ai/v1/tts",
headers={"Authorization": f"Bearer {api_key}"},
json={"text": long_text, "voice_id": "eve", "language": "en"},
stream=True
)
with open("output.mp3", "wb") as f:
for chunk in response.iter_content(chunk_size=8192):
f.write(chunk)
Paleidimas tiesiai naršyklėje
Kliento pusės „JavaScript“ kode (persiuntus garso duomenis per savo serverinę dalį) gali dinamiškai sukurti garso elementą:
const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();
Nepamiršk atlaisvinti „Blob“ URL po atkūrimo, kad išvengtum atminties nutekėjimo (gamynybinėje pamokoje tai aptariama išsamiau).
Kodeko ir „Content-Type“ atitikmenų lentelė
| Prašomas kodekas | Gautas Content-Type | Failo plėtinys |
|---|---|---|
mp3 | audio/mpeg | .mp3 |
wav | audio/wav | .wav |
pcm | audio/pcm | .pcm |
mulaw | audio/basic | .ul |
alaw | audio/alaw | .al |
Išsami kainodara
TTS kaina yra 15 USD už milijoną simbolių (xAI kainodara pagal 2026 m. lapkričio 3 d. duomenis). Mokate už text lauko turinį tokį, kokį siunčiate, įskaitant išraiškingas žymas.
Išlaidų įverčiai
| Apimtis | Simboliai | Apytikslė kaina |
|---|---|---|
| 1 sakinys | ~100 | 0,0015 USD |
| 1 pastraipa | ~500 | 0,0075 USD |
| 1 spausdintas puslapis | ~2 000 | 0,03 USD |
| 1 tinklaraščio įrašas | ~5 000 | 0,075 USD |
| 1 knyga (200 psl.) | ~400 000 | 6 USD |
| 1 milijonas simbolių | 1 000 000 | 15 USD |
Žymos ir atsiskaitymas
Išraiškingos žymos, tokios kaip [pause], <whisper> ir <loud>, įskaičiuojamos į bendrą simbolių skaičių. 1 000 simbolių tekstas su 50 simbolių žymomis bus apmokestintas kaip 1 050 simbolių. Tai paprastai sudaro mažiau nei 5 % viso teksto.
Vienalaikiškumo ribos
Pagal xAI Rate limits puslapį, pradiniame lygmenyje TTS priima 50 užklausų per sekundę ir 100 vienalaikių sesijų. Šios ribos didėja priklausomai nuo jūsų komandos lygmens (iki 500 ir 500). Text to Speech puslapyje taip pat minima, kad vienai komandai leidžiama 50 vienalaikių „WebSocket“ sesijų. Viršijus šias ribas, API grąžina 429 klaidą: didelės apimties atveju didinkite intervalus tarp užklausų arba naudokite eilę.
Garso trukmės įvertinimas
Sugeneruoto garso trukmė priklauso nuo teksto, balso ir speed nustatymo. Apytiksliai skaitymo kalba yra apie 150 žodžių per minutę, arba maždaug 850 simbolių per minutę anglų kalba: prieš žadėdami konkrečią trukmę, tai išmatuokite naudodami savo balsą. Tikslų skaičių gausite naudodami with_timestamps, kuris kartu su laiko žymomis grąžina garso trukmę (duration).
Esant tokiam tempui, 60 000 simbolių tekstas (didžiausias vienos užklausos limitas) sukurs šiek tiek daugiau nei valandos trukmės garso įrašą.
Svarbiausi punktai
- TTS atsakas yra dvejetainis srautas, o ne JSON
- „Content-Type“ nurodo, kokį garso formatą gavote
- Didelius failus perduokite srautu
- Kaina – 15 USD už milijoną simbolių, įskaitant žymas
- Pradiniame lygmenyje: 50 užklausų per sekundę ir 100 vienalaikių sesijų
- 60 000 simbolių užklausa sukuria maždaug valandos trukmės garso įrašą