Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Pradėkite naudoti teksto į kalbą API

Paskaita 6 iš 14 Atnaujinta 2026 m. lapkričio 3 d. Vidutinis lygis
Šiame puslapyje
  1. Tekstas į vidų, garsas iš išorės
  2. HTTP arba WebSocket: du būdai kreiptis į tarnybą
  3. HTTP užklausos parametrai
  4. Pasirinkite išvesties formatą
  5. Užklauskite balsų katalogą
  6. Svarbiausi punktai

Atnaujinta 2026 m. lapkričio 3 d., remiantis xAI Text to Speech ir Pricing puslapiais. Šaltiniai: Text to Speech · Pricing.

Tekstas į vidų, garsas iš išorės

„Grok“ teksto į kalbą (TTS) API atlieka vieną dalyką ir daro tai puikiai: paverčia tekstą aukštos kokybės garso įrašu. Kol „Voice Agent“ valdo dialogą su posmių kaita ir pertraukimais, TTS veikia griežtai viena kryptimi: siunčiate tekstą ir gaunate garsą. Šis paprastumas daro jį pagrindiniu įrankiu tais atvejais, kai niekas neatsako mašinai: skaitomi straipsniai, telefono pasisveikinimai, garso takeliai e. mokymosi moduliams ar garso pranešimai.

$15
už milijoną simbolių
20
palaikomų kalbų
28
integruotų balsų
60 000
maks. simbolių vienam užklausimui

HTTP arba WebSocket: du būdai kreiptis į tarnybą

HTTP režimas yra tiesiausias. Siunčiate POST užklausą su savo tekstu, o atsakyme gaunate visą garso failą, pagal nutylėjimą MP3 formatu:

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"
  }'

Atkreipkite dėmesį į -o output.mp3: atsakymo kūnas yra „žalias“ garso srautas, o ne JSON, kuriame būtų nuoroda. Šis režimas idealiai tinka foniniam generavimui, pavyzdžiui, naktinei užduočiai, kuri sukuria garso straipsnių versijas, nes niekas nelaukia prie ekrano.

WebSocket režimas tenkina kitokį poreikį: girdėti garsą dar prieš sintezuojant visą tekstą. Atidarote ryšį ir parametrus perduodate URL adrese:

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

Tada tekstą siunčiate dalimis naudodami text.delta, pabaigą žymite text.done, o garso duomenys grįžta kaip „base64“ fragmentai per audio.delta. Srautinis perdavimas panaikina HTTP režimo ilgio apribojimą ir, svarbiausia, leidžia sintezuoti tekstą jam dar kuriamas modelio, kas yra būtina, kai pats tekstas generuojamas realiuoju laiku.

HTTP užklausos parametrai

ParametrasTipasPrivalomasAprašymas
textstringTaipTekstas konvertavimui, iki 60 000 simbolių
voice_idstringNeNaudojamas balsas (pagal nutylėjimą: eve)
languagestringTaipBCP-47 kodas (en, fr, de, …) arba auto
output_formatobjectNeKodekas, diskretizavimo dažnis ir bitų sparta
speednumberNeAtkūrimo greitis nuo 0,7 iki 1,5 (pagal nutylėjimą: 1,0)

Du punktai nusipelno dėmesio. language yra privalomas, kas dažnai nustebina: tarnyba neatpažįsta teksto kalbos, nebent tai aiškiai nurodote naudodami reikšmę auto. Be to, voice_id naudoja tuos pačius balsus kaip ir „Voice Agent“ (28 integruoti balsai 2026 m. lapkričio 3 d., įskaitant eve, ara, rex, sal ir leo, plus jūsų sukurti balsai) ir neskyria didžiųjų bei mažųjų raidžių. Tas pats balso personažas gali valdyti tiek jūsų pokalbių agentą, tiek įrašytą turinį, o tai verta išnaudoti siekiant prekės ženklo nuoseklumo.

Pasirinkite išvesties formatą

Laukas output_format valdo kodeką ir kokybę:

{
  "text": "Text to convert.",
  "voice_id": "rex",
  "language": "en",
  "output_format": {
    "codec": "wav",
    "sample_rate": 44100
  }
}

Kodeką rinkitės pagal tai, kas bus daroma su failu toliau. mp3 tinka bendram naudojimui: gerai suspaustas ir atkuriamas bet kur, tai protingas pasirinkimas svetainei ar tinklalaidėms. wav yra be nuostolių, todėl sunkesnis, bet būtinas, jei redaktorius ketina toliau apdoroti takelį. pcm pateikia „žalius“ garso duomenis apdorojimo grandinėms, kurioms konteineris nereikalingas. Galiausiai, mulaw ir alaw yra G.711 telefonijos kodekai, skirti telekomunikacijų sistemoms, kurioms jų reikia.

Diskretizavimo dažniai svyruoja nuo 8000 iki 48 000 Hz, pagal nutylėjimą – 24 000 Hz, kas padengia didžiąją daugumą naudojimo atvejų. MP3 formatui bitų sparta yra nuo 32 000 iki 192 000 bps, pagal nutylėjimą – 128 000. Kalbamojo balso atveju didinimas iki 192 000 beveik nieko neprideda prie klausymosi patirties, tačiau failus padidina trečdaliu: tą rezervą palikite turiniui, kuriame maišoma muzika ir balsas.

Užklauskite balsų katalogą

API pateikia du tik skaitymui skirtus galinius taškus, kurie papildo generavimą. GET /v1/tts/voices grąžina visus available balsus su jų metaduomenimis, o GET /v1/tts/voices/{voice_id} grąžina tuos pačius laukus (voice_id, name, language) vienam balsui; kiekvieno balso tonas ir naudojimo atvejai aprašyti xAI Text to Speech puslapyje. Užuot įkodavę balsų pavadinimus savo sąsajoje, užpildykite balsų pasirinkimo meniu iš šių galinių taškų – taip jūsų programa išliks tiksli net ir pasikeitus katalogui.

Svarbiausi punktai

  • TTS konvertuoja tekstą į garsą per HTTP (paprasta) arba WebSocket (srautinis)
  • Kaina – 15 USD už milijoną simbolių, maksimalus dydis vienai HTTP užklausai – 60 000 simbolių
  • 28 integruoti balsai, penki kodekai ir šeši diskretizavimo dažniai suteikia didelį lankstumą
  • WebSocket režimas neturi bendro teksto ilgio ribos (kiekvienas delta fragmentas ribojamas iki 60 000 simbolių)
  • Kalbai nurodyti būtinas BCP-47 kodas (arba auto automatiniam aptikimui)