Gala punkts POST /v1/tts
Atjaunināts 2026. gada 3. novembrī, pamatojoties uz xAI Text to Speech lapu, Voice API atsauces dokumentāciju un Pricing lapu. Avoti: Text to Speech · Voice API · Pricing.
Pārvērt tekstu audio ar Grok API
xAI Text-to-Speech API ar vienu HTTP pieprasījumu pārvērš jebkuru tekstu dabiski skanošā audio failā. Galvenais ieejas punkts ir POST /v1/tts, kas saņem tavu tekstu un tieši atgriež bināru audio failu.
Pieprasījuma struktūra
Tu nosūti POST pieprasījumu uz https://api.x.ai/v1/tts ar JSON ķermeni. Lūk, minimāls piemērs, izmantojot 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 atbild ar bināru audio failu tieši atbildes ķermenī. Ap to nav JSON apvalka: tu saņem audio faila neapstrādātos baitus.
Autentifikācija
Tāpat kā katrā xAI API galapunktā, iekļauj savu API atslēgu Authorization galvenē Bearer formātā:
Authorization: Bearer xai-your-api-key
Pieprasījuma ķermenis
JSON ķermenis balstās uz četriem galvenajiem parametriem:
text(obligāts): teksts, ko pārvērst, līdz 60 000 rakstzīmēm. Tas atbalsta izteiksmīgus tagus, par kuriem uzzināsi nākamajās nodarbībāsvoice_id(neobligāts): balss ID. Noklusējuma vērtība ireve. Vērtības nav jutīgas pret reģistrulanguage(obligāts): valodas kods BCP-47 formātā (en,fr,de, …) vaiautoautomātiskai noteikšanaioutput_format(neobligāts): objekts, kas konfigurē kodeku, paraugu ņemšanas frekvenci un bitu ātrumu
Citi iestatījumi, visi neobligāti, papildina pieprasījumu: speed (atskaņošanas ātrums no 0,7 līdz 1,5, noklusējums 1,0), replace (aizvietošanas tabula, kas labo vārda izrunu, nemainot nosūtīto tekstu), with_timestamps (laika zīmogi katram simbolam), text_normalization (skaitļu, saīsinājumu un simbolu izrakstīšana pirms sintēzes) un optimize_streaming_latency ("1", lai saīsinātu gaidīšanas laiku pirms pirmā audio gabala, nedaudz zaudējot kvalitāti savienojuma vietās).
HTTP atbilde
Veiksmes gadījumā (statuss 200) serveris atgriež audio failu ar satura tipu, kas atbilst pieprasītajam formātam:
audio/mpegpriekš MP3 (noklusējums)audio/wavpriekš WAVaudio/pcmpriekš neapstrādāta PCMaudio/basicpriekš G.711 μ-law (mulaw)audio/alawpriekš G.711 A-law (alaw)
Atbilde nesatur metadatus, tikai audio baitus. Vienīgais izņēmums ir with_timestamps: tad atbilde kļūst par JSON objektu, kas satur audio base64 formātā, tā ilgumu un katra simbola laika zīmogu. Tu vari rakstīt atbildi tieši failā vai straumēt to uz audio atskaņotāju.
Python piemērs
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 piemērs (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));
Cenas
TTS izmaksas ir 15 USD par miljonu rakstzīmju (xAI cenas uz 2026. gada 3. novembri). Tev tiek aprēķinātas maksas par rakstzīmēm, ko nosūti laukā text, ieskaitot izteiksmīgos tagus; replace tabula šo skaitu nemaina. Pie vidēji 1000 rakstzīmēm vienā pieprasījumā tas veido aptuveni 0,015 USD par vienu izsaukumu.
Galvenās atziņas
- Gala punkts
POST /v1/ttsir galvenais ieejas punkts runas sintēzei - Atbilde ir binārs audio fails, nevis JSON
- Teksts ir ierobežots līdz 60 000 rakstzīmēm vienā HTTP pieprasījumā; WebSocket kopējais limits nepastāv
- Autentifikācijai izmanto galveni
Authorization: Bearer - Izmaksas ir 15 USD par miljonu rakstzīmju