Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Gala punkts POST /v1/tts

Nodarbība 1 no 14 Atjaunota 2026. gada 3. novembris Programmētājs
Šajā lapā
  1. Pārvērt tekstu audio ar Grok API
  2. Pieprasījuma struktūra
  3. HTTP atbilde
  4. Cenas
  5. Galvenās atziņas

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.

60,000
Maksimālais rakstzīmju skaits vienā pieprasījumā
28
Iebūvētās balsis
20
Atbalstītās valodas
$15
Par miljonu rakstzīmju

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 nodarbībās
  • voice_id (neobligāts): balss ID. Noklusējuma vērtība ir eve. Vērtības nav jutīgas pret reģistru
  • language (obligāts): valodas kods BCP-47 formātā (en, fr, de, …) vai auto automātiskai noteikšanai
  • output_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/mpeg priekš MP3 (noklusējums)
  • audio/wav priekš WAV
  • audio/pcm priekš neapstrādāta PCM
  • audio/basic priekš G.711 μ-law (mulaw)
  • audio/alaw priekš 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/tts ir 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