Atbilde un cenas par audio
Šajā lapā
Atjaunināts 2026. gada 3. novembrī, pamatojoties uz xAI lapām Pricing, Rate limits un Text to Speech. Avoti: Pricing · Rate limits · Text to Speech.
Apstrādā atbildi un kontrolē izmaksas
Kad TTS API darbojas veiksmīgi, tas HTTP ķermenī tieši atgriež audio baitu plūsmu. Lai veiksmīgi izmantotu TTS ražošanas vidē, ir būtiski zināt, kā apstrādāt šo atbildi un prognozēt izmaksas.
HTTP atbildes uzbūve
Atbildei ir statusa kods 200, un tās ķermenis satur tikai audio baitus. JSON apvalka nav. Svarīgākie HTTP galvenes ir:
Content-Type: audio formāts (audio/mpegpriekš MP3,audio/wavpriekš WAV,audio/pcmpriekš PCM)Content-Length: audio faila lielums baitos
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")
Ierakstīšana failā
Vienkāršākā pieeja ir ierakstīt atbildi tieši failā:
with open("output.mp3", "wb") as f:
f.write(response.content)
Atbildes straumēšana
Lieliem failiem straumē atbildi, lai neielādētu visu audio atmiņā:
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)
Atskaņošana tieši pārlūkprogrammā
Klienta puses JavaScript vidē (pēc audio pārsūtīšanas caur savu backendu) vari dinamiski izveidot audio elementu:
const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();
Atceries atbrīvot Blob URL pēc atskaņošanas, lai izvairītos no atmiņas noplūdēm (ražošanas nodarbībā tas aplūkots detalizēti).
Kodeka un Content-Type kartējums
| Pieprasītais kodeks | Saņemtais Content-Type | Faila paplašinājums |
|---|---|---|
mp3 | audio/mpeg | .mp3 |
wav | audio/wav | .wav |
pcm | audio/pcm | .pcm |
mulaw | audio/basic | .ul |
alaw | audio/alaw | .al |
Cenu detalizēts apraksts
TTS izmaksas ir 15 USD par miljonu rakstzīmju (xAI cenas pēc 2026. gada 3. novembra datiem). Tev tiek piemērota maksa par text lauka saturu tā nosūtīšanas brīdī, ieskaitot izteiksmes tagus.
Izmaksu aplēses
| Apjoms | Rakstzīmes | Aplēstās izmaksas |
|---|---|---|
| 1 teikums | ~100 | 0,0015 USD |
| 1 rindkopa | ~500 | 0,0075 USD |
| 1 drukāta lapa | ~2 000 | 0,03 USD |
| 1 emuāra ieraksts | ~5 000 | 0,075 USD |
| 1 grāmata (200 lpp.) | ~400 000 | 6 USD |
| 1 miljons rakstzīmju | 1 000 000 | 15 USD |
Tagi un rēķinu veidošana
Izteiksmes tagi, piemēram, [pause], <whisper> un <loud>, tiek ieskaitīti kopējā rakstzīmju skaitā. Teksts ar 1000 rakstzīmēm un 50 tagu rakstzīmēm tiek tarifēts kā 1050 rakstzīmes. Parasti tas ir mazāk nekā 5% no kopējā teksta apjoma.
Vienlaicīguma limiti
Saskaņā ar xAI lapu Rate limits, TTS sākumtarifa plānā pieņem 50 pieprasījumus sekundē un 100 vienlaicīgas sesijas. Šie limiti pieaug līdz ar tavas komandas tarifu plānu (līdz 500 un 500). Lapā Text to Speech minēts arī, ka vienai komandai pieejamas 50 vienlaicīgas WebSocket sesijas. Pārsniedzot šos limitus, API atgriež 429 kļūdu: lieliem apjomiem izvietojiet pieprasījumus ar laika intervālu vai izmantojiet rindu.
Audio garuma aplēse
Ģenerētā audio garums ir atkarīgs no teksta, balss un speed iestatījuma. Aptuveni runāts teksts skan ātrumā 150 vārdi minūtē jeb aptuveni 850 rakstzīmes minūtē angļu valodā: pirms sola konkrētu ilgumu, izmēri to ar savu balsi. Lai iegūtu precīzu skaitli, with_timestamps atgriež audio ilgumu (duration) kopā ar laika zīmogos.
Šādā tempā 60 000 rakstzīmju teksts, kas ir viena pieprasījuma limits, ģenerē nedaudz vairāk kā stundu ilgu audio.
Galvenās atziņas
- TTS atbilde ir bināra plūsma, nevis JSON
- Content-Type norāda, kādu audio formātu esi saņēmis
- Straumē lielus failus
- Izmaksas ir 15 USD par miljonu rakstzīmju, ieskaitot tagus
- Sākumtarifa plānā: 50 pieprasījumi sekundē un 100 vienlaicīgas sesijas
- 60 000 rakstzīmju pieprasījums ģenerē aptuveni stundu ilgu audio