Sāc darbu ar Text-to-Speech API
Šajā lapā
Atjaunināts 2026. gada 3. novembrī, pamatojoties uz xAI Text to Speech un Pricing lapām. Avoti: Text to Speech · Pricing.
Teksts iekšā, audio ārā
Grok Text-to-Speech API dara vienu lietu, un dara to lieliski: tas pārvērš tekstu augstas kvalitātes audio. Kamēr Voice Agent pārvalda dialogu ar maiņām un pārtraukumiem, TTS strādā stingri vienā virzienā: tu nosūti tekstu un saņem atpakaļ skaņu. Šī vienkāršība padara to par izvēles rīku brīžos, kad neviens neatbild mašīnai: rakstu narrācija, telefona sveicieni, balss pavadījums e-apmācības moduļiem, audio paziņojumi.
HTTP vai WebSocket: divi veidi, kā izsaukt servisu
HTTP režīms ir visdirektākais. Tu nosūti POST pieprasījumu ar savu tekstu, un atbilde satur pilnu audio failu, pēc noklusējuma MP3 formātā:
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"
}'
Ņem vērā -o output.mp3: atbildes ķermenis ir neapstrādāts audio, nevis JSON, kas ietver saiti. Šis režīms ir ideāli piemērots fona ģenerēšanai, piemēram, nakts batch procesam, kas rada tavu rakstu audio versijas, jo neviens negaida ekrāna priekšā.
WebSocket režīms apmierina citu vajadzību: dzirdēt skaņu, pirms viss teksts ir sintezēts. Tu atver savienojumu un nodod parametrus URL:
wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3
Pēc tam tu nosūti tekstu pa daļām, izmantojot text.delta, signalizē beigas ar text.done, un audio atgriežas kā base64 chunki uz audio.delta. Straumēšana noņem HTTP režīma garuma ierobežojumu un, pats galvenais, ļauj sintezēt procesa laikā, kas ir būtiski, ja teksts pats vēl tiek ģenerēts modeļa pusē.
HTTP pieprasījuma parametri
| Parametrs | Tips | Obligāts | Apraksts |
|---|---|---|---|
text | virkne | Jā | Teksts konvertēšanai, līdz 60 000 rakstzīmēm |
voice_id | virkne | Nē | Izmantojamā balss (pēc noklusējuma: eve) |
language | virkne | Jā | BCP-47 kods (en, fr, de, …) vai auto |
output_format | objekts | Nē | Kodeks, paraugu frekvence un bitu ātrums |
speed | skaitlis | Nē | Atskaņošanas ātrums no 0,7 līdz 1,5 (pēc noklusējuma: 1,0) |
Divi punkti pelna uzmanību. language ir obligāts, kas bieži pārsteidz lietotājus: serviss neuzmin teksta valodu, ja vien tu to tieši nepieprasi ar vērtību auto. Un voice_id izmanto tieši tās pašas balsis kā Voice Agent (28 iebūvētās balsis uz 2026. gada 3. novembri, tostarp eve, ara, rex, sal un leo, plus tavas pielāgotās balsis), un tas neņem vērā reģistru. Tā pati balss persona var darbināt gan sarunu aģentu, gan ierakstīto saturu, kas ir vērtīgi izmantot zīmola konsekvences nodrošināšanai.
Izvēlies izvades formātu
Lauks output_format kontrolē kodeku un kvalitāti:
{
"text": "Text to convert.",
"voice_id": "rex",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 44100
}
}
Izvēlies kodeku atkarībā no tā, kas notiek ar failu tālāk. mp3 ir piemērots vispārējai lietošanai: labi saspiests un atskaņojams visur, tas ir saprātīgs noklusējums tīmekļa vietnei vai apraidei. wav ir bez zudumiem, tāpēc smagāks, bet tas ir nepieciešams, ja redaktors plāno pārrakstīt celiņu. pcm nodrošina neapstrādātu audio apstrādes cauruļvadiem, kuriem konteiners nav vajadzīgs. Visbeidzot, mulaw un alaw ir G.711 telefonijas kodeki telekomunikāciju sistēmām, kurām tie ir required.
Paraugu frekvences svārstās no 8000 līdz 48 000 Hz, ar noklusējumu 24 000 Hz, kas aptver lielāko daļu lietojumu. MP3 gadījumā bitu ātrums ir no 32 000 līdz 192 000 bps, ar noklusējumu 128 000. Paaugstināšana līdz 192 000 runātai balsij gandrīz neko nepievieno klausīšanās pieredzei, bet padara failus par trešdaļu lielākus: saglabā šo rezervi saturam, kas sajauc mūziku un balsi.
Vaicā balsu katalogu
API piedāvā divus tikai lasāmus galapunktus, kas papildina ģenerēšanu. GET /v1/tts/voices atgriež visas pieejamās balsis ar to metadatiem, un GET /v1/tts/voices/{voice_id} atgriež tos pašus laukus (voice_id, name, language) vienai balsij; katra balss tonis un lietojuma gadījumi ir aprakstīti xAI Text to Speech lapā. Tā vietā, lai iekodētu balsu nosaukumus savā saskarnē, aizpildi savu balsu izvēlni no šiem galapunktiem, un tava lietotne paliks korekta arī dienā, kad katalogs mainīsies.
Galvenās atziņas
- TTS pārvērš tekstu audio caur HTTP (vienkārši) vai WebSocket (straumēšana)
- Tas maksā $15 par miljonu rakstzīmju, ar maksimumu 60 000 rakstzīmju vienam HTTP pieprasījumam
- 28 iebūvētās balsis, pieci kodeki un sešas paraugu frekvences nodrošina lielu elastību
- WebSocket režīmam nav limita kopējam teksta garumam (katrs delta ir ierobežots līdz 60 000 rakstzīmēm)
- Lai norādītu valodu, ir nepieciešams BCP-47 kods (vai
autoautomātiskai noteikšanai)