Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Beda bl-API Text-to-Speech

Lezzjoni 6 / 14 Aġġornat 3 ta’ Novembru 2026 Livell Medju
F'din il-paġna
  1. Test ‘il ġewwa, awdjo ‘il barra
  2. HTTP jew WebSocket: żewġ modi biex tsejjaħ is-servizz
  3. Parametri tat-talba HTTP
  4. Agħżel il-format tal-output
  5. Ikkonsulta l-katalgu tal-vuċijiet
  6. Punti Ewlenin

Aġġornat fit-3 ta’ Novembru, 2026, ibbażat fuq il-paġni Text to Speech u Pricing ta’ xAI. Sorsi: Text to Speech · Pricing.

Test ‘il ġewwa, awdjo ‘il barra

L-API Text-to-Speech ta’ Grok tagħmel ħaġa waħda u tagħmilha tajjeb: tbiddel it-test f’awdjo ta’ kwalità għolja. Filwaqt li l-Aġent Vokali jimmaniġġja djalogu, b’tibdil fid-diskors u interruzzjonijiet, it-TTS jaħdem f’direzzjoni waħda biss: tibgħat test u tirċievi l-ħoss lura. Din is-sempliċità tagħmluha l-għażla ideali kull meta ħadd ma jwieġeb lill-magna: artikli narrati, messaġġi ta’ merħba fit-telefon, vuvuzela għal moduli ta’ e-learning, u notifiki awdjo.

$15
kull miljun karattru
20
lingwi appoġġjati
28
vuwċijiet integrati
60,000
massimu ta' karattri għal kull talba

HTTP jew WebSocket: żewġ modi biex tsejjaħ is-servizz

Il-modalità HTTP hija l-aktar diretta. Tibgħat talba POST bit-test tiegħek, u r-risposta fiha l-fajl awdjo sħiħ, f’MP3 b’mod predefinit:

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"
  }'

Innota l--o output.mp3: il-korp tar-risposta huwa awdjo mhux ipproċessat, mhux JSON li jkessaħ link. Din il-modalità hija perfetta għall-ġenerazzjoni fl-isfond, bħal batch ta’ kull lejl li jipproduċi verżjonijiet awdjo tal-artikli tiegħek, peress li ħadd ma qed jistenna quddiem skrin.

Il-modalità WebSocket tilqa’ għal ħtieġa differenti: li tisma’ l-ħoss qabel ma t-test kollu jkun ġie sintetizzat. Tiftaħ konnessjoni u tgħaddi l-parametri fl-URL:

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

Imbagħad tibgħat it-test biċċiet biċċiet b’text.delta, tiffirma t-tmiem b’text.done, u l-awdjo jerġa’ lura bħala biċċiet base64 fuq audio.delta. L-istrimmar ineħħi l-limitu tat-tul tal-modalità HTTP u, l-aktar importanti, jħallik tissintetizza hekk kif tmur, li huwa essenzjali meta t-test innifsu għadu qed jiġi ġġenerat minn mudell.

Parametri tat-talba HTTP

ParametruTipMeħtieġDeskrizzjoni
textstringIvaIt-test biex jiġi kkonvertit, sa 60,000 karattru
voice_idstringLeIl-vuċi li għandha tintuża (predefinit: eve)
languagestringIvaKodiċi BCP-47 (en, fr, de, …) jew auto
output_formatobjectLeCodec, rata tal-kampjun, u rata tal-bit
speednumberLeVelocità ta’ riproduzzjoni, minn 0.7 sa 1.5 (predefinit: 1.0)

Żewġ punti jistħoqqilhom attenzjoni. Il-language huwa meħtieġ, li spiss tissorpriża lin-nies: is-servizz ma jissupponix il-lingwa tat-test tiegħek sakemm ma titlobx espliċitament bil-valur auto. U l-voice_id juża eżattament l-istess vuċijiet bħall-Aġent Vokali (28 vuċi integrata sal-3 ta’ Novembru 2026, inklużi eve, ara, rex, sal, u leo, flimkien mal-vuċijiet personalizzati tiegħek), u jinjora l-kaxxa. L-istess persuna tal-vuċi għalhekk tista’ tmexxi kemm l-aġent konversazzjonali tiegħek kif ukoll il-kontenut irreġistrat tiegħek, li jiswa li tieħu vantaġġ minnu għall-konsistenza tal-marka.

Agħżel il-format tal-output

Il-qasam output_format jikkontrolla l-codec u l-kwalità:

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

Agħżel il-codec ibbażat fuq x’se jiġri mill-fajl wara. mp3 huwa adattat għall-użu ġenerali: ikkompressat sew u li jista’ jindaqq kullimkien, huwa d-default sensat għal sit web jew podcast. wav huwa mingħajr telf, allaktar tqil, iżda huwa dak li għandek bżonn meta editur se jerġa’ jaħdem fuq it-traċċa. pcm iwassal awdjo mhux ipproċessat, għal pipelines ta’ pproċessar li m’għandhomx bżonn ta’ kontenitur. Fl-aħħar nett, mulaw u alaw huma l-codecs tat-telefonija G.711, għas-sistemi tat-telekomunikazzjoni li jeħtieġuhom.

Ir-rati tal-kampjun ivarjaw minn 8000 sa 48000 Hz, b’default ta’ 24000 Hz, li jkopri l-biċċa l-kbira tal-użi. Għal MP3, ir-rata tal-bit tmur minn 32000 sa 192000 bps, b’default ta’ 128000. Li titla’ sa 192000 għal vuċi mitkellma ma żżid xejn għall-esperjenza tas-smigħ u tagħmel il-fajls tiegħek terz akbar: iffranka dik ir-riżerva għal kontenut li jħallat mużika u vuċi.

Ikkonsulta l-katalgu tal-vuċijiet

L-API jesponi żewġ endpoints biss għall-qari li jissupplimentaw il-ġenerazzjoni. GET /v1/tts/voices jirritorna l-vuċijiet disponibbli kollha bil-metadejta tagħhom, u GET /v1/tts/voices/{voice_id} jirritorna l-istess oqsma (voice_id, name, language) għal vuċi waħda; it-ton u l-każijiet ta’ użu ta’ kull vuċi huma deskritti fil-paġna Text to Speech ta’ xAI. Minflok ma tikteb ismijiet tal-vuċijiet b’mod riġidu fl-interfaċċja tiegħek, imla l-għażla tal-vuċijiet tiegħek minn dawn l-endpoints, u l-app tiegħek se tibqa’ korretta l-jum li jinbidel il-katalgu.

Punti Ewlenin

  • It-TTS jikkonverti test f’awdjo fuq HTTP (sempliċi) jew WebSocket (istrimmar)
  • Jiswa $15 kull miljun karattru, b’massimu ta’ 60,000 karattru għal kull talba HTTP
  • 28 vuċi integrata, ħames codecs, u sitt rati tal-kampjun jagħtuk ħafna flessibbiltà
  • Il-modalità WebSocket m’għandha l-ebda limitu fuq it-tul totali tat-test (kull delta hija limitata għal 60,000 karattru)
  • Kodiċi BCP-47 huwa meħtieġ biex tispeċifika l-lingwa (jew auto għad-detezzjoni awtomatika)