Przejdź do głównej treści
Polski— Wybierz język
Menu

Parametry żądania TTS

Lekcja 2 z 14 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Dostosuj swoją syntezę mowy
  2. Parametr text
  3. Parametr voice_id
  4. Parametr language
  5. Parametr output_format
  6. Parametr speed
  7. Zalecane kombinacje
  8. Kluczowe wnioski

Zaktualizowano 3 listopada 2026 r. na podstawie strony xAI Text to Speech oraz dokumentacji referencyjnej Voice API. Źródła: Text to Speech · Voice API.

Dostosuj swoją syntezę mowy

Punkt końcowy POST /v1/tts opiera się na czterech głównych parametrach w ciele żądania JSON, plus kilku ustawieniach opcjonalnych. Każdy z nich daje Ci precyzyjną kontrolę nad generowanym dźwiękiem, a ich zrozumienie pozwala dopasować syntezę do Twojego przypadku użycia.

Parametr text

Wraz z parametrem language, text jest jedynym wymaganym parametrem. Przyjmuje ciąg znaków o długości do 60 000 znaków, który może zawierać zwykły tekst lub tagi ekspresyjne (omówione w następnej sekcji).

{
  "text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}

Powyżej 60 000 znaków żądanie HTTP zostanie odrzucone. W przypadku dłuższych tekstów xAI zaleca użycie protokołu WebSocket, który nie ma limitu całkowitej długości (lekcje od 9 do 12), lub podział tekstu na segmenty, których dźwięk następnie scalisz. Dokonuj podziału w naturalnych miejscach (końce zdań, akapity), aby uzyskać płynny rezultat.

Parametr voice_id

Ten parametr ustawia głos używany do syntezy. Jest opcjonalny i domyślnie przyjmuje wartość eve. Identyfikatory nie rozróżniają wielkości liter: Eve, EVE i eve są równoważne.

xAI oferuje 28 wbudowanych głosów (stan na 3 listopada 2026 r.), tyle samo co w przypadku agenta głosowego, plus głosy niestandardowe utworzone za pomocą Custom Voices API. Oto pięć oryginalnych głosów według opisu xAI:

  • eve: energiczny i radosny, brytyjski akcent
  • ara: ciepły i przyjazny
  • rex: pewny siebie i wyraźny
  • sal: gładki i zrównoważony
  • leo: autorytatywny i potężny, brytyjski akcent

Pozostałe 23 głosy (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora oraz liora) są opisane wraz z przypadkami ich użycia na stronie xAI Text to Speech; endpoint GET /v1/tts/voices zwraca aktualną listę (lekcja 3).

{
  "text": "Welcome to this tutorial.",
  "voice_id": "rex",
  "language": "en"
}

Zgodnie z informacjami od xAI, każdy głos obsługuje każdy obsługiwany język. Wybór głosu nie wpływa na cenę, która zależy od liczby znaków.

Parametr language

Ten parametr jest wymagany. Przyjmuje kod BCP-47 lub specjalną wartość auto w celu automatycznego wykrycia języka.

Obsługiwanych jest 20 języków:

KodJęzykKodJęzyk
enAngielskikoKoreański
frFrancuskihiHindi
deNiemieckibnBengalski
es-ESHiszpański (Hiszpania)ar-EGArabski (Egipt)
es-MXHiszpański (Meksyk)ar-SAArabski (Arabia Saudyjska)
pt-BRPortugalski (Brazylia)ar-AEArabski (ZEA)
pt-PTPortugalski (Portugalia)trTurecki
itWłoskiidIndonezyjski
ruRosyjskiviWietnamski
zhChińskijaJapoński

Automatyczne wykrywanie (auto) działa dobrze dla tekstów w jednym języku, ale w przypadku tekstów mieszających kilka języków, należy jawnie podać język główny.

Parametr output_format

Ten opcjonalny parametr jest obiektem JSON kontrolującym format wyjścia audio. Składa się z trzech podparametrów.

codec

Kodek ustawia format kodowania:

  • mp3 (domyślny): format skompresowany, idealny do sieci i streamingu
  • wav: format bezstratny, lepsza jakość, ale większe pliki
  • pcm: surowe audio bez nagłówka, przeznaczone do potoków przetwarzania
  • mulaw / ulaw: kodek G.711 mu-law dla telefonii
  • alaw: kodek G.711 A-law dla telefonii

sample_rate

Częstotliwość próbkowania w hercach. Akceptowane wartości: 8000, 16000, 22050, 24000 (domyślnie), 44100, 48000.

bit_rate

Szybkość transmisji bitów w bitach na sekundę, tylko dla kodeka MP3. Akceptowane wartości: 32000, 64000, 96000, 128000 (domyślnie), 192000.

{
  "text": "High-quality audio for production.",
  "voice_id": "ara",
  "language": "en",
  "output_format": {
    "codec": "wav",
    "sample_rate": 48000
  }
}

Parametr speed

speed ustawia prędkość odtwarzania: 1.0 to normalna prędkość (wartość domyślna), a zakres wynosi od 0.7 do 1.5. Nieco wolniejsze tempo pomaga przy gęstych treściach edukacyjnych; powyżej 1.2 zawsze odsłuchaj wynik ponownie.

Zalecane kombinacje

Przypadek użyciacodecsample_ratebit_rate
Sieć / streamingmp324000128000
Produkcja audiowav48000—
Telefonia VoIPmulaw8000—
Potok MLpcm16000—

Kluczowe wnioski

  • text i language to jedyne wymagane parametry
  • voice_id jest opcjonalny (domyślnie: eve) i nie rozróżnia wielkości liter
  • output_format kontroluje kodek, częstotliwość próbkowania i szybkość transmisji bitów; speed ustawia prędkość (od 0.7 do 1.5)
  • MP3 przy 24 kHz / 128 kbps to dobry domyślny kompromis między jakością a rozmiarem
  • Do zastosowań telefonicznych użyj mulaw lub alaw przy 8 kHz