Odpowiedź audio i cennik
Na tej stronie
Zaktualizowano 3 listopada 2026 r. na podstawie stron xAI dotyczących Cennika, Limitów szybkości oraz Tekst na mowę. Źródła: Cennik · Limity szybkości · Tekst na mowę.
Obsługa odpowiedzi i kontrola kosztów
Gdy API TTS zakończy działanie sukcesem, zwraca strumień bajtów audio bezpośrednio w treści odpowiedzi HTTP. Umiejętność obsługi tej odpowiedzi i przewidywania kosztów jest kluczowa dla uruchomienia usługi TTS w środowisku produkcyjnym.
Anatomia odpowiedzi HTTP
Odpowiedź ma status 200, a jej treść zawiera wyłącznie bajty audio. Nie ma tu koperty JSON. Najważniejsze nagłówki HTTP to:
Content-Type: format audio (audio/mpegdla MP3,audio/wavdla WAV,audio/pcmdla PCM)Content-Length: rozmiar pliku audio w bajtach
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")
Zapis do pliku
Najprostszym podejściem jest zapisanie odpowiedzi bezpośrednio do pliku:
with open("output.mp3", "wb") as f:
f.write(response.content)
Strumieniowanie odpowiedzi
W przypadku dużych plików strumieniuj odpowiedź, aby nie ładować całego audio do pamięci:
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)
Odtwarzanie bezpośrednio w przeglądarce
W JavaScript po stronie klienta (po przekazaniu audio przez Twój backend) możesz dynamicznie utworzyć element audio:
const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();
Pamiętaj, aby zwolnić adres URL obiektu Blob po odtworzeniu, aby uniknąć wycieków pamięci (lekcja dotycząca środowiska produkcyjnego omawia to szczegółowo).
Mapowanie kodeka na Content-Type
| Żądany kodek | Otrzymany Content-Type | Rozszerzenie pliku |
|---|---|---|
mp3 | audio/mpeg | .mp3 |
wav | audio/wav | .wav |
pcm | audio/pcm | .pcm |
mulaw | audio/basic | .ul |
alaw | audio/alaw | .al |
Szczegóły cennika
Usługa TTS kosztuje 15 USD za milion znaków (cennik xAI na dzień 3 listopada 2026 r.). Płatność naliczana jest za zawartość pola text w momencie wysyłki, łącznie z tagami ekspresywnymi.
Szacunki kosztów
| Wolumen | Znaki | Szacowany koszt |
|---|---|---|
| 1 zdanie | ~100 | 0,0015 USD |
| 1 akapit | ~500 | 0,0075 USD |
| 1 strona druku | ~2000 | 0,03 USD |
| 1 wpis na blogu | ~5000 | 0,075 USD |
| 1 książka (200 stron) | ~400 000 | 6 USD |
| 1 milion znaków | 1 000 000 | 15 USD |
Tagi a rozliczenia
Tagi ekspresywne, takie jak [pause], <whisper> i <loud>, wliczają się do całkowitej liczby znaków. Tekst liczący 1000 znaków z 50 znakami tagów zostanie rozliczony jako 1050 znaków. Zazwyczaj stanowi to mniej niż 5% całkowitego tekstu.
Limity współbieżności
Zgodnie ze stroną xAI dotyczącą Limitów szybkości, usługa TTS w warstwie podstawowej przyjmuje 50 żądań na sekundę i obsługuje 100 sesji współbieżnych. Limity te rosną wraz z poziomem Twojego zespołu (do odpowiednio 500 i 500). Strona Tekst na mowę wspomina również o 50 współbieżnych sesjach WebSocket na zespół. Po przekroczeniu tych limitów API zwraca błąd 429: w przypadku dużych wolumenów rozłóż swoje żądania w czasie lub użyj kolejki.
Szacowanie długości audio
Długość wygenerowanego audio zależy od tekstu, głosu i ustawienia speed. Orientacyjnie, mowa czytana osiąga tempo około 150 słów na minutę, co w języku angielskim daje roughly 850 znaków na minutę: zmierz to dla swojego głosu, zanim obieciesz konkretny czas trwania. Aby uzyskać dokładną wartość, parametr with_timestamps zwraca czas trwania audio (duration) wraz z znacznikami czasu.
Przy takim tempie tekst liczący 60 000 znaków (limit dla jednego żądania) generuje nieco ponad godzinę materiału audio.
Kluczowe wnioski
- Odpowiedź TTS to strumień binarny, a nie JSON
- Nagłówek Content-Type informuje, jaki format audio otrzymałeś
- Strumieniuj duże pliki
- Koszt to 15 USD za milion znaków, łącznie z tagami
- W warstwie podstawowej: 50 żądań na sekundę i 100 sesji współbieżnych
- Żądanie zawierające 60 000 znaków generuje około godziny audio