Przejdź do głównej treści
Polski— Wybierz język
Menu

Odpowiedź audio i cennik

Lekcja 4 z 14 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Obsługa odpowiedzi i kontrola kosztów
  2. Anatomia odpowiedzi HTTP
  3. Mapowanie kodeka na Content-Type
  4. Szczegóły cennika
  5. Szacowanie długości audio
  6. Kluczowe wnioski

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/mpeg dla MP3, audio/wav dla WAV, audio/pcm dla 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 kodekOtrzymany Content-TypeRozszerzenie pliku
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/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

WolumenZnakiSzacowany koszt
1 zdanie~1000,0015 USD
1 akapit~5000,0075 USD
1 strona druku~20000,03 USD
1 wpis na blogu~50000,075 USD
1 książka (200 stron)~400 0006 USD
1 milion znaków1 000 00015 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