Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Resposta de áudio e preços

Aula 4 de 14 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. Gerir a resposta e controlar os custos
  2. Anatomia da resposta HTTP
  3. Mapeamento de Codec para Content-Type
  4. Preços em detalhe
  5. Estimar a duração do áudio
  6. Pontos-chave

Atualizado em 3 de novembro de 2026, com base nas páginas Pricing, Rate limits e Text to Speech da xAI. Fontes: Pricing · Rate limits · Text to Speech.

Gerir a resposta e controlar os custos

Quando a API TTS tem sucesso, devolve um fluxo de bytes de áudio diretamente no corpo da resposta HTTP. Saber como tratar essa resposta e antecipar os custos é essencial para operar o TTS em produção.

Anatomia da resposta HTTP

A resposta tem o estado 200 e o corpo contém apenas bytes de áudio. Não existe nenhum envelope JSON. Os cabeçalhos HTTP importantes são:

  • Content-Type: o formato de áudio (audio/mpeg para MP3, audio/wav para WAV, audio/pcm para PCM)
  • Content-Length: o tamanho do ficheiro de áudio em bytes
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")

Escrever num ficheiro

A abordagem mais simples consiste em escrever a resposta diretamente num ficheiro:

with open("output.mp3", "wb") as f:
    f.write(response.content)

Transmitir a resposta (streaming)

Para ficheiros grandes, utilize o streaming da resposta para não carregar todo o áudio na memória:

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)

Reproduzir diretamente no navegador

Em JavaScript do lado do cliente (após retransmitir o áudio através do seu backend), pode criar um elemento de áudio dinamicamente:

const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();

Lembre-se de libertar o URL do Blob após a reprodução para evitar fugas de memória (a lição de produção aborda este ponto em detalhe).

Mapeamento de Codec para Content-Type

Codec solicitadoContent-Type recebidoExtensão do ficheiro
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/alaw.al

Preços em detalhe

O TTS custa 15 USD por milhão de carateres (preços da xAI a 3 de novembro de 2026). A faturação incide sobre o conteúdo do campo text tal como o envia, incluindo as etiquetas expressivas.

Estimativas de custo

VolumeCarateresCusto estimado
1 frase~1000,0015 USD
1 parágrafo~5000,0075 USD
1 página impressa~2 0000,03 USD
1 publicação de blogue~5 0000,075 USD
1 livro (200 páginas)~400 0006 USD
1 milhão de carateres1 000 00015 USD

Etiquetas e faturação

As etiquetas expressivas como [pause], <whisper> e <loud> contam para o total de carateres. Um texto de 1 000 carateres com 50 carateres de etiquetas é faturado como 1 050 carateres. Isso representa geralmente menos de 5% do texto total.

Limites de concorrência

De acordo com a página Rate limits da xAI, o TTS aceita 50 pedidos por segundo e 100 sessões simultâneas no nível de entrada; estes limites aumentam consoante o nível da sua equipa (até 500 e 500). A página Text to Speech menciona também 50 sessões WebSocket simultâneas por equipa. Para além desses valores, a API devolve um erro 429: para grandes volumes, espace os seus pedidos ou utilize uma fila.

Estimar a duração do áudio

A duração do áudio gerado depende do texto, da voz e da definição speed. A título indicativo, a fala lida ronda as 150 palavras por minuto, ou aproximadamente 850 carateres por minuto em inglês: meça isso com a sua voz antes de prometer uma duração. Para um valor exato, with_timestamps devolve a duração do áudio (duration) juntamente com as marcas temporais.

A esse ritmo, um texto de 60 000 carateres, o limite para um pedido, produz pouco mais de uma hora de áudio.

Pontos-chave

  • A resposta TTS é um fluxo binário, não JSON
  • O Content-Type indica o formato de áudio recebido
  • Utilize streaming para ficheiros grandes
  • Custa 15 USD por milhão de carateres, etiquetas incluídas
  • No nível de entrada: 50 pedidos por segundo e 100 sessões simultâneas
  • Um pedido de 60 000 carateres produz aproximadamente uma hora de áudio