Salt la conținutul principal
Română— Alege o limbă
Meniu

Endpointul POST /v1/tts

Lecția 1 din 14 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Transformați textul în audio cu API-ul Grok
  2. Structura cererii
  3. Răspunsul HTTP
  4. Prețuri
  5. Puncte cheie

Actualizat la 3 noiembrie 2026, pe baza paginii xAI Text to Speech, a referinței API Voice și a paginii de Prețuri. Surse: Text to Speech · Voice API · Pricing.

Transformați textul în audio cu API-ul Grok

API-ul Text-to-Speech de la xAI transformă orice text în audio cu sunet natural printr-o singură apelare HTTP. Punctul principal de intrare este POST /v1/tts, care primește textul dumneavoastră și returnează direct un fișier audio binar.

60,000
Număr maxim de caractere per cerere
28
Voci integrate
20
Limbi suportate
$15
Per milion de caractere

Structura cererii

Trimiteți o cerere POST către https://api.x.ai/v1/tts cu un corp JSON. Iată un exemplu minimal folosind curl:

curl -X POST "https://api.x.ai/v1/tts" \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello, and welcome to Corsen Academy.",
    "voice_id": "eve",
    "language": "en"
  }' \
  --output audio.mp3

Serverul răspunde direct cu fișierul audio binar în corpul răspunsului. Nu există nicio anvelopă JSON în jurul său: primiți octeții brute ai fișierului audio.

Autentificare

Ca în cazul fiecărui endpoint API xAI, includeți cheia API în antetul Authorization în format Bearer:

Authorization: Bearer xai-your-api-key

Corpul cererii

Corpul JSON se articulează în jurul a patru parametri principali:

  • text (obligatoriu): textul de convertit, până la 60.000 de caractere. Suportă etichetele expresive pe care le veți învăța în lecțiile următoare
  • voice_id (opțional): ID-ul vocii. Valoarea implicită este eve. Valorile nu fac distincție între majuscule și minuscule
  • language (obligatoriu): codul limbii în format BCP-47 (en, fr, de, …) sau auto pentru detectare automată
  • output_format (opțional): un obiect care configurează codec-ul, rata de eșantionare și rata de biți

Alte setări, toate opționale, completează cererea: speed (viteza de redare, de la 0,7 la 1,5, implicit 1,0), replace (un tabel de substituții care corectează pronunția unui cuvânt fără a modifica textul trimis), with_timestamps (marcaje temporale per caracter), text_normalization (scrierea cu litere a numerelor, abrevierilor și simbolurilor înainte de sinteză) și optimize_streaming_latency ("1" pentru a scurta așteptarea înainte de primul fragment audio, cu costul unei ușoare pierderi de calitate la joncțiuni).

Răspunsul HTTP

În caz de succes (status 200), serverul returnează fișierul audio cu tipul de conținut care corespunde formatului solicitat:

  • audio/mpeg pentru MP3 (implicit)
  • audio/wav pentru WAV
  • audio/pcm pentru PCM brut
  • audio/basic pentru G.711 μ-law (mulaw)
  • audio/alaw pentru G.711 A-law (alaw)

Răspunsul nu conține metadate, doar octeți audio. Singura excepție este with_timestamps: în acest caz, răspunsul devine un obiect JSON care conține audio-ul în base64, durata sa și marcajul temporal pentru fiecare caracter. Puteți scrie răspunsul direct într-un fișier sau îl puteți transmite în flux către un player audio.

Exemplu în Python

import requests

response = requests.post(
    "https://api.x.ai/v1/tts",
    headers={"Authorization": f"Bearer {api_key}"},
    json={
        "text": "Here's an example of speech synthesis.",
        "voice_id": "rex",
        "language": "en"
    }
)

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

Exemplu în JavaScript (Node.js)

const response = await fetch("https://api.x.ai/v1/tts", {
  method: "POST",
  headers: {
    "Authorization": `Bearer ${process.env.XAI_API_KEY}`,
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    text: "Here's an example of speech synthesis.",
    voice_id: "rex",
    language: "en"
  })
});

const buffer = await response.arrayBuffer();
fs.writeFileSync("output.mp3", Buffer.from(buffer));

Prețuri

Serviciul TTS costă 15 USD per milion de caractere (prețuri xAI la data de 3 noiembrie 2026). Sunteți facturat pentru caracterele trimise în câmpul text, inclusiv etichetele expresive; un tabel replace nu modifică acest număr. Cu o medie de 1.000 de caractere per cerere, costul se ridică la aproximativ 0,015 USD per apel.

Puncte cheie

  • Endpointul POST /v1/tts este punctul principal de intrare pentru sinteza vocală
  • Răspunsul este un fișier audio binar, nu JSON
  • Textul este limitat la 60.000 de caractere per cerere HTTP; WebSocket nu are o limită totală
  • Autentificarea se face cu antetul Authorization: Bearer
  • Costul este de 15 USD per milion de caractere