Parametrii cererii TTS
Pe această pagină
Actualizat la 3 noiembrie 2026, pe baza paginii xAI Text to Speech și a referinței API Voice. Surse: Text to Speech · Voice API.
Ajustați sinteza vocală
Punctul final POST /v1/tts se bazează pe patru parametri principali în corpul cererii JSON, plus câteva setări opționale. Fiecare dintre aceștia vă oferă un control precis asupra audio-ului generat, iar înțelegerea lor vă permite să adaptați sinteza nevoilor dumneavoastră specifice.
Parametrul text
Împreună cu language, text este singurul parametru obligatoriu. Acesta acceptă un șir de caractere de până la 60.000 de caractere, care poate conține text simplu sau etichete expresive (acoperite în secțiunea următoare).
{
"text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}
Dacă depășiți 60.000 de caractere, cererea HTTP este respinsă. Pentru texte mai lungi, xAI recomandă utilizarea WebSocket, care nu are o limită totală de lungime (lecțiile 9 până la 12), sau divizarea textului în segmente al căror audio este concatenat ulterior. Efectuați divizarea la limite naturale (sfârșit de propoziții, sfârșit de paragrafe) pentru un rezultat fluid.
Parametrul voice_id
Acest parametru stabilește vocea utilizată pentru sinteză. Este opțional și are valoarea implicită eve. Identificatorii nu fac distincție între litere mari și mici: Eve, EVE și eve sunt echivalenți.
xAI oferă 28 de voci integrate (la data de 3 noiembrie 2026), la fel ca pentru agentul vocal, plus voci personalizate create prin API-ul Custom Voices. Cele cinci voci originale, așa cum sunt descrise de xAI:
- eve: energică și optimistă, accent britanic
- ara: caldă și prietenoasă
- rex: încrezătoare și clară
- sal: fluidă și echilibrată
- leo: autoritară și puternică, accent britanic
Celelalte 23 (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora și liora) sunt descrise, împreună cu cazurile lor de utilizare, pe pagina xAI Text to Speech; GET /v1/tts/voices returnează lista actuală (lecția 3).
{
"text": "Welcome to this tutorial.",
"voice_id": "rex",
"language": "en"
}
Conform xAI, fiecare voce vorbește toate limbile suportate. Alegerea vocii nu afectează prețul, care se bazează pe numărul de caractere.
Parametrul language
Acest parametru este obligatoriu. Acceptă un cod BCP-47 sau valoarea specială auto pentru detectarea automată a limbii.
Cele 20 de limbi suportate sunt:
| Cod | Limbă | Cod | Limbă |
|---|---|---|---|
en | Engleză | ko | Coreeană |
fr | Franceză | hi | Hindi |
de | Germană | bn | Bengaleză |
es-ES | Spaniolă (Spania) | ar-EG | Arabă (Egipt) |
es-MX | Spaniolă (Mexic) | ar-SA | Arabă (Arabia Saudită) |
pt-BR | Portugheză (Brazilia) | ar-AE | Arabă (EAU) |
pt-PT | Portugheză (Portugalia) | tr | Turcă |
it | Italiană | id | Indoneziană |
ru | Rusă | vi | Vietnameză |
zh | Chineză | ja | Japoneză |
Detectarea automată (auto) funcționează bine pentru texte într-o singură limbă, dar pentru texte care amestecă mai multe limbi, specificați limba principală în mod explicit.
Parametrul output_format
Acest parametru opțional este un obiect JSON care controlează formatul de ieșire audio. Are trei sub-parametri.
codec
Codec-ul stabilește formatul de codare:
mp3(implicit): un format comprimat, ideal pentru web și streamingwav: un format fără pierderi, calitate superioară, dar fișiere mai maripcm: audio brut fără antet, pentru fluxuri de procesaremulaw/ulaw: codec-ul G.711 mu-law pentru telefoniealaw: codec-ul G.711 A-law pentru telefonie
sample_rate
Frecvența de eșantionare în hertzi. Valori acceptate: 8000, 16000, 22050, 24000 (implicit), 44100, 48000.
bit_rate
Rata de biți în biți pe secundă, valabilă doar pentru codec-ul MP3. Valori acceptate: 32000, 64000, 96000, 128000 (implicit), 192000.
{
"text": "High-quality audio for production.",
"voice_id": "ara",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 48000
}
}
Parametrul speed
speed setează viteza de redare: 1.0 este viteza normală (valoarea implicită), iar intervalul variază de la 0.7 la 1.5. Un ritm ușor mai lent ajută în cazul conținutului educațional dens; peste 1.2, ascultați întotdeauna rezultatul din nou.
Combinații recomandate
| Caz de utilizare | codec | sample_rate | bit_rate |
|---|---|---|---|
| Web / streaming | mp3 | 24000 | 128000 |
| Producție audio | wav | 48000 | — |
| Telefonie VoIP | mulaw | 8000 | — |
| Flux ML | pcm | 16000 | — |
Puncte cheie
textșilanguagesunt singurii parametri obligatoriivoice_ideste opțional (implicit:eve) și nu face distincție între litere mari și micioutput_formatcontrolează codec-ul, rata de eșantionare și rata de biți;speedsetează viteza (0.7 până la 1.5)- MP3 la 24 kHz / 128 kbps este un echilibru bun implicit între calitate și dimensiune
- Pentru telefonie, utilizați
mulawsaualawla 8 kHz