Salt la conținutul principal
Română— Alege o limbă
Meniu

Parametrii cererii TTS

Lecția 2 din 14 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Ajustați sinteza vocală
  2. Parametrul text
  3. Parametrul voice_id
  4. Parametrul language
  5. Parametrul output_format
  6. Parametrul speed
  7. Combinații recomandate
  8. Puncte cheie

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:

CodLimbăCodLimbă
enEnglezăkoCoreeană
frFrancezăhiHindi
deGermanăbnBengaleză
es-ESSpaniolă (Spania)ar-EGArabă (Egipt)
es-MXSpaniolă (Mexic)ar-SAArabă (Arabia Saudită)
pt-BRPortugheză (Brazilia)ar-AEArabă (EAU)
pt-PTPortugheză (Portugalia)trTurcă
itItalianăidIndoneziană
ruRusăviVietnameză
zhChinezăjaJaponeză

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 streaming
  • wav: un format fără pierderi, calitate superioară, dar fișiere mai mari
  • pcm: audio brut fără antet, pentru fluxuri de procesare
  • mulaw / ulaw: codec-ul G.711 mu-law pentru telefonie
  • alaw: 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 utilizarecodecsample_ratebit_rate
Web / streamingmp324000128000
Producție audiowav48000—
Telefonie VoIPmulaw8000—
Flux MLpcm16000—

Puncte cheie

  • text și language sunt singurii parametri obligatorii
  • voice_id este opțional (implicit: eve) și nu face distincție între litere mari și mici
  • output_format controlează codec-ul, rata de eșantionare și rata de biți; speed setează 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 mulaw sau alaw la 8 kHz