Salt la conținutul principal
Română— Alege o limbă
Meniu

Răspuns audio și prețuri

Lecția 4 din 14 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Gestionarea răspunsului și controlul costurilor
  2. Anatomia răspunsului HTTP
  3. Maparea Codec la Content-Type
  4. Detalii despre prețuri
  5. Estimarea duratei audio
  6. Puncte cheie

Actualizat la 3 noiembrie 2026, pe baza paginilor xAI Pricing, Rate limits și Text to Speech. Surse: Pricing · Rate limits · Text to Speech.

Gestionarea răspunsului și controlul costurilor

Când API-ul TTS reușește, acesta returnează un flux de octeți audio direct în corpul HTTP. Este esențial să știți cum să gestionați acest răspuns și să anticipați costurile pentru a opera TTS în producție.

Anatomia răspunsului HTTP

Răspunsul are statusul 200, iar corpul conține exclusiv octeți audio. Nu există niciun înveliș JSON. Anteturile HTTP importante sunt:

  • Content-Type: formatul audio (audio/mpeg pentru MP3, audio/wav pentru WAV, audio/pcm pentru PCM)
  • Content-Length: dimensiunea fișierului audio în octeți
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")

Scrierea într-un fișier

Cea mai simplă abordare este scrierea directă a răspunsului într-un fișier:

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

Transmiterea în flux (Streaming) a răspunsului

Pentru fișierele mari, transmiteți răspunsul în flux pentru a nu încărca tot audio-ul în memorie:

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)

Redarea directă în browser

În JavaScript lato-client (după retransmiterea audio prin backend-ul dumneavoastră), puteți crea un element audio dinamic:

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

Nu uitați să eliberați URL-ul Blob după redare pentru a evita scurgerile de memorie (lecția de producție acoperă acest aspect în detaliu).

Maparea Codec la Content-Type

Codec solicitatContent-Type primitExtensie fișier
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/alaw.al

Detalii despre prețuri

TTS costă 15 USD per milion de caractere (prețuri xAI la data de 3 noiembrie 2026). Vi se facturează conținutul câmpului text așa cum îl trimiteți, inclusiv etichetele expresive.

Estimări de cost

VolumCaractereCost estimat
1 propoziție~1000,0015 USD
1 paragraf~5000,0075 USD
1 pagină tipărită~2.0000,03 USD
1 articol de blog~5.0000,075 USD
1 carte (200 pagini)~400.0006 USD
1 milion de caractere1.000.00015 USD

Etichete și facturare

Etichetele expresive precum [pause], <whisper> și <loud> se numără în totalul de caractere. Un text de 1.000 de caractere cu 50 de caractere de etichete este facturat ca 1.050 de caractere. Aceasta reprezintă de obicei mai puțin de 5% din textul total.

Limite de concurență

Conform paginii xAI Rate limits, TTS acceptă 50 de cereri pe secundă și 100 de sesiuni simultane la nivelul de intrare, limite care cresc odată cu nivelul echipei dumneavoastră (până la 500 și respectiv 500). Pagina Text to Speech menționează, de asemenea, 50 de sesiuni WebSocket simultane per echipă. Dincolo de aceste limite, API-ul returnează o eroare 429: pentru volume mari, espațiați cererile sau utilizați o coadă.

Estimarea duratei audio

Durata audio-ului generat depinde de text, de voce și de setarea speed. Ca ordin de mărime, vorbirea citită rulează la aproximativ 150 de cuvinte pe minut, sau roughly 850 de caractere pe minut în engleză: măsurați acest lucru cu vocea aleasă înainte de a promite o durată. Pentru o cifră exactă, with_timestamps returnează durata audio (duration) împreună cu marcajele temporale.

În acest ritm, un text de 60.000 de caractere, limita pentru o singură cerere, produce puțin peste o oră de audio.

Puncte cheie

  • Răspunsul TTS este un flux binar, nu JSON
  • Content-Type vă indică formatul audio primit
  • Transmiteți în flux fișierele mari
  • Costă 15 USD per milion de caractere, etichetele incluse
  • La nivelul de intrare: 50 de cereri pe secundă și 100 de sesiuni simultane
  • O cerere de 60.000 de caractere produce aproximativ o oră de audio