Începeți cu API-ul Text-to-Speech
Pe această pagină
Actualizat la 3 noiembrie 2026, pe baza paginilor xAI Text to Speech și Pricing. Surse: Text to Speech · Pricing.
Text la intrare, audio la ieșire
API-ul Grok Text-to-Speech face un singur lucru, dar îl face excelent: transformă textul în audio de înaltă calitate. În timp ce Voice Agent gestionează un dialog, cu preluarea rândului și întreruperi, TTS funcționează strict într-o singură direcție: dumneavoastră trimiteți text și primiți sunet înapoi. Această simplitate îl face instrumentul ideal atunci când nimeni nu răspunde mașinii: articole narate, mesaje de întâmpinare telefonice, voice-over-uri pentru module de e-learning, notificări audio.
HTTP sau WebSocket: două modalități de apelare a serviciului
Modul HTTP este cel mai direct. Trimiteți o cerere POST cu textul dumneavoastră, iar răspunsul conține fișierul audio complet, în format MP3 implicit:
curl -X POST "https://api.x.ai/v1/tts" \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
-o output.mp3 \
-d '{
"text": "Hello and welcome to Corsen Academy.",
"voice_id": "ara",
"language": "en"
}'
Rețineți -o output.mp3: corpul răspunsului este audio brut, nu un JSON care învelește un link. Acest mod este perfect pentru generarea în fundal, cum ar fi un lot nocturn care produce versiuni audio ale articolelor dumneavoastră, deoarece nimeni nu așteaptă în fața ecranului.
Modul WebSocket răspunde unei nevoi diferite: ascultarea sunetului înainte ca întregul text să fi fost sintetizat. Deschideți o conexiune și transmiteți parametrii în URL:
wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3
Apoi trimiteți textul fragmentat cu text.delta, semnalizați sfârșitul cu text.done, iar audio revine sub formă de chunk-uri base64 pe audio.delta. Streaming-ul elimină limita de lungime a modului HTTP și, mai presus de toate, vă permite să sintetizați pe măsură ce generați, ceea ce este esențial atunci când textul însuși este încă generat de un model.
Parametrii cererii HTTP
| Parametru | Tip | Obligatoriu | Descriere |
|---|---|---|---|
text | string | Da | Textul de convertit, până la 60.000 de caractere |
voice_id | string | Nu | Vocea de utilizat (implicit: eve) |
language | string | Da | Cod BCP-47 (en, fr, de, …) sau auto |
output_format | object | Nu | Codec, rată de eșantionare și rată de biți |
speed | number | Nu | Viteza de redare, de la 0,7 la 1,5 (implicit: 1,0) |
Două aspecte merită atenție. language este obligatoriu, ceea ce surprinde adesea: serviciul nu ghicește limba textului dumneavoastră decât dacă îi cereți explicit acest lucru prin valoarea auto. Și voice_id folosește exact aceleași voci ca Voice Agent (28 de voci încorporate la data de 3 noiembrie 2026, inclusiv eve, ara, rex, sal și leo, plus vocile dumneavoastră personalizate) și ignoră majusculele/minusculele. Așadar, aceeași persoană vocală poate alimenta atât agentul conversațional, cât și conținutul înregistrat, ceea ce merită exploatat pentru consistența brandului.
Alegeți formatul de ieșire
Câmpul output_format controlează codec-ul și calitatea:
{
"text": "Text to convert.",
"voice_id": "rex",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 44100
}
}
Alegeți codec-ul în funcție de ceea ce se întâmplă ulterior cu fișierul. mp3 se potrivește uzului general: bine comprimat și redabil peste tot, este implicitul sensibil pentru un site web sau un podcast. wav este fără pierderi, deci mai greu, dar este ceea ce aveți nevoie când un editor urmează să retușeze pista. pcm livrează audio brut, pentru pipeline-uri de procesare care nu au nevoie de un container. În final, mulaw și alaw sunt codec-urile de telefonie G.711, pentru sistemele de telecomunicații care le solicită.
Ratele de eșantionare variază de la 8000 la 48000 Hz, cu o valoare implicită de 24000 Hz, care acoperă vasta majoritate a utilizărilor. Pentru MP3, rata de biți merge de la 32000 la 192000 bps, cu o valoare implicită de 128000. Creșterea la 192000 pentru vocea vorbită nu aduce aproape nimic experienței de ascultare și mărește fișierele cu o treime: economisiți acea marjă pentru conținutul care amestecă muzică și voce.
Interogați catalogul de voci
API-ul expune două endpoint-uri read-only care completează generarea. GET /v1/tts/voices returnează toate vocile disponibile cu metadatele lor, iar GET /v1/tts/voices/{voice_id} returnează aceleași câmpuri (voice_id, name, language) pentru o singură voce; tonul și cazurile de utilizare ale fiecărei voci sunt descrise pe pagina xAI Text to Speech. În loc să codificați rigid numele vocilor în interfața dumneavoastră, populați selectorul de voci din aceste endpoint-uri, iar aplicația dumneavoastră va rămâne corectă în ziua în care catalogul se schimbă.
Puncte cheie
- TTS convertește textul în audio prin HTTP (simplu) sau WebSocket (streaming)
- Costă 15 USD per milion de caractere, cu un maxim de 60.000 de caractere per cerere HTTP
- 28 de voci încorporate, cinci codec-uri și șase rate de eșantionare vă oferă multă flexibilitate
- Modul WebSocket nu are limită de lungime totală a textului (fiecare delta este limitat la 60.000 de caractere)
- Un cod BCP-47 este necesar pentru a specifica limba (sau
autopentru detectare automată)