Koncový bod POST /v1/tts
Na tejto strane
Aktualizované 3. novembra 2026 na základe stránky xAI Text to Speech, referencie Voice API a stránky Pricing. Zdroje: Text to Speech · Voice API · Pricing.
Preveď text na zvuk pomocou Grok API
API xAI Text-to-Speech prevedie akýkoľvek text na prirodzene znejúce audio jediným HTTP volaním. Hlavným vstupným bodom je POST /v1/tts, ktorý prijme tvoj text a priamo vráti binárny zvukový súbor.
Štruktúra požiadavky
Odošleš požiadavku POST na adresu https://api.x.ai/v1/tts s telom vo formáte JSON. Tu je minimálny príklad pomocou 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
Server odpovedá priamo binárnym zvukovým súborom v tele odpovede. Neexistuje tu žiadna obálka JSON: dostaneš surové bajty zvukového súboru.
Overenie totožnosti
Ako pri každom koncovom bode API xAI, zahrň svoj API kľúč do hlavičky Authorization vo formáte Bearer:
Authorization: Bearer xai-your-api-key
Telo požiadavky
Telo JSON sa točí okolo štyroch hlavných parametrov:
text(povinné): text na konverziu, až do 60 000 znakov. Podporuje expresívne tagy, o ktorých sa dozvieš v nasledujúcich lekciách.voice_id(voliteľné): ID hlasu. Predvolená hodnota jeeve. Hodnoty nerozlišujú veľkosť písmen.language(povinné): kód jazyka vo formáte BCP-47 (en,fr,de, …) aleboautopre automatickú detekciu.output_format(voliteľné): objekt, ktorý konfiguruje kodek, vzorkovaciu frekvenciu a bitovú rýchlosť.
Požiadavku dopĺňajú ďalšie nastavenia, všetky voliteľné: speed (rýchlosť prehrávania od 0,7 do 1,5, predvolené 1,0), replace (tabuľka substitúcií, ktorá opraví výslovnosť slova bez zmeny odoslaného textu), with_timestamps (časové pečiatky pre každý znak), text_normalization (hláskovanie čísel, skratiek a symbolov pred syntézou) a optimize_streaming_latency ("1" na skrátenie čakania pred prvým kusom audia na úkor miernej straty kvality v miestach spojenia).
HTTP odpoveď
Pri úspechu (stav 200) server vráti zvukový súbor s typom obsahu zodpovedajúcim požadovanému formátu:
audio/mpegpre MP3 (predvolené)audio/wavpre WAVaudio/pcmpre surové PCMaudio/basicpre G.711 μ-law (mulaw)audio/alawpre G.711 A-law (alaw)
Odpoveď neobsahuje žiadne metadáta, iba audio bajty. Jedinou výnimkou je with_timestamps: odpoveď sa potom stane objektom JSON, ktorý obsahuje audio v base64, jeho trvanie a časovú pečiatku každého znaku. Odpoveď môžeš priamo zapísať do súboru alebo ju streamovať do audio prehrávača.
Príklad v Pythone
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)
Príklad v JavaScripte (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));
Cenník
TTS stojí 15 USD za milión znakov (cenník xAI k 3. novembru 2026). Účtujú sa ti znaky, ktoré odošleš v poli text, vrátane expresívnych tagov; tabuľka replace tento počet nemení. Pri priemere 1 000 znakov na požiadavku to vychádza na približne 0,015 USD za volanie.
Kľúčové poznatky
- Koncový bod
POST /v1/ttsje hlavným vstupným bodom pre syntézu reči. - Odpoveďou je binárny zvukový súbor, nie JSON.
- Text je obmedzený na 60 000 znakov na HTTP požiadavku; WebSocket nemá žiadny celkový limit.
- Overuješ sa pomocou hlavičky
Authorization: Bearer. - Cena je 15 USD za milión znakov.