Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Koncový bod POST /v1/tts

Lekcia 1 z 14 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Preveď text na zvuk pomocou Grok API
  2. Štruktúra požiadavky
  3. HTTP odpoveď
  4. Cenník
  5. Kľúčové poznatky

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.

60,000
Maximálny počet znakov na požiadavku
28
Vstavaných hlasov
20
Podporovaných jazykov
$15
Za milión znakov

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 je eve. Hodnoty nerozlišujú veľkosť písmen.
  • language (povinné): kód jazyka vo formáte BCP-47 (en, fr, de, …) alebo auto pre 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/mpeg pre MP3 (predvolené)
  • audio/wav pre WAV
  • audio/pcm pre surové PCM
  • audio/basic pre G.711 μ-law (mulaw)
  • audio/alaw pre 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/tts je 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.