Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Parametre požiadavky TTS

Lekcia 2 z 14 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Vyladenie syntézy reči
  2. Parameter text
  3. Parameter voice_id
  4. Parameter language
  5. Parameter output_format
  6. Parameter speed
  7. Odporúčané kombinácie
  8. Kľúčové poznatky

Aktualizované 3. novembra 2026 na základe stránky xAI Text to Speech a referencie Voice API. Zdroje: Text to Speech · Voice API.

Vyladenie syntézy reči

Koncový bod POST /v1/tts sa točí okolo štyroch hlavných parametrov v tele požiadavky JSON plus niekoľkých voliteľných nastavení. Každý z nich ti dáva presnú kontrolu nad generovaným audiom a ich pochopenie ti umožní prispôsobiť syntézu tvojmu použitiu.

Parameter text

Spolu s parametrom language je text jediným povinným parametrom. Prijíma reťazec s dĺžkou až 60 000 znakov, ktorý môže obsahovať prostý text alebo expresívne tagy (tým sa budeme zaoberať v ďalšej časti).

{
  "text": "Hello and welcome. Today, we're going to talk about artificial intelligence."
}

Pri prekročení 60 000 znakov bude HTTP požiadavka zamietnutá. Pre dlhšie texty xAI odporúča WebSocket, ktorý nemá žiadny limit celkovej dĺžky (lekcie 9 až 12), alebo rozdelenie textu na segmenty, ktorých audio následne spojíš. Rozdeľuj na prirodzených hraniciach (koniec viet, koniec odsekov), aby si dosiahol plynulý výsledok.

Parameter voice_id

Tento parameter nastavuje hlas použitý na syntézu. Je voliteľný a predvolená hodnota je eve. ID nerozlišujú veľkosť písmen: Eve, EVE a eve sú ekvivalentné.

xAI ponúka 28 vstavaných hlasov (k 3. novembru 2026), rovnako ako pre hlasového agenta, plus vlastné hlasy vytvorené prostredníctvom Custom Voices API. Päť pôvodných hlasov podľa popisu xAI:

  • eve: energický a veselý, britský prízvuk
  • ara: teplý a priateľský
  • rex: sebavedomý a zrozumiteľný
  • sal: hladký a vyvážený
  • leo: autoritatívny a mocný, britský prízvuk

Zvyšných 23 hlasov (carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora a liora) je popísaných vrátane ich použitia na stránke xAI Text to Speech; koncový bod GET /v1/tts/voices vráti aktuálny zoznam (lekcia 3).

{
  "text": "Welcome to this tutorial.",
  "voice_id": "rex",
  "language": "en"
}

Podľa xAI každý hlas hovorí všetkými podporovanými jazykmi. Výber hlasu neovplyvňuje cenu, ktorá je založená na počte znakov.

Parameter language

Tento parameter je povinný. Prijíma kód BCP-47 alebo špeciálnu hodnotu auto pre automatickú detekciu jazyka.

Podporovaných je 20 jazykov:

KódJazykKódJazyk
enAngličtinakoKórejčina
frFrancúzštinahiHindčina
deNemčinabnBengálčina
es-ESŠpanielčina (Španielsko)ar-EGArabčina (Egypt)
es-MXŠpanielčina (Mexiko)ar-SAArabčina (Saudská Arábia)
pt-BRPortugalčina (Brazília)ar-AEArabčina (SAE)
pt-PTPortugalčina (Portugalsko)trTurečtina
itTaliančinaidIndonézština
ruRuštinaviVietnamčina
zhČínštinajaJapončina

Automatická detekcia (auto) funguje dobre pre texty v jednom jazyku, ale pri textoch miešajúcich viacero jazykov explicitne uveď hlavný jazyk.

Parameter output_format

Tento voliteľný parameter je objekt JSON, ktorý riadi formát výstupného audia. Má tri podparametre.

codec

Kodek nastavuje formát kódovania:

  • mp3 (predvolené): komprimovaný formát, ideálny pre web a streamovanie
  • wav: formát bez strát, lepšia kvalita, ale väčšie súbory
  • pcm: surové audio bez hlavičky, určené pre spracovateľské pipeline
  • mulaw / ulaw: kodek G.711 mu-law pre telefóniu
  • alaw: kodek G.711 A-law pre telefóniu

sample_rate

Vzorkovacia frekvencia v hertzoch. Prijaté hodnoty: 8000, 16000, 22050, 24000 (predvolené), 44100, 48000.

bit_rate

Bitová rýchlosť v bitoch za sekundu, len pre kodek MP3. Prijaté hodnoty: 32000, 64000, 96000, 128000 (predvolené), 192000.

{
  "text": "High-quality audio for production.",
  "voice_id": "ara",
  "language": "en",
  "output_format": {
    "codec": "wav",
    "sample_rate": 48000
  }
}

Parameter speed

speed nastavuje rýchlosť prehrávania: 1.0 je normálna rýchlosť (predvolená hodnota) a rozsah je od 0.7 do 1.5. Mierne pomalšie tempo pomáha pri hutnom vzdelávacom obsahu; pri hodnotách nad 1.2 si výsledok vždy znovu vypočuj.

Odporúčané kombinácie

Prípad použitiacodecsample_ratebit_rate
Web / streamovaniemp324000128000
Audio produkciawav48000—
Telefónia VoIPmulaw8000—
ML pipelinepcm16000—

Kľúčové poznatky

  • text a language sú jediné povinné parametre
  • voice_id je voliteľný (predvolené: eve) a nerozlišuje veľkosť písmen
  • output_format riadi kodek, vzorkovaciu frekvenciu a bitovú rýchlosť; speed nastavuje rýchlosť (0,7 až 1,5)
  • MP3 pri 24 kHz / 128 kbps je dobrým predvoleným kompromisom medzi kvalitou a veľkosťou
  • Pre telefóniu použij mulaw alebo alaw pri 8 kHz