Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Odozva zvuku a ceny

Lekcia 4 z 14 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Spracovanie odozvy a kontrola nákladov
  2. Anatómia HTTP odozvy
  3. Mapovanie kodeku na Content-Type
  4. Podrobnosti o cenách
  5. Odhad dĺžky zvuku
  6. Kľúčové poznatky

Aktualizované 3. novembra 2026 na základe stránok xAI Pricing, Rate limits a Text to Speech. Zdroje: Pricing · Rate limits · Text to Speech.

Spracovanie odozvy a kontrola nákladov

Keď API pre TTS uspeje, vráti priamo v tele HTTP požiadavky prúd zvukových bajtov. Aby si mohol prevádzkovať TTS v produkčnom prostredí, musíš vedieť, ako túto odozvu spracovať a predvídať náklady.

Anatómia HTTP odozvy

Odozva má stavový kód 200 a telo obsahuje výlučne zvukové bajty. Žiadny obal JSON sa nepoužíva. Dôležité hlavičky HTTP sú:

  • Content-Type: formát zvuku (audio/mpeg pre MP3, audio/wav pre WAV, audio/pcm pre PCM)
  • Content-Length: veľkosť zvukového súboru v bajtoch
response = requests.post("https://api.x.ai/v1/tts", ...)

# Kontrola úspechu
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")

Zápis do súboru

Najjednoduchší prístup spočíva v priamom zápise odozvy do súboru:

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

Streamovanie odozvy

Pri veľkých súboroch streamuj odozvu, aby si nemusel načítať celý zvuk do pamäte:

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)

Priame prehrávanie v prehliadači

V JavaScripte na strane klienta (po preposlaní zvuku cez tvoj backend) môžeš dynamicky vytvoriť zvukový element:

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

Nezabudni po prehratí uvoľniť URL adresu Blobu, aby sa predišlo únikom pamäte (produkčná lekcia toto podrobne rozoberá).

Mapovanie kodeku na Content-Type

Požadovaný kodekPrijatý Content-TypePrípona súboru
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/alaw.al

Podrobnosti o cenách

TTS stojí 15 USD za milión znakov (cenník xAI k 3. novembru 2026). Fakturujeme ti obsah poľa text, ktorý odosielaš, vrátane expresívnych tagov.

Odhady nákladov

ObjemZnakovOdhadované náklady
1 veta~1000,0015 $
1 odsek~5000,0075 $
1 tlačená strana~2 0000,03 $
1 blogový príspevok~5 0000,075 $
1 kniha (200 strán)~400 0006 $
1 milión znakov1 000 00015 $

Tagy a fakturácia

Expresívne tagy ako [pause], <whisper> a <loud> sa započítavajú do celkového počtu znakov. Text s 1 000 znakmi a 50 znakmi tagov sa fakturuje ako 1 050 znakov. To zvyčajne predstavuje menej ako 5 % celkového textu.

Limity súbežnosti

Podľa stránky xAI Rate limits prijíma TTS na vstupnej úrovni 50 požiadaviek za sekundu a 100 súbežných relácií. Tieto limity rastú s úrovňou tvojho tímu (až na 500 a 500). Stránka Text to Speech tiež spomína 50 súbežných WebSocket relácií na tím. Ak tieto limity prekročíš, API vráti chybu 429: pri veľkých objemoch rozlož svoje požiadavky v čase alebo použi frontu.

Odhad dĺžky zvuku

Dĺžka vygenerovaného zvuku závisí od textu, hlasu a nastavenia speed. Orientačne beží čítaná reč rýchlosťou okolo 150 slov za minútu, čo je v angličtine približne 850 znakov za minútu: over si to so svojím hlasom skôr, než sľúbiš konkrétnu dĺžku. Pre presnú hodnotu vráti parameter with_timestamps spolu s časovými pečiatkami aj dĺžku zvuku (duration).

Týmto tempom vytvorí text s 60 000 znakmi, čo je limit pre jednu požiadavku, niečo vyše hodiny zvuku.

Kľúčové poznatky

  • Odozva TTS je binárny prúd, nie JSON
  • Content-Type ti povie, aký formát zvuku si dostal
  • Veľké súbory streamuj
  • Cena je 15 USD za milión znakov vrátane tagov
  • Na vstupnej úrovni: 50 požiadaviek za sekundu a 100 súbežných relácií
  • Požiadavka s 60 000 znakmi vygeneruje približne hodinu zvuku