Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Začíname s API Text-to-Speech

Lekcia 6 z 14 Aktualizované 3. novembra 2026 Mierne pokročilý
Na tejto strane
  1. Text dnu, audio von
  2. HTTP alebo WebSocket: dva spôsoby volania služby
  3. Parametre požiadavky HTTP
  4. Výber výstupného formátu
  5. Dotazovanie katalógu hlasov
  6. Kľúčové poznatky

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

Text dnu, audio von

API Grok Text-to-Speech robí jednu vec a robí ju dobre: mení text na vysokokvalitné audio. Zatiaľ čo Voice Agent riadi dialóg so striedaním ťahov a prerušeniami, TTS funguje striktne jedným smerom: pošleš text a dostaneš späť zvuk. Táto jednoduchosť z neho robí nástroj voľby vždy, keď stroj nikto neodpovedá: komentované články, telefónne uvítania, hlasové komentáre pre e-learningové moduly alebo zvukové upozornenia.

$15
za milión znakov
20
podporovaných jazykov
28
vstavaných hlasov
60 000
maximálny počet znakov na požiadavku

HTTP alebo WebSocket: dva spôsoby volania služby

Režim HTTP je najpriamejší. Pošleš požiadavku POST s textom a odpoveď obsahuje kompletný zvukový súbor, predvolene vo formáte MP3:

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"
  }'

Všimni si parameter -o output.mp3: telo odpovede je surové audio, nie JSON obaľujúci odkaz. Tento režim je ideálny na generovanie na pozadí, napríklad pre nočnú dávku, ktorá vytvára audio verzie tvojich článkov, keďže nikto nečaká pred obrazovkou.

Režim WebSocket rieši inú potrebu: počuť zvuk skôr, než sa syntetizuje celý text. Otvoríš spojenie a parametre odovzdáš v URL:

wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3

Následne posielaš text po častiach pomocou text.delta, ukončenie signalizuješ príkazom text.done a audio sa vracia ako chunks zakódované v base64 na audio.delta. Streamovanie odstraňuje limit dĺžky režimu HTTP a predovšetkým ti umožňuje syntetizovať priebežne, čo je nevyhnutné, keď sa samotný text stále generuje modelom.

Parametre požiadavky HTTP

ParameterTypPovinnéPopis
textstringÁnoText na konverziu, až do 60 000 znakov
voice_idstringNieHlas, ktorý sa má použiť (predvolené: eve)
languagestringÁnoKód BCP-47 (en, fr, de, …) alebo auto
output_formatobjectNieKodek, vzorkovacia frekvencia a bitová rýchlosť
speednumberNieRýchlosť prehrávania od 0,7 do 1,5 (predvolené: 1,0)

Dva body si zaslúžia pozornosť. Parameter language je povinný, čo ľudí často prekvapí: služba neháda jazyk tvojho textu, pokiaľ ju o to výslovne nepožiadaš hodnotou auto. A voice_id používa presne tie isté hlasy ako Voice Agent (28 vstavaných hlasov k 3. novembru 2026, vrátane eve, ara, rex, sal a leo, plus tvoje vlastné hlasy) a nerozlišuje veľkosť písmen. To isté persona hlasu teda môže poháňať tvoj konverzačný agent aj nahraný obsah, čo stojí za využitie kvôli konzistencii značky.

Výber výstupného formátu

Pole output_format riadi kodek a kvalitu:

{
  "text": "Text na konverziu.",
  "voice_id": "rex",
  "language": "en",
  "output_format": {
    "codec": "wav",
    "sample_rate": 44100
  }
}

Kodek vyber podľa toho, čo sa bude s súborom diať ďalej. mp3 vyhovuje všeobecnému použitiu: je dobre komprimovaný a prehrateľný všade, čo z neho robí rozumnú predvoľbu pre webstránku alebo podcast. wav je bezstratový, teda ťažší, ale je to to, čo potrebuješ, keď bude stopu upravovať strihový program. pcm dodáva surové audio pre spracovateľské pipeline, ktoré nepotrebujú kontajner. Nakoniec, mulaw a alaw sú telefónne kodeky G.711 určené pre telekomunikačné systémy, ktoré ich vyžadujú.

Vzorkovacie frekvencie sa pohybujú od 8 000 do 48 000 Hz s predvolenou hodnotou 24 000 Hz, čo pokrýva drvivú väčšinu použití. Pre MP3 sa bitová rýchlosť pohybuje od 32 000 do 192 000 bps s predvolenou hodnotou 128 000. Zvyšovanie na 192 000 pre hovorené slovo pridáva k zážitku z počúvania takmer nič a zväčšuje tvoje súbory o tretinu: túto rezervu si nechaj pre obsah, ktorý mieša hudbu a hlas.

Dotazovanie katalógu hlasov

API poskytuje dva koncové body len na čítanie, ktoré dopĺňajú generovanie. GET /v1/tts/voices vráti všetky dostupné hlasy s ich metadátami a GET /v1/tts/voices/{voice_id} vráti rovnaké polia (voice_id, name, language) pre jeden hlas; tón a prípady použitia každého hlasu sú opísané na stránke xAI Text to Speech. Namiesto natvrdo zakódovaných názvov hlasov v tvojom rozhraní naplň svoj výber hlasov z týchto koncových bodov a tvoja aplikácia zostane správna aj v deň, keď sa katalóg zmení.

Kľúčové poznatky

  • TTS konvertuje text na audio cez HTTP (jednoduché) alebo WebSocket (streamovanie)
  • Stojí to 15 $ za milión znakov s maximom 60 000 znakov na požiadavku HTTP
  • 28 vstavaných hlasov, päť kodekov a šesť vzorkovacích frekvencií ti poskytuje veľkú flexibilitu
  • Režim WebSocket nemá limit na celkovú dĺžku textu (každý delta je obmedzený na 60 000 znakov)
  • Na určenie jazyka je potrebný kód BCP-47 (alebo auto na automatickú detekciu)