Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Končna točka POST /v1/tts

Lekcija 1 od 14 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Pretvorba besedila v zvok z API-jem Grok
  2. Struktura zahteve
  3. Odgovor HTTP
  4. Cenik
  5. Ključne ugotovitve

Posodobljeno 3. novembra 2026 na podlagi strani xAI Text to Speech, referenčne dokumentacije Voice API in strani Pricing. Viri: Text to Speech · Voice API · Pricing.

Pretvorba besedila v zvok z API-jem Grok

API xAI Text-to-Speech pretvori poljubno besedilo v naravno zveneč zvok z enim samim klicem HTTP. Glavna vstopna točka je POST /v1/tts, ki sprejme tvoje besedilo in neposredno vrne binarno zvočno datoteko.

60,000
Največje število znakov na zahtevo
28
Vgrajenih glasov
20
Podprtih jezikov
$15
Na milijon znakov

Struktura zahteve

Pošlješ zahtevo POST na naslov https://api.x.ai/v1/tts s telesom JSON. Tukaj je minimalen primer z orodjem 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

Strežnik neposredno v telesu odgovora vrne binarno zvočno datoteko. Okoli nje ni ovoja JSON: dobiš surove bajte zvočne datoteke.

Avtentikacija

Kot pri vsaki končni točki API-ja xAI vključi svoj ključ API v glavo Authorization v formatu Bearer:

Authorization: Bearer xai-your-api-key

Telo zahteve

Telo JSON se vrti okoli štirih glavnih parametrov:

  • text (obvezno): besedilo za pretvorbo, do 60.000 znakov. Podpira ekspresivne oznake, o katerih se boš naučil v naslednjih lekcijah.
  • voice_id (izbirno): ID glasu. Privzeta vrednost je eve. Vrednosti ne razlikujejo med velikimi in malimi črkami.
  • language (obvezno): koda jezika v formatu BCP-47 (en, fr, de, …) ali auto za samodejno zaznavanje.
  • output_format (izbirno): predmet, ki konfigurira kodek, vzorčno frekvenco in bitno hitrost.

Zahtevo dopolnjujejo še druge nastavitve, vse izbirne: speed (hitrost predvajanja, od 0,7 do 1,5, privzeto 1,0), replace (tabela nadomestitev, ki popravi izgovorjavo besede brez spremembe poslanega besedila), with_timestamps (časovni žigi za vsak znak), text_normalization (črkovanje števil, okrajšav in simbolov pred sintezo) ter optimize_streaming_latency ("1" za skrajšanje čakanja pred prvim kosom zvoka, na račun rahle izgube kakovosti na spojih).

Odgovor HTTP

Ob uspehu (stanje 200) strežnik vrne zvočno datoteko z vrsto vsebine, ki ustreza zahtevanemu formatu:

  • audio/mpeg za MP3 (privzeto)
  • audio/wav za WAV
  • audio/pcm za surov PCM
  • audio/basic za G.711 μ-law (mulaw)
  • audio/alaw za G.711 A-law (alaw)

Odgovor ne vsebuje metapodatkov, le zvočne bajte. Edina izjema je with_timestamps: odgovor takrat postane predmet JSON, ki v base64 hrani zvok, njegovo trajanje in časovni žig vsakega znaka. Odgovor lahko neposredno zapišeš v datoteko ali ga pretočiš v zvočni predvajalnik.

Primer v Pythonu

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)

Primer v JavaScriptu (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));

Cenik

Storitev TTS stane 15 $ na milijon znakov (cena xAI z dne 3. novembra 2026). Zaračunajo se znaki, ki jih pošlješ v polju text, vključno z ekspresivnimi oznakami; tabela replace tega števila ne spremeni. Ob povprečju 1.000 znakov na zahtevo to znaša približno 0,015 $ na klic.

Ključne ugotovitve

  • Končna točka POST /v1/tts je glavna vstopna točka za sintezo govora.
  • Odgovor je binarna zvočna datoteka, ne JSON.
  • Besedilo je omejeno na 60.000 znakov na zahtevo HTTP; WebSocket nima skupne omejitve.
  • Avtentikacijo opraviš z glavo Authorization: Bearer.
  • Cena znaša 15 $ na milijon znakov.