Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Odziv zvoka in cenik

Lekcija 4 od 14 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Obdelava odziva in nadzor stroškov
  2. Anatomija HTTP-odziva
  3. Preslikava kodeka v Content-Type
  4. Podrobnosti o ceniku
  5. Ocena dolžine zvoka
  6. Ključne ugotovitve

Posodobljeno 3. novembra 2026 na podlagi strani xAI Pricing, Rate limits in Text to Speech. Viri: Pricing · Rate limits · Text to Speech.

Obdelava odziva in nadzor stroškov

Ko API za pretvorbo besedila v govor (TTS) uspe, vrne tok zvočnih bajtov neposredno v telesu HTTP-zahtevka. Da bi TTS uspešno poganjal v produkcijskem okolju, moraš znati pravilno obdelati ta odziv in predvideti stroške.

Anatomija HTTP-odziva

Odziv ima statusno kodo 200, telo pa vsebuje izključno zvočne bajte. Ovoja JSON ni. Pomembni glavi HTTP sta:

  • Content-Type: zvočni format (audio/mpeg za MP3, audio/wav za WAV, audio/pcm za PCM)
  • Content-Length: velikost zvočne datoteke v bajtih
response = requests.post("https://api.x.ai/v1/tts", ...)

# Check for success
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")

Zapis v datoteko

Najpreprostejši pristop je neposreden zapis odziva v datoteko:

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

Pretakanje odziva (Streaming)

Pri velikih datotekah odziv pretakaj, da ne bi celotnega zvoka naložil v pomnilnik:

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)

Neposredno predvajanje v brskalniku

V JavaScriptu na strani odjemalca (po posredovanju zvoka prek svojega zaledja) lahko dinamično ustvariš zvočni element:

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

Ne pozabi sprostiti URL-ja Blob po koncu predvajanja, da preprečiš puščanje pomnilnika (to podrobneje obravnava lekcija o produkcijskem okolju).

Preslikava kodeka v Content-Type

Zahtevani kodekPrejeti Content-TypeKončnica datoteke
mp3audio/mpeg.mp3
wavaudio/wav.wav
pcmaudio/pcm.pcm
mulawaudio/basic.ul
alawaudio/alaw.al

Podrobnosti o ceniku

Storitev TTS stane 15 USD na milijon znakov (cena xAI z dne 3. novembra 2026). Obračuna se vsebina polja text, kot jo pošlješ, vključno z izraznimi oznakami.

Ocena stroškov

KoličinaZnakiOcenjeni strošek
1 stavek~1000,0015 USD
1 odstavek~5000,0075 USD
1 natisnjena stran~2.0000,03 USD
1 objava na blogu~5.0000,075 USD
1 knjiga (200 strani)~400.0006 USD
1 milijon znakov1.000.00015 USD

Oznake in obračunavanje

Izrazne oznake, kot so [pause], <whisper> in <loud>, se štejejo v skupno število znakov. Besedilo s 1.000 znaki in 50 znaki oznak se obračuna kot 1.050 znakov. To je običajno manj kot 5 % celotnega besedila.

Omejitve sočasnosti

Glede na stran xAI Rate limits TTS na osnovni ravni sprejme 50 zahtevkov na sekundo in 100 sočasnih sej; te omejitve naraščajo z ravnjo tvoje ekipe (do 500 in 500). Stran Text to Speech omenja tudi 50 sočasnih sej WebSocket na ekipo. Če te omejitve presežeš, API vrne napako 429: pri velikih količinah razporedi zahtevke v časovnih presledkih ali uporabi čakalno vrsto.

Ocena dolžine zvoka

Dolžina ustvarjenega zvoka je odvisna od besedila, izbranega glasu in nastavitve speed. Okvirno govorno branje teče s hitrostjo približno 150 besed na minuto oziroma okoli 850 znakov na minuto v angleščini: to izmeri s svojim glasom, preden obljubiš določeno trajanje. Za točno vrednost parameter with_timestamps vrne trajanje zvoka (duration) skupaj s časovnimi žigi.

S to hitrostjo besedilo s 60.000 znaki, kar je omejitev za en zahtevek, ustvari nekaj več kot uro zvoka.

Ključne ugotovitve

  • Odziv TTS je binarni tok, ne JSON
  • Content-Type ti pove, kateri zvočni format si prejel
  • Velike datoteke pretakaj (streamaj)
  • Strošek znaša 15 USD na milijon znakov, vključno z oznakami
  • Na osnovni ravni: 50 zahtevkov na sekundo in 100 sočasnih sej
  • Zahtevek s 60.000 znaki ustvari približno uro zvoka