Začnite z uporabo API-ja za pretvorbo besedila v govor
Na tej strani
Posodobljeno 3. novembra 2026 na podlagi strani xAI Text to Speech in Pricing. Viri: Text to Speech · Pricing.
Besedilo notri, zvok ven
API Grok Text-to-Speech počne eno stvar in jo počne dobro: pretvori besedilo v visokokakovosten zvok. Medtem ko Voice Agent upravlja dialog z izmenjavo vloge in možnostjo prekinitve, TTS deluje strogo enosmerno: pošlješ besedilo in dobiš zvok nazaj. Zaradi te preprostosti je to orodje prva izbira kadar koli stroj ne prejme govornega odziva: pripovedovanje člankov, telefonska pozdravna sporočila, glasovne podlage za e-učne module ali zvočna obvestila.
HTTP ali WebSocket: dva načina klicanja storitve
Način HTTP je najbolj neposreden. Pošlješ zahtevo POST s svojim besedilom, odgovor pa vsebuje celotno zvočno datoteko, privzeto v formatu 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"
}'
Bodite pozorni na -o output.mp3: telo odgovora je surov zvok, ne JSON, ki bi ovijal povezavo. Ta način je kot nalašč za generiranje v ozadju, na primer za nočno serijo opravil, ki ustvari zvočne različice vaših člankov, saj nihče ne čaka pred zaslonom.
Način WebSocket zadovolji drugačno potrebo: slišati zvok, preden je celotno besedilo sintetizirano. Odpreš povezavo in parametre posreduješ v URL-ju:
wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3
Nato pošlješ besedilo v kosih z text.delta, konec označiš z text.done, zvok pa se vrača kot delčki base64 na audio.delta. Pretakanje odpravlja omejitev dolžine načina HTTP in, kar je še pomembneje, omogoča sintezo med generiranjem, kar je bistveno, ko besedilo še vedno ustvarja model.
Parametri zahteve HTTP
| Parameter | Type | Required | Description |
|---|---|---|---|
text | string | Yes | Besedilo za pretvorbo, do 60.000 znakov |
voice_id | string | No | Glas za uporabo (privzeto: eve) |
language | string | Yes | Koda BCP-47 (en, fr, de, …) ali auto |
output_format | object | No | Kodek, vzorčna frekvenca in bitna hitrost |
speed | number | No | Hitrost predvajanja, od 0,7 do 1,5 (privzeto: 1,0) |
Dve točki si zaslužita pozornost. language je obvezen parameter, kar pogosto preseneti uporabnike: storitev ne ugane jezika vašega besedila, razen če ji to izrecno naročite z vrednostjo auto. Poleg tega voice_id uporablja popolnoma iste glasove kot Voice Agent (28 vgrajenih glasov na dan 3. novembra 2026, vključno z eve, ara, rex, sal in leo, plus vaši glasovi po meri) in ne razlikuje med velikimi in malimi črkami. Isti glasovni lik lahko torej poganja vaš konverzacijski agent in vašo posneto vsebino, kar je vredno izkoristiti zaradi doslednosti blagovne znamke.
Izbira izhodnega formata
Polje output_format nadzira kodek in kakovost:
{
"text": "Text to convert.",
"voice_id": "rex",
"language": "en",
"output_format": {
"codec": "wav",
"sample_rate": 44100
}
}
Kodek izberi glede na to, kaj se bo z datoteko dogajalo naprej. mp3 je primeren za splošno uporabo: dobro stisnjen in predvajalen povsod, je smiselna privzeta izbira za spletno mesto ali podkast. wav je brez izgub, zato težji, vendar je nujen, ko bo urednik ponovno obdelal posnetek. pcm dostavi surov zvok za obdelovalne cevovode, ki ne potrebujejo zabojnika. Nazadnje, mulaw in alaw sta telefonska kodeka G.711 za telekomunikacijske sisteme, ki ju zahtevajo.
Vzorčne frekvence segajo od 8000 do 48000 Hz, s privzeto vrednostjo 24000 Hz, kar pokriva veliko večino uporab. Za MP3 se bitna hitrost giblje od 32000 do 192000 bps, s privzeto vrednostjo 128000. Povišanje na 192000 za govorni glas skoraj nič ne prispeva k slušni izkušnji, datoteke pa poveča za tretjino: to rezervo prihranite za vsebine, ki mešajo glasbo in govor.
Poizvedba po katalogu glasov
API izpostavlja dve končni točki samo za branje, ki dopolnjujeta generiranje. GET /v1/tts/voices vrne vse razpoložljive glasove z njihovimi metapodatki, GET /v1/tts/voices/{voice_id} pa vrne ista polja (voice_id, name, language) za en sam glas; ton in primeri uporabe vsakega glasu so opisani na strani xAI Text to Speech. Namesto trdega kodiranja imen glasov v vašem vmesniku, napolnite svoj izbirnik glasov iz teh končnih točk in vaša aplikacija bo pravilna tudi dan, ko se katalog spremeni.
Ključne ugotovitve
- TTS pretvarja besedilo v zvok prek HTTP-ja (preprosto) ali WebSocketa (pretakanje)
- Stane 15 $ na milijon znakov, z največ 60.000 znaki na zahtevo HTTP
- 28 vgrajenih glasov, pet kodekov in šest vzorčnih frekvenc vam ponujajo veliko prilagodljivosti
- Način WebSocket nima omejitve skupne dolžine besedila (vsak delta je omejen na 60.000 znakov)
- Za določitev jezika je potrebna koda BCP-47 (ali
autoza samodejno zaznavanje)