Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Slutpunkten POST /v1/tts

Lektion 1 av 14 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Omvandla text till ljud med Grok API
  2. Begärandets struktur
  3. HTTP-svaret
  4. Prissättning
  5. Viktiga punkter

Uppdaterat den 3 november 2026, baserat på xAI:s sida för Text to Speech, referensen för Voice API och sidan för Prissättning. Källor: Text to Speech · Voice API · Pricing.

Omvandla text till ljud med Grok API

xAI:s API för text-till-tal omvandlar valfri text till naturligt klingande ljud med ett enda HTTP-anrop. Huvudinträdet är POST /v1/tts, som tar din text och returnerar en binär ljudfil direkt.

60 000
Max antal tecken per begäran
28
Inbyggda röster
20
Språk som stöds
15 USD
Per miljon tecken

Begärandets struktur

Du skickar en POST-begäran till https://api.x.ai/v1/tts med en JSON-body. Här är ett minimalt exempel med 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

Servern svarar med den binära ljudfilen direkt i svarsbodyn. Det finns inget JSON-kuvert runt det: du får rådata (bytes) för ljudfilen.

Autentisering

Precis som för alla xAI API-slutpunkter måste du inkludera din API-nyckel i headern Authorization i Bearer-format:

Authorization: Bearer xai-your-api-key

Begärandets body

JSON-bodyn kretsar kring fyra huvudparametrar:

  • text (obligatoriskt): texten som ska omvandlas, upp till 60 000 tecken. Den stöder de uttrycksfulla taggar som du lär dig om i de kommande lektionerna.
  • voice_id (valfritt): röst-ID. Standardvärdet är eve. Värdena är skiftlägesokänsliga.
  • language (obligatoriskt): språkkoden i BCP-47-format (en, fr, de, …) eller auto för automatisk identifiering.
  • output_format (valfritt): ett objekt som konfigurerar codec, samplingsfrekvens och bithastighet.

Andra inställningar, alla valfria, kompletterar begäran: speed (uppspelningshastighet, från 0,7 till 1,5, standard är 1,0), replace (en tabell med substitutioner som korrigerar hur ett ord uttalas utan att ändra texten du skickar), with_timestamps (tidsstämplar per tecken), text_normalization (stavar ut siffror, förkortningar och symboler före syntes) och optimize_streaming_latency ("1" för att korta väntetiden innan den första ljudbiten, på bekostnad av en lätt kvalitetsförlust vid övergångarna).

HTTP-svaret

Vid framgång (status 200) returnerar servern ljudfilen med den innehållstyp som matchar det begärda formatet:

  • audio/mpeg för MP3 (standard)
  • audio/wav för WAV
  • audio/pcm för rå PCM
  • audio/basic för G.711 μ-law (mulaw)
  • audio/alaw för G.711 A-law (alaw)

Svaret innehåller inga metadata, endast ljudbytes. Det enda undantaget är with_timestamps: då blir svaret ett JSON-objekt som innehåller ljudet i base64, dess varaktighet och tidsstämpeln för varje tecken. Du kan skriva svaret direkt till en fil eller strömma det till en ljudspelare.

Python-exempel

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)

JavaScript-exempel (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));

Prissättning

TTS kostar 15 USD per miljon tecken (xAI:s priser per den 3 november 2026). Du debiteras för de tecken du skickar i text, inklusive uttrycksfulla taggar; en replace-tabell ändrar inte den summan. Med ett genomsnitt på 1 000 tecken per begäran landar kostnaden på cirka 0,015 USD per anrop.

Viktiga punkter

  • Slutpunkten POST /v1/tts är huvudinträdet för talsyntes
  • Svaret är en binär ljudfil, inte JSON
  • Texten är begränsad till 60 000 tecken per HTTP-begäran; WebSocket har ingen totalgräns
  • Du autentiserar med headern Authorization: Bearer
  • Kostnaden är 15 USD per miljon tecken