Slutpunkten POST /v1/tts
På denna sida
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.
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 äreve. Värdena är skiftlägesokänsliga.language(obligatoriskt): språkkoden i BCP-47-format (en,fr,de, …) ellerautoför 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/mpegför MP3 (standard)audio/wavför WAVaudio/pcmför rå PCMaudio/basicför G.711 μ-law (mulaw)audio/alawför 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/ttsär 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