Svarsljud och prissättning
På denna sida
Uppdaterat den 3 november 2026, baserat på xAI:s sidor för Pricing, Rate limits och Text to Speech. Källor: Pricing · Rate limits · Text to Speech.
Hantera svaret och håll kostnaderna under kontroll
När TTS-API:t lyckas returnerar det en ström av ljudbyte direkt i HTTP-brödtexten. Att veta hur du hanterar detta svar och förutser kostnader är avgörande för att köra TTS i produktion.
Anatomin hos HTTP-svaret
Svaret har statuskoden 200 och brödtexten innehåller inget annat än ljudbyte. Det finns inget JSON-kuvert. De viktiga HTTP-headersen är:
Content-Type: ljudformatet (audio/mpegför MP3,audio/wavför WAV,audio/pcmför PCM)Content-Length: storleken på ljudfilen i byte
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")
Skriv till en fil
Det enklaste tillvägagångssättet är att skriva svaret direkt till en fil:
with open("output.mp3", "wb") as f:
f.write(response.content)
Strömma svaret
För stora filer bör du strömma svaret så att du inte behöver ladda hela ljudet i minnet:
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)
Spela upp det direkt i webbläsaren
I JavaScript på klientsidan (efter att ha vidarebefordrat ljudet via ditt backend) kan du skapa ett ljudelement dynamiskt:
const audioBlob = new Blob([audioBuffer], { type: "audio/mpeg" });
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();
Kom ihåg att frigöra Blob-URL:en efter uppspelning för att undvika minnesläckor (produktionslektionen täcker detta i detalj).
Mappning mellan codec och Content-Type
| Begärd codec | Mottagen Content-Type | Filändelse |
|---|---|---|
mp3 | audio/mpeg | .mp3 |
wav | audio/wav | .wav |
pcm | audio/pcm | .pcm |
mulaw | audio/basic | .ul |
alaw | audio/alaw | .al |
Prissättning i detalj
TTS kostar 15 USD per miljon tecken (xAI:s priser per den 3 november 2026). Du debiteras för innehållet i fältet text precis som du skickar det, inklusive uttryckstaggar.
Kostnadsuppskattningar
| Volym | Tecken | Uppskattad kostnad |
|---|---|---|
| 1 mening | ~100 | 0,0015 USD |
| 1 stycke | ~500 | 0,0075 USD |
| 1 tryckt sida | ~2 000 | 0,03 USD |
| 1 blogginlägg | ~5 000 | 0,075 USD |
| 1 bok (200 sidor) | ~400 000 | 6 USD |
| 1 miljon tecken | 1 000 000 | 15 USD |
Taggar och fakturering
Uttryckstaggar som [pause], <whisper> och <loud> räknas in i det totala antalet tecken. En text på 1 000 tecken med 50 tecken taggar faktureras som 1 050 tecken. Det är vanligtvis mindre än 5 % av den totala textmängden.
Samtidighetsgränser
Enligt xAI:s sida för Rate limits accepterar TTS 50 förfrågningar per sekund och 100 samtidiga sessioner på instegsnivån. Dessa gränser växer med ditt teams nivå (upp till 500 respektive 500). Sidan för Text to Speech nämner även 50 samtidiga WebSocket-sessioner per team. Utöver detta returnerar API:t ett fel 429: för stora volymer bör du sprida ut dina förfrågningar eller använda en kö.
Uppskatta ljudlängd
Längden på det genererade ljudet beror på texten, rösten och inställningen för speed. Som en grov uppskattning ligger talat språk på runt 150 ord per minut, eller ungefär 850 tecken per minut på engelska: mät detta med din röst innan du lovar en viss varaktighet. För en exakt siffra returnerar with_timestamps ljudets varaktighet (duration) tillsammans med tidsstämplarna.
I denna takt genererar en text på 60 000 tecken, vilket är gränsen för en förfrågan, lite mer än en timmes ljud.
Viktiga punkter
- TTS-svaret är en binär ström, inte JSON
- Content-Type talar om vilket ljudformat du har mottagit
- Strömma stora filer
- Det kostar 15 USD per miljon tecken, taggar inkluderade
- På instegsnivån: 50 förfrågningar per sekund och 100 samtidiga sessioner
- En förfrågan på 60 000 tecken ger ungefär en timmes ljud