Kom igång med Text-to-Speech API:t
På denna sida
Uppdaterat den 3 november 2026, baserat på xAI:s sidor för Text to Speech och Pricing. Källor: Text to Speech · Pricing.
Text in, ljud ut
Grok Text-to-Speech API:t gör en sak och gör den bra: det omvandlar text till ljud av hög kvalitet. Medan Voice Agent hanterar en dialog med turtagning och avbrott, fungerar TTS strikt enkelriktat: du skickar text och får tillbaka ljud. Den enkelheten gör det till verktyget att föredra när ingen svarar maskinen: upplästa artiklar, telefonsvarare, voice-over för e-learning-moduler och ljudnotiser.
HTTP eller WebSocket: två sätt att anropa tjänsten
HTTP-läge är det mest direkta. Du skickar en POST-begäran med din text, och svaret innehåller hela ljudfilen, som standard i MP3-format:
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": "Hej och välkommen till Corsen Academy.",
"voice_id": "ara",
"language": "sv"
}'
Observera -o output.mp3: svarskroppen är rått ljud, inte JSON som omsluter en länk. Detta läge passar perfekt för bakgrundsgenerering, till exempel ett nattligt batchjobb som producerar ljudversioner av dina artiklar, eftersom ingen väntar framför en skärm.
WebSocket-läge möter ett annat behov: att höra ljudet innan hela texten har syntetiserats. Du öppnar en anslutning och skickar parametrarna i URL:en:
wss://api.x.ai/v1/tts?language=sv&voice=ara&codec=mp3
Därefter skickar du texten bit för bit med text.delta, signalerar slutet med text.done, och ljudet returneras som base64-chunkar på audio.delta. Strömning tar bort längdbegränsningen i HTTP-läge och låter dig framför allt syntetisera medan texten genereras, vilket är avgörande när texten i sig fortfarande skapas av en modell.
Parametrar för HTTP-begäran
| Parameter | Typ | Obligatorisk | Beskrivning |
|---|---|---|---|
text | string | Ja | Texten som ska omvandlas, upp till 60 000 tecken |
voice_id | string | Nej | Rösten som ska användas (standard: eve) |
language | string | Ja | BCP-47-kod (sv, en, fr, de, …) eller auto |
output_format | object | Nej | Codec, samplingsfrekvens och bithastighet |
speed | number | Nej | Uppspelningshastighet, från 0,7 till 1,5 (standard: 1,0) |
Två punkter förtjänar uppmärksamhet. language är obligatorisk, vilket ofta överraskar: tjänsten gissar inte språket i din text om du inte uttryckligen ber om det med värdet auto. Och voice_id använder exakt samma röster som Voice Agent (28 inbyggda röster per den 3 november 2026, inklusive eve, ara, rex, sal och leo, plus dina anpassade röster), och skiljer inte på versaler och gemener. Samma röstprofil kan alltså driva både din konversationsagent och ditt inspelade innehåll, vilket är värt att utnyttja för varumärkeskonsekvens.
Välj utdataformat
Fältet output_format styr codec och kvalitet:
{
"text": "Text som ska omvandlas.",
"voice_id": "rex",
"language": "sv",
"output_format": {
"codec": "wav",
"sample_rate": 44100
}
}
Välj codec baserat på vad som ska hända med filen härnäst. mp3 passar för allmänt bruk: väl komprimerat och spelbart överallt, det är det förnuftiga standardvalet för en webbplats eller en podd. wav är förlustfritt, vilket gör filerna tyngre, men det är vad du behöver när en redigerare ska bearbeta spåret. pcm levererar rått ljud, för bearbetningspipelines som inte behöver en container. Slutligen är mulaw och alaw G.711-codecs för telefoni, avsedda för telekom-system som kräver dem.
Samplingsfrekvenser sträcker sig från 8000 till 48000 Hz, med en standard på 24000 Hz, vilket täcker de allra flesta användningsområden. För MP3 går bithastigheten från 32000 till 192000 bps, med en standard på 128000. Att gå upp till 192000 för talat språk tillför nästan ingenting till lyssnarupplevelsen och gör dina filer en tredjedel större: spara den marginalen för innehåll som blandar musik och tal.
Fråga röstkatalogen
API:t exponerar två skrivskyddade slutpunkter som kompletterar genereringen. GET /v1/tts/voices returnerar alla tillgängliga röster med deras metadata, och GET /v1/tts/voices/{voice_id} returnerar samma fält (voice_id, name, language) för en enskild röst; tonfall och användningsområden för varje röst beskrivs på xAI:s sida för Text to Speech. Istället för att hårdkoda röstnamn i ditt gränssnitt, fyll i din röstväljare från dessa slutpunkter, så förblir din app korrekt även dagen katalogen ändras.
Viktiga punkter
- TTS omvandlar text till ljud via HTTP (enkelt) eller WebSocket (strömmande)
- Det kostar $15 per miljon tecken, med ett maximum på 60 000 tecken per HTTP-begäran
- 28 inbyggda röster, fem codecs och sex samplingsfrekvenser ger dig stor flexibilitet
- WebSocket-läge har ingen gräns för total textlängd (varje delta är begränsat till 60 000 tecken)
- En BCP-47-kod krävs för att ange språk (eller
autoför automatisk identifiering)