SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech převádí psaný text na expresivní zvuk s volitelnými hlasy, vloženými pokyny k přednesu a více výstupními kodeky. Dokumentovaná rodina výrobce podporuje úplnou i streamovanou řeč a volitelné časování na úrovni znaků.

Ailoot Ultra · Převod na řeč POST /v1/audio/speech x-ai/grok-voice-tts-1.0

O modelu

Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.

Grok Text to Speech je schopnost převodu textu na zvuk hlasové rodiny Grok. Výrobce dokumentuje expresivní vestavěné mluvčí, vložené hlasové pokyny a výstupní formáty vhodné pro přehrávání médií nebo telefonní zvuk. Vstupem je text určený k vyslovení spolu s volbou hlasu a jazyka. Výsledná nahrávka je řečí z tohoto textu; rozpoznávání řeči a konverzační modely převodu řeči na řeč mají samostatné úkoly.

Hlas, jazyk a mluvený text

Katalog výrobce dává každému hlasu profil přednesu. Ara je vřelá a přátelská, Eve je veselá s britským přízvukem a Rex je popsán jako jasný a sebejistý. Hlas a jazyk jsou v dokumentované rodině nezávislé: vestavění mluvčí mohou používat každou podporovanou volbu jazyka. Příručka uvádí dvacet možností jazykových kódů včetně regionálních variant a podporuje také automatické rozpoznání jazyka. Vedle vestavěných mluvčích výrobce dokumentuje opakovaně použitelné vlastní hlasy vytvořené z referenční nahrávky a vybírané pomocí voice_id pro úplnou či streamovanou syntézu. Referenční zvuk může mít až 120 sekund; pro zachycení přednesu a intonace se doporučuje 90–120 sekund čisté řeči jednoho mluvčího. Referenci, vytvořený profil hlasu a generovanou nahrávku uchovávejte jako samostatné výstupy a referenční přednes slaďte se zamýšleným scénářem.

Připravte konečné mluvené znění a zachovejte zamýšlený jazyk jmen a citovaných pasáží. U namluveného průvodce je užitečná věta: „Vyberte téma, poslechněte si krátký úvod a otevřete oddíl, který chcete prozkoumat.“ Potřebuje-li značka nebo odborný termín zvláštní čtení, nástroje nahrazování výrobce mohou dodat upravený zápis nebo výslovnost IPA bez změny zobrazovaného zdrojového textu. Samostatná volba normalizace textu převádí psaná čísla, zkratky a symboly směrem k jejich mluvené podobě.

Pokyny k přednesu

Vložené značky umisťují událost do konkrétního bodu, například pauzu, smích, povzdech nebo nádech. Obalující značky aplikují přednes na úplnou frázi, například šeptání, důraz nebo pomalejší pasáž. Pokyn umístěte tam, kde jej vyžaduje význam, a slova ponechte čitelná. Příručka doporučuje stylové úseky přes celé fráze a interpunkci místo hromady nesouvisejících značek.

U expresivní repliky postavy připravte společně mluvenou větu a změnu přednesu. U vysvětlení zachovejte jasný rytmus, který posluchači pomáhá sledovat kroky. Dokumentovaný rozsah rychlosti řeči je 0.7 až 1.5, s hodnotou 1.0 pro běžný přednes. Volba rychlosti mění mluvené tempo; nemění slova, která má aplikace sdělit.

Zvuk a časování

Výrobce dokumentuje výstupy MP3, WAV, surový PCM, mu-law a A-law. Podporované možnosti vzorkovací frekvence sahají od 8 kHz do 48 kHz s konkrétně uvedenými frekvencemi mezi nimi. Výchozí konfigurace MP3 je 24 kHz při 128 kbit/s. Použijte zvukové vyjádření, kterému rozumí zamýšlený přehrávač, fáze úprav nebo telefonní přenos.

Volitelné časování znaků spojuje vrácenou posloupnost znaků s počátečními a koncovými časy. Bez nahrazení výslovnosti tato posloupnost odpovídá vstupu; náhrady ji mohou změnit na mluvený text. Může podporovat průběžné čtení na obrazovce, zvýrazňování nebo zarovnání s vizuálním přednesem. V postupu úplné odpovědi změní vyžádání časování výstup na obálku obsahující kódovaný zvuk a časová data. Časování a zvuk považujte za spojený výsledek, zvláště když normalizace textu rozepíše psaný symbol do několika mluvených slov.

Úplné nebo streamované generování

Výrobce nabízí cestu úplného požadavku a obousměrné streamování, při kterém přicházejí textové fragmenty a vracejí se zvukové části během generování promluvy. Dokumentuje limit 60 000 znaků pro úplný požadavek i pro jednotlivý streamovaný textový fragment. Dokončení nebo vymazání promluvy má ve streamovaném postupu výslovnou roli.

U delšího vyprávění vybírejte souvislé hranice pasáží a u každého výsledku uchovejte scénář. U interaktivního přehrávání odlišujte text odeslaný k syntéze od zvuku, který již posluchač slyšel. Užitečným výstupem je namluvený scénář se záměrnými pokyny k přednesu, vhodným zvukovým formátem a časovými daty, pokud je aplikace potřebuje. Se zvukem uchovávejte scénář, vybraný hlas, pokyny k přednesu a výstupní nastavení, aby pozdější úpravy zachovaly zamýšlené podání.

Ailoot Ultra · Převod na řeč POST /v1/audio/speech x-ai/grok-voice-tts-1.0

x-ai/grok-voice-tts-1.0

SpaceXAI /x-ai/grok-voice-tts-1.0

Úvod

Přijímané vstupy: Text
Výsledky: Zvuk

Dostupné v Ailoot · vstupy a metody

Ailoot Ultra · Převod na řeč POST /v1/audio/speech

Vstup: text
Výstup: audio
Výstupní formát: mp3

Pole	Typ	Požadavek	Hodnoty a limity	Výchozí
Pole`model`	Typ`string`	PožadavekPovinné	Hodnoty a limity x-ai/grok-voice-tts-1.0	Výchozí—
Pole`input`	Typ`string`	PožadavekPovinné	Hodnoty a limity Minimální délka: 1 Maximální délka: 15 000 Jednotka: znaky Unicode	Výchozí—
Pole`voice`	Typ`string`	PožadavekPovinné	Hodnoty a limity eve, ara, rex, sal, leo	Výchozí—
Pole`response_format`	Typ`string`	PožadavekPovinné	Hodnoty a limity mp3	Výchozí—

Kombinace vstupních materiálů

text_to_speech · Povinné: input

Parametry a životní cyklus metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input, voice, response_format
Parametr`voice_ids`	Kontrakteve, ara, rex, sal, leo
Parametr`response_format`	Kontraktmp3
Parametr`max_input_characters`	Kontrakt15000
Parametr`other_options`	Kontraktfalse
Parametr`input`	Kontraktpřesný text UTF-8; počet znaků Unicode bez normalizace
Parametr`material_types`	Kontrakttext

Životní cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Vyberte přesný hlas z tohoto profilu modelu.

Vstupní znaky a sekundy zvuku jsou různé měrné jednotky.

Tarify

Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.

Rychlý režim: Neuvedeno Při výběru rychlého režimu
Režim flex: Neuvedeno Při výběru režimu flex
Maximální intenzita uvažování: Neuvedeno Když se při maximální intenzitě uvažování použije výchozí úprava (default)

Sazby Ailoot

Ceny podle konfigurace

Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.

Konfigurace	Tabulka sazeb	Účtované množství	Účtovací jednotka	Poplatek
KonfiguraceZákladní sazby za tokeny	Tabulka sazebZákladní sazba	Účtované množství—	Účtovací jednotka—	Poplatek Vstup · Vstupní tokeny — / 1K tokenů Výstup · Výstupní tokeny — / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů
KonfiguraceUltra	Tabulka sazeb—	Účtované množstvíKaždý kódový bod Unicode se počítá jako jeden znak, včetně znaků Han.	Účtovací jednotkaza 1K vstupních znaků	Poplatek Vstup · vstupní znak $0.03 za 1K vstupních znaků

Podrobnosti referenčního tarifu

Referenční tabulky modelu nemění výběr metody, cenové nabídky ani poplatky. Skutečné poplatky používají sazby vybrané metody Ailoot.

SpaceXAI: Grok Voice TTS 1.0

Ceny podle konfigurace

Konfigurace	Podmínky účtování	Poplatek
KonfiguraceSpaceXAI: Grok Voice TTS 1.0 · Výchozí konfigurace	Podmínky účtováníVýchozí konfigurace	Poplatek Vstup · Vstupní znaky 0,00003 US$ za vstupní znak

Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →

Příklady požadavků

Ailoot Ultra · Převod na řeč

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "x-ai/grok-voice-tts-1.0", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["eve", "ara", "rex", "sal", "leo"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o speech.mp3

Přijímání a ukládání výsledků

Ailoot Ultra · Převod na řeč

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Další načtení obsahu

Knihovna médiíStav úlohyPodrobnosti souboru

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Uchovejte všechny dokončené výsledky

Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.

Uchovejte úplný binární výsledek a hlavičky. Pokud odpověď obsahuje JSON nebo více výstupů, uchovejte všechny datové položky a stáhněte každý soubor ze skutečně vrácené podepsané URL.

Pokud je nutné ověřit původní odpověď

Uchovejte původní operation_id/X-Client-Request-ID pro spárování záznamů bez opětovného odeslání; samostatná trasa pro dotazování na stav zvuku neexistuje.

Pole odpovědi

Pole	Typ
Pole`binary audio`	Typbytes
Pole`response headers`	Typheaders

Chyby a další kroky

Odpověď	Podmínka	Další krok
Odpověď400 · `invalid_request_error`	PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru	Další krokPřed novým požadavkem na vytvoření opravte uvedená pole.
Odpověď`server_error`	PodmínkaVrácená odpověď uvádí, že operaci nebo výsledek je třeba zkontrolovat	Další krokUchovejte původní vrácené ID operace nebo úlohy, hlavičky požadavku a odpověď; pokračujte v podporovaném načítání údajů o této původní operaci. Požadavek na vytvoření znovu neodesílejte.

Aliasy

Aliasy modelu

Ailoot Ultra x-ai/grok-voice-tts-1.0

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

x-ai/grok-voice-tts-1.0

FAQ · SpaceXAI: Grok Voice TTS 1.0

Jaké vstupy a výsledky jsou dostupné?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: text → audio
Jaká pole požadavek používá?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: model, input, voice, response_format
Jaké limity platí?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: input.maximum_length: 15000

SpaceXAI: Grok Voice TTS 1.0