Grok Text to Speech er Grok-stemmefamiliens tekst-til-lyd-funktion. Producenten dokumenterer udtryksfulde indbyggede talere, indlejrede stemmemarkører og outputformater til medieafspilning eller telefonlyd. Inputtet er det manuskript, der skal læses op, sammen med valg af stemme og sprog. Den resulterende optagelse er tale fra dette manuskript; talegenkendelse og samtalebaserede tale-til-tale-modeller har særskilte opgaver.
Producentkataloget giver hver stemme en fremførelsesprofil. Ara er varm og venlig, Eve er livlig med britisk accent, og Rex beskrives som klar og selvsikker. Stemme og sprog er uafhængige i den dokumenterede familie: indbyggede talere kan bruge hvert af de understøttede sprogvalg. Vejledningen angiver tyve sprogkodevalg, herunder regionale varianter, og understøtter også automatisk sproggenkendelse. Ud over indbyggede talere dokumenterer producenten genanvendelige brugerdefinerede stemmer, der oprettes fra en referenceoptagelse og vælges med voice_id til komplet eller streamet syntese. Referencelyden kan være op til 120 sekunder; 90–120 sekunders ren tale med én taler anbefales til at indfange fremførelse og intonation. Behold referencen, den oprettede stemmeprofil og den genererede optagelse som særskilte artefakter, og tilpas referencepræstationen til det tilsigtede manuskript.
Forbered den færdige talte ordlyd, og bevar det tilsigtede sprog i navne og citerede passager. En nyttig replik til en fortalt vejledning er: »Vælg et emne, lyt til den korte introduktion, og åbn det afsnit, du vil udforske.« Hvis et brandnavn eller fagudtryk kræver en bestemt læsning, kan producentens erstatningskontroller levere en alternativ stavning eller IPA-udtale uden at ændre den viste kildetekst. En særskilt mulighed for tekstnormalisering omdanner skrevne tal, forkortelser og symboler mod deres talte form.
Indlejrede tags placerer en hændelse på et bestemt sted, for eksempel en pause, latter, et suk eller et åndedrag. Omsluttende tags anvender en fremførelse på en hel frase, for eksempel hvisken, betoning eller en langsommere passage. Placer markøren, hvor betydningen kræver det, og behold ordene læsbare. Vejledningen anbefaler stilmarkeringer omkring hele fraser og tegnsætning frem for en stak uvedkommende tags.
Til en udtryksfuld figurreplik skal den talte sætning og fremførelsesskiftet forberedes sammen. I en forklaring skal du bevare en tydelig rytme, der hjælper lytteren med at følge trinnene. Det dokumenterede interval for talehastighed er 0.7 til 1.5 med 1.0 som normal fremførelse. Et hastighedsvalg ændrer taletempoet; det ændrer ikke de ord, applikationen skal kommunikere.
Producenten dokumenterer output som MP3, WAV, rå PCM, mu-law og A-law. De understøttede samplerater spænder fra 8 kHz til 48 kHz med bestemte angivne rater mellem disse værdier. Standardkonfigurationen for MP3 er 24 kHz ved 128 kbit/s. Brug en lydrepræsentation, som den tilsigtede afspiller, redigeringsfase eller telefonivej kan fortolke.
Valgfrie tegntider forbinder den returnerede tegnsekvens med start- og sluttider. Uden udtaleerstatninger afspejler sekvensen inputtet; erstatninger kan ændre den til den talte tekst. De kan understøtte en medlæsningsvisning, fremhævning eller synkronisering med en visuel fremførelse. I arbejdsgangen med komplet svar ændrer en anmodning om tidsangivelser outputtet til en indpakning med kodet lyd og tidsdata. Behandl tidsangivelser og lyd som et samlet resultat, især når tekstnormalisering udvider et skrevet symbol til flere talte ord.
Producenten tilbyder en vej med komplet anmodning og tovejs-streaming, hvor tekstfragmenter ankommer, og lydbidder returneres, mens ytringen genereres. Den dokumenterer en grænse på 60.000 tegn for en komplet anmodning og for et enkelt streamet tekstfragment. At afslutte eller rydde en ytring har en eksplicit rolle i streamingarbejdsgangen.
Til længere fortælling skal du vælge sammenhængende passagegrænser og gemme manuskriptet med hvert resultat. Til interaktiv afspilning skal du skelne mellem tekst sendt til syntese og lyd, som lytteren allerede har hørt. Den nyttige leverance er et indtalt manuskript med bevidste fremførelsesmarkører, et passende lydformat og tidsdata, når applikationen har brug for dem. Gem manuskript, valgt stemme, fremførelsesmarkører og outputindstillinger sammen med lyden, så senere revisioner bevarer den tilsigtede fremførelse.
", "aboutText": "Grok Text to Speech er Grok-stemmefamiliens tekst-til-lyd-funktion. Producenten dokumenterer udtryksfulde indbyggede talere, indlejrede stemmemarkører og outputformater til medieafspilning eller telefonlyd. Inputtet er det manuskript, der skal læses op, sammen med valg af stemme og sprog. Den resulterende optagelse er tale fra dette manuskript; talegenkendelse og samtalebaserede tale-til-tale-modeller har særskilte opgaver.\n\n### Stemme, sprog og talt tekst\n\nProducentkataloget giver hver stemme en fremførelsesprofil. Ara er varm og venlig, Eve er livlig med britisk accent, og Rex beskrives som klar og selvsikker. Stemme og sprog er uafhængige i den dokumenterede familie: indbyggede talere kan bruge hvert af de understøttede sprogvalg. Vejledningen angiver tyve sprogkodevalg, herunder regionale varianter, og understøtter også automatisk sproggenkendelse. Ud over indbyggede talere dokumenterer producenten genanvendelige brugerdefinerede stemmer, der oprettes fra en referenceoptagelse og vælges med voice_id til komplet eller streamet syntese. Referencelyden kan være op til 120 sekunder; 90–120 sekunders ren tale med én taler anbefales til at indfange fremførelse og intonation. Behold referencen, den oprettede stemmeprofil og den genererede optagelse som særskilte artefakter, og tilpas referencepræstationen til det tilsigtede manuskript.\n\nForbered den færdige talte ordlyd, og bevar det tilsigtede sprog i navne og citerede passager. En nyttig replik til en fortalt vejledning er: »Vælg et emne, lyt til den korte introduktion, og åbn det afsnit, du vil udforske.« Hvis et brandnavn eller fagudtryk kræver en bestemt læsning, kan producentens erstatningskontroller levere en alternativ stavning eller IPA-udtale uden at ændre den viste kildetekst. En særskilt mulighed for tekstnormalisering omdanner skrevne tal, forkortelser og symboler mod deres talte form.\n\n### Fremførelsesmarkører\n\nIndlejrede tags placerer en hændelse på et bestemt sted, for eksempel en pause, latter, et suk eller et åndedrag. Omsluttende tags anvender en fremførelse på en hel frase, for eksempel hvisken, betoning eller en langsommere passage. Placer markøren, hvor betydningen kræver det, og behold ordene læsbare. Vejledningen anbefaler stilmarkeringer omkring hele fraser og tegnsætning frem for en stak uvedkommende tags.\n\nTil en udtryksfuld figurreplik skal den talte sætning og fremførelsesskiftet forberedes sammen. I en forklaring skal du bevare en tydelig rytme, der hjælper lytteren med at følge trinnene. Det dokumenterede interval for talehastighed er 0.7 til 1.5 med 1.0 som normal fremførelse. Et hastighedsvalg ændrer taletempoet; det ændrer ikke de ord, applikationen skal kommunikere.\n\n### Lyd og tidsangivelser\n\nProducenten dokumenterer output som MP3, WAV, rå PCM, mu-law og A-law. De understøttede samplerater spænder fra 8 kHz til 48 kHz med bestemte angivne rater mellem disse værdier. Standardkonfigurationen for MP3 er 24 kHz ved 128 kbit/s. Brug en lydrepræsentation, som den tilsigtede afspiller, redigeringsfase eller telefonivej kan fortolke.\n\nValgfrie tegntider forbinder den returnerede tegnsekvens med start- og sluttider. Uden udtaleerstatninger afspejler sekvensen inputtet; erstatninger kan ændre den til den talte tekst. De kan understøtte en medlæsningsvisning, fremhævning eller synkronisering med en visuel fremførelse. I arbejdsgangen med komplet svar ændrer en anmodning om tidsangivelser outputtet til en indpakning med kodet lyd og tidsdata. Behandl tidsangivelser og lyd som et samlet resultat, især når tekstnormalisering udvider et skrevet symbol til flere talte ord.\n\n### Komplet eller streamet generering\n\nProducenten tilbyder en vej med komplet anmodning og tovejs-streaming, hvor tekstfragmenter ankommer, og lydbidder returneres, mens ytringen genereres. Den dokumenterer en grænse på 60.000 tegn for en komplet anmodning og for et enkelt streamet tekstfragment. At afslutte eller rydde en ytring har en eksplicit rolle i streamingarbejdsgangen.\n\nTil længere fortælling skal du vælge sammenhængende passagegrænser og gemme manuskriptet med hvert resultat. Til interaktiv afspilning skal du skelne mellem tekst sendt til syntese og lyd, som lytteren allerede har hørt. Den nyttige leverance er et indtalt manuskript med bevidste fremførelsesmarkører, et passende lydformat og tidsdata, når applikationen har brug for dem. Gem manuskript, valgt stemme, fremførelsesmarkører og outputindstillinger sammen med lyden, så senere revisioner bevarer den tilsigtede fremførelse.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a2fbb4570da4dc820651a5f4449654c613cc4e8eeadb707cc5fbc07b94909765", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "x-ai/grok-voice-tts-1.0Grok Text to Speech omdanner skrevet tekst til udtryksfuld lyd med valgbare stemmer, indlejrede fremførelsesmarkører og flere outputcodecs. Den dokumenterede producentfamilie understøtter komplet og streamet tale samt valgfrie tidsangivelser på tegnniveau.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Grok Text to Speech er Grok-stemmefamiliens tekst-til-lyd-funktion. Producenten dokumenterer udtryksfulde indbyggede talere, indlejrede stemmemarkører og outputformater til medieafspilning eller telefonlyd. Inputtet er det manuskript, der skal læses op, sammen med valg af stemme og sprog. Den resulterende optagelse er tale fra dette manuskript; talegenkendelse og samtalebaserede tale-til-tale-modeller har særskilte opgaver.
Producentkataloget giver hver stemme en fremførelsesprofil. Ara er varm og venlig, Eve er livlig med britisk accent, og Rex beskrives som klar og selvsikker. Stemme og sprog er uafhængige i den dokumenterede familie: indbyggede talere kan bruge hvert af de understøttede sprogvalg. Vejledningen angiver tyve sprogkodevalg, herunder regionale varianter, og understøtter også automatisk sproggenkendelse. Ud over indbyggede talere dokumenterer producenten genanvendelige brugerdefinerede stemmer, der oprettes fra en referenceoptagelse og vælges med voice_id til komplet eller streamet syntese. Referencelyden kan være op til 120 sekunder; 90–120 sekunders ren tale med én taler anbefales til at indfange fremførelse og intonation. Behold referencen, den oprettede stemmeprofil og den genererede optagelse som særskilte artefakter, og tilpas referencepræstationen til det tilsigtede manuskript.
Forbered den færdige talte ordlyd, og bevar det tilsigtede sprog i navne og citerede passager. En nyttig replik til en fortalt vejledning er: »Vælg et emne, lyt til den korte introduktion, og åbn det afsnit, du vil udforske.« Hvis et brandnavn eller fagudtryk kræver en bestemt læsning, kan producentens erstatningskontroller levere en alternativ stavning eller IPA-udtale uden at ændre den viste kildetekst. En særskilt mulighed for tekstnormalisering omdanner skrevne tal, forkortelser og symboler mod deres talte form.
Indlejrede tags placerer en hændelse på et bestemt sted, for eksempel en pause, latter, et suk eller et åndedrag. Omsluttende tags anvender en fremførelse på en hel frase, for eksempel hvisken, betoning eller en langsommere passage. Placer markøren, hvor betydningen kræver det, og behold ordene læsbare. Vejledningen anbefaler stilmarkeringer omkring hele fraser og tegnsætning frem for en stak uvedkommende tags.
Til en udtryksfuld figurreplik skal den talte sætning og fremførelsesskiftet forberedes sammen. I en forklaring skal du bevare en tydelig rytme, der hjælper lytteren med at følge trinnene. Det dokumenterede interval for talehastighed er 0.7 til 1.5 med 1.0 som normal fremførelse. Et hastighedsvalg ændrer taletempoet; det ændrer ikke de ord, applikationen skal kommunikere.
Producenten dokumenterer output som MP3, WAV, rå PCM, mu-law og A-law. De understøttede samplerater spænder fra 8 kHz til 48 kHz med bestemte angivne rater mellem disse værdier. Standardkonfigurationen for MP3 er 24 kHz ved 128 kbit/s. Brug en lydrepræsentation, som den tilsigtede afspiller, redigeringsfase eller telefonivej kan fortolke.
Valgfrie tegntider forbinder den returnerede tegnsekvens med start- og sluttider. Uden udtaleerstatninger afspejler sekvensen inputtet; erstatninger kan ændre den til den talte tekst. De kan understøtte en medlæsningsvisning, fremhævning eller synkronisering med en visuel fremførelse. I arbejdsgangen med komplet svar ændrer en anmodning om tidsangivelser outputtet til en indpakning med kodet lyd og tidsdata. Behandl tidsangivelser og lyd som et samlet resultat, især når tekstnormalisering udvider et skrevet symbol til flere talte ord.
Producenten tilbyder en vej med komplet anmodning og tovejs-streaming, hvor tekstfragmenter ankommer, og lydbidder returneres, mens ytringen genereres. Den dokumenterer en grænse på 60.000 tegn for en komplet anmodning og for et enkelt streamet tekstfragment. At afslutte eller rydde en ytring har en eksplicit rolle i streamingarbejdsgangen.
Til længere fortælling skal du vælge sammenhængende passagegrænser og gemme manuskriptet med hvert resultat. Til interaktiv afspilning skal du skelne mellem tekst sendt til syntese og lyd, som lytteren allerede har hørt. Den nyttige leverance er et indtalt manuskript med bevidste fremførelsesmarkører, et passende lydformat og tidsdata, når applikationen har brug for dem. Gem manuskript, valgt stemme, fremførelsesmarkører og outputindstillinger sammen med lyden, så senere revisioner bevarer den tilsigtede fremførelse.
POST /v1/audio/speechtextaudio| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser x-ai/grok-voice-tts-1.0 | Standard— |
Feltinput | Typestring | KravPåkrævet | Værdier og grænser Minimumslængde: 1 Maksimal længde: 15.000 Enhed: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravPåkrævet | Værdier og grænser eve, ara, rex, sal, leo | Standard— |
Feltresponse_format | Typestring | KravPåkrævet | Værdier og grænser mp3 | Standard— |
text_to_speech · Påkrævet: input
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input, voice, response_format |
Parametervoice_ids | Kontrakteve, ara, rex, sal, leo |
Parameterresponse_format | Kontraktmp3 |
Parametermax_input_characters | Kontrakt15000 |
Parameterother_options | Kontraktfalse |
Parameterinput | Kontraktpræcis UTF-8-tekst; antal Unicode-tegn uden normalisering |
Parametermaterial_types | Kontrakttext |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Vælg den præcise stemme fra denne modelprofil.
Inputtegn og lydsekunder er forskellige måleenheder.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Afregningsmængde | Afregningsenhed | Beløb |
|---|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Afregningsmængde— | Afregningsenhed— | Beløb Input · Inputtokens — / 1K tokens Output · Outputtokens — / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationUltra | Takstplan— | AfregningsmængdeHvert Unicode-kodepunkt tæller som ét tegn, herunder Han-tegn. | Afregningsenhedpr. 1K inputtegn | Beløb Input · inputtegn $0.03 pr. 1K inputtegn |
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-metode.
| Konfiguration | Afregningsbetingelser | Beløb |
|---|---|---|
| KonfigurationSpaceXAI: Grok Voice TTS 1.0 · Standardkonfiguration | AfregningsbetingelserStandardkonfiguration | Beløb Input · Inputtegn 0,00003 US$ pr. inputtegn |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "x-ai/grok-voice-tts-1.0", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["eve", "ara", "rex", "sal", "leo"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele det binære resultat og alle headere. Hvis der returneres JSON eller flere output, skal du gemme hvert dataelement og hente alle de faktiske signerede asset-URL'er.
Gem det oprindelige operation_id/X-Client-Request-ID til afstemning uden genindsendelse; der er ingen særskilt rute til polling af lyd.
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Svarserver_error | BetingelseDet returnerede svar angiver, at operationen eller resultatet skal kontrolleres | Næste trinGem det oprindeligt returnerede operations-/opgave-ID, anmodningens headere og svaret; fortsæt med de understøttede læseanmodninger for den oprindelige operation. Send ikke oprettelsesanmodningen igen. |
Ailoot Ultra x-ai/grok-voice-tts-1.0
Brug metodestierne vist ovenfor.