Grok Text to Speech ist die Text-zu-Audio-Funktion der Grok-Stimmenfamilie. Der Hersteller dokumentiert ausdrucksstarke integrierte Sprecher, Stimmhinweise im Text und Ausgabeformate für Medienwiedergabe oder Telefonaudio. Die Eingabe ist das zu sprechende Transkript zusammen mit der Stimmen- und Sprachwahl. Die entstehende Aufnahme enthält Sprache aus diesem Transkript; Spracherkennung und dialogorientierte Speech-to-Speech-Modelle haben separate Aufgaben.
Der Herstellerkatalog gibt jeder Stimme ein Sprechprofil. Ara ist warm und freundlich, Eve lebhaft mit britischem Akzent, und Rex wird als klar und selbstbewusst beschrieben. Stimme und Sprache sind in der dokumentierten Familie unabhängig: Integrierte Sprecher können jede unterstützte Sprachoption verwenden. Der Leitfaden nennt zwanzig Sprachcodeoptionen einschliesslich regionaler Varianten und unterstützt ausserdem die automatische Erkennung der Sprache. Neben integrierten Sprechern dokumentiert der Hersteller wiederverwendbare benutzerdefinierte Stimmen, die aus einer Referenzaufnahme erstellt und für vollständige oder gestreamte Synthese über voice_id ausgewählt werden. Referenzaudio darf bis zu 120 Sekunden lang sein; empfohlen werden 90–120 Sekunden saubere Sprache eines einzelnen Sprechers, um Sprechweise und Intonation zu erfassen. Halten Sie Referenz, erstelltes Stimmenprofil und erzeugte Aufnahme als separate Artefakte und stimmen Sie die Darbietung der Referenz auf das vorgesehene Skript ab.
Bereiten Sie den endgültigen gesprochenen Wortlaut vor und bewahren Sie die vorgesehene Sprache von Namen und zitierten Passagen. Für eine gesprochene Anleitung ist eine nützliche Zeile: «Wählen Sie ein Thema, hören Sie sich die kurze Einführung an und öffnen Sie den Abschnitt, den Sie erkunden möchten.» Benötigt ein Markenname oder Fachbegriff eine bestimmte Lesung, können die Ersetzungsfunktionen des Herstellers eine angepasste Schreibweise oder IPA-Aussprache bereitstellen, ohne den angezeigten Quelltext zu ändern. Eine separate Textnormalisierungsoption überführt geschriebene Zahlen, Abkürzungen und Symbole in ihre gesprochene Form.
Tags im Text platzieren ein Ereignis an einer bestimmten Stelle, etwa eine Pause, ein Lachen, einen Seufzer oder einen Atemzug. Umschliessende Tags wenden eine Sprechweise auf eine vollständige Formulierung an, beispielsweise Flüstern, Betonung oder eine langsamere Passage. Setzen Sie den Hinweis dort, wo die Bedeutung ihn erfordert, und halten Sie die Wörter lesbar. Der Leitfaden empfiehlt Stilbereiche für vollständige Formulierungen und Satzzeichen statt einer Ansammlung unzusammenhängender Tags.
Bereiten Sie für eine ausdrucksstarke Figurenzeile den gesprochenen Satz und den Wechsel der Darbietung gemeinsam vor. Bewahren Sie bei einer Erklärung einen klaren Rhythmus, der dem Hörer hilft, den Schritten zu folgen. Der dokumentierte Sprechgeschwindigkeitsbereich reicht von 0.7 bis 1.5; 1.0 steht für normales Sprechen. Eine Geschwindigkeitswahl ändert das Sprechtempo, nicht die Wörter, die die Anwendung vermitteln soll.
Der Hersteller dokumentiert Ausgaben in MP3, WAV, rohem PCM, mu-law und A-law. Die unterstützten Abtastraten reichen von 8 kHz bis 48 kHz, mit konkret aufgeführten Raten dazwischen. Seine MP3-Standardkonfiguration ist 24 kHz bei 128 kbit/s. Verwenden Sie eine Audiodarstellung, die das vorgesehene Wiedergabegerät, der Bearbeitungsschritt oder der Telefoniepfad verarbeiten kann.
Optionale Zeichenzeitangaben verknüpfen die zurückgegebene Zeichenfolge mit Start- und Endzeiten. Ohne Ausspracheersetzungen entspricht diese Folge der Eingabe; Ersetzungen können sie in den gesprochenen Text ändern. Die Zeitangaben können eine Mitleseanzeige, Hervorhebungen oder die Ausrichtung auf eine visuelle Darbietung unterstützen. Im Workflow mit vollständiger Antwort ändert die Anforderung von Zeitangaben die Ausgabe in ein umschliessendes Objekt mit kodiertem Audio und Zeitdaten. Behandeln Sie Zeitangaben und Audio als zusammengehöriges Ergebnis, insbesondere wenn Textnormalisierung ein geschriebenes Symbol in mehrere gesprochene Wörter erweitert.
Der Hersteller bietet einen Weg für vollständige Anfragen und bidirektionales Streaming, bei dem Textfragmente eintreffen und Audioabschnitte während der Generierung der Äusserung zurückgegeben werden. Er dokumentiert eine Grenze von 60’000 Zeichen für eine vollständige Anfrage und für ein einzelnes gestreamtes Textfragment. Das Abschliessen oder Verwerfen einer Äusserung hat im Streaming-Workflow eine ausdrückliche Funktion.
Wählen Sie für längere Erzähltexte zusammenhängende Passagengrenzen und bewahren Sie das Skript bei jedem Ergebnis auf. Unterscheiden Sie bei interaktiver Wiedergabe zwischen zur Synthese gesendetem Text und Audio, das der Hörer bereits gehört hat. Das nützliche Ergebnis ist ein gesprochenes Skript mit gezielten Sprechhinweisen, einem geeigneten Audioformat und Zeitdaten, wenn die Anwendung sie benötigt. Bewahren Sie Skript, ausgewählte Stimme, Sprechhinweise und Ausgabeeinstellungen beim Audio auf, damit spätere Überarbeitungen die vorgesehene Sprechweise erhalten.
", "aboutText": "Grok Text to Speech ist die Text-zu-Audio-Funktion der Grok-Stimmenfamilie. Der Hersteller dokumentiert ausdrucksstarke integrierte Sprecher, Stimmhinweise im Text und Ausgabeformate für Medienwiedergabe oder Telefonaudio. Die Eingabe ist das zu sprechende Transkript zusammen mit der Stimmen- und Sprachwahl. Die entstehende Aufnahme enthält Sprache aus diesem Transkript; Spracherkennung und dialogorientierte Speech-to-Speech-Modelle haben separate Aufgaben.\n\n### Stimme, Sprache und gesprochener Text\n\nDer Herstellerkatalog gibt jeder Stimme ein Sprechprofil. Ara ist warm und freundlich, Eve lebhaft mit britischem Akzent, und Rex wird als klar und selbstbewusst beschrieben. Stimme und Sprache sind in der dokumentierten Familie unabhängig: Integrierte Sprecher können jede unterstützte Sprachoption verwenden. Der Leitfaden nennt zwanzig Sprachcodeoptionen einschliesslich regionaler Varianten und unterstützt ausserdem die automatische Erkennung der Sprache. Neben integrierten Sprechern dokumentiert der Hersteller wiederverwendbare benutzerdefinierte Stimmen, die aus einer Referenzaufnahme erstellt und für vollständige oder gestreamte Synthese über voice_id ausgewählt werden. Referenzaudio darf bis zu 120 Sekunden lang sein; empfohlen werden 90–120 Sekunden saubere Sprache eines einzelnen Sprechers, um Sprechweise und Intonation zu erfassen. Halten Sie Referenz, erstelltes Stimmenprofil und erzeugte Aufnahme als separate Artefakte und stimmen Sie die Darbietung der Referenz auf das vorgesehene Skript ab.\n\nBereiten Sie den endgültigen gesprochenen Wortlaut vor und bewahren Sie die vorgesehene Sprache von Namen und zitierten Passagen. Für eine gesprochene Anleitung ist eine nützliche Zeile: «Wählen Sie ein Thema, hören Sie sich die kurze Einführung an und öffnen Sie den Abschnitt, den Sie erkunden möchten.» Benötigt ein Markenname oder Fachbegriff eine bestimmte Lesung, können die Ersetzungsfunktionen des Herstellers eine angepasste Schreibweise oder IPA-Aussprache bereitstellen, ohne den angezeigten Quelltext zu ändern. Eine separate Textnormalisierungsoption überführt geschriebene Zahlen, Abkürzungen und Symbole in ihre gesprochene Form.\n\n### Hinweise zur Sprechweise\n\nTags im Text platzieren ein Ereignis an einer bestimmten Stelle, etwa eine Pause, ein Lachen, einen Seufzer oder einen Atemzug. Umschliessende Tags wenden eine Sprechweise auf eine vollständige Formulierung an, beispielsweise Flüstern, Betonung oder eine langsamere Passage. Setzen Sie den Hinweis dort, wo die Bedeutung ihn erfordert, und halten Sie die Wörter lesbar. Der Leitfaden empfiehlt Stilbereiche für vollständige Formulierungen und Satzzeichen statt einer Ansammlung unzusammenhängender Tags.\n\nBereiten Sie für eine ausdrucksstarke Figurenzeile den gesprochenen Satz und den Wechsel der Darbietung gemeinsam vor. Bewahren Sie bei einer Erklärung einen klaren Rhythmus, der dem Hörer hilft, den Schritten zu folgen. Der dokumentierte Sprechgeschwindigkeitsbereich reicht von 0.7 bis 1.5; 1.0 steht für normales Sprechen. Eine Geschwindigkeitswahl ändert das Sprechtempo, nicht die Wörter, die die Anwendung vermitteln soll.\n\n### Audio und Zeitangaben\n\nDer Hersteller dokumentiert Ausgaben in MP3, WAV, rohem PCM, mu-law und A-law. Die unterstützten Abtastraten reichen von 8 kHz bis 48 kHz, mit konkret aufgeführten Raten dazwischen. Seine MP3-Standardkonfiguration ist 24 kHz bei 128 kbit/s. Verwenden Sie eine Audiodarstellung, die das vorgesehene Wiedergabegerät, der Bearbeitungsschritt oder der Telefoniepfad verarbeiten kann.\n\nOptionale Zeichenzeitangaben verknüpfen die zurückgegebene Zeichenfolge mit Start- und Endzeiten. Ohne Ausspracheersetzungen entspricht diese Folge der Eingabe; Ersetzungen können sie in den gesprochenen Text ändern. Die Zeitangaben können eine Mitleseanzeige, Hervorhebungen oder die Ausrichtung auf eine visuelle Darbietung unterstützen. Im Workflow mit vollständiger Antwort ändert die Anforderung von Zeitangaben die Ausgabe in ein umschliessendes Objekt mit kodiertem Audio und Zeitdaten. Behandeln Sie Zeitangaben und Audio als zusammengehöriges Ergebnis, insbesondere wenn Textnormalisierung ein geschriebenes Symbol in mehrere gesprochene Wörter erweitert.\n\n### Vollständige oder gestreamte Generierung\n\nDer Hersteller bietet einen Weg für vollständige Anfragen und bidirektionales Streaming, bei dem Textfragmente eintreffen und Audioabschnitte während der Generierung der Äusserung zurückgegeben werden. Er dokumentiert eine Grenze von 60’000 Zeichen für eine vollständige Anfrage und für ein einzelnes gestreamtes Textfragment. Das Abschliessen oder Verwerfen einer Äusserung hat im Streaming-Workflow eine ausdrückliche Funktion.\n\nWählen Sie für längere Erzähltexte zusammenhängende Passagengrenzen und bewahren Sie das Skript bei jedem Ergebnis auf. Unterscheiden Sie bei interaktiver Wiedergabe zwischen zur Synthese gesendetem Text und Audio, das der Hörer bereits gehört hat. Das nützliche Ergebnis ist ein gesprochenes Skript mit gezielten Sprechhinweisen, einem geeigneten Audioformat und Zeitdaten, wenn die Anwendung sie benötigt. Bewahren Sie Skript, ausgewählte Stimme, Sprechhinweise und Ausgabeeinstellungen beim Audio auf, damit spätere Überarbeitungen die vorgesehene Sprechweise erhalten.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bae75c8baf7830d634884e69587956fd2e187c760511118686636b520e4c0655", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "x-ai/grok-voice-tts-1.0Grok Text to Speech wandelt geschriebenen Text mit auswählbaren Stimmen, Sprechhinweisen im Text und mehreren Ausgabecodecs in ausdrucksstarkes Audio um. Die dokumentierte Herstellerfamilie unterstützt vollständige und gestreamte Sprachausgabe sowie optionale Zeitangaben auf Zeichenebene.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Grok Text to Speech ist die Text-zu-Audio-Funktion der Grok-Stimmenfamilie. Der Hersteller dokumentiert ausdrucksstarke integrierte Sprecher, Stimmhinweise im Text und Ausgabeformate für Medienwiedergabe oder Telefonaudio. Die Eingabe ist das zu sprechende Transkript zusammen mit der Stimmen- und Sprachwahl. Die entstehende Aufnahme enthält Sprache aus diesem Transkript; Spracherkennung und dialogorientierte Speech-to-Speech-Modelle haben separate Aufgaben.
Der Herstellerkatalog gibt jeder Stimme ein Sprechprofil. Ara ist warm und freundlich, Eve lebhaft mit britischem Akzent, und Rex wird als klar und selbstbewusst beschrieben. Stimme und Sprache sind in der dokumentierten Familie unabhängig: Integrierte Sprecher können jede unterstützte Sprachoption verwenden. Der Leitfaden nennt zwanzig Sprachcodeoptionen einschliesslich regionaler Varianten und unterstützt ausserdem die automatische Erkennung der Sprache. Neben integrierten Sprechern dokumentiert der Hersteller wiederverwendbare benutzerdefinierte Stimmen, die aus einer Referenzaufnahme erstellt und für vollständige oder gestreamte Synthese über voice_id ausgewählt werden. Referenzaudio darf bis zu 120 Sekunden lang sein; empfohlen werden 90–120 Sekunden saubere Sprache eines einzelnen Sprechers, um Sprechweise und Intonation zu erfassen. Halten Sie Referenz, erstelltes Stimmenprofil und erzeugte Aufnahme als separate Artefakte und stimmen Sie die Darbietung der Referenz auf das vorgesehene Skript ab.
Bereiten Sie den endgültigen gesprochenen Wortlaut vor und bewahren Sie die vorgesehene Sprache von Namen und zitierten Passagen. Für eine gesprochene Anleitung ist eine nützliche Zeile: «Wählen Sie ein Thema, hören Sie sich die kurze Einführung an und öffnen Sie den Abschnitt, den Sie erkunden möchten.» Benötigt ein Markenname oder Fachbegriff eine bestimmte Lesung, können die Ersetzungsfunktionen des Herstellers eine angepasste Schreibweise oder IPA-Aussprache bereitstellen, ohne den angezeigten Quelltext zu ändern. Eine separate Textnormalisierungsoption überführt geschriebene Zahlen, Abkürzungen und Symbole in ihre gesprochene Form.
Tags im Text platzieren ein Ereignis an einer bestimmten Stelle, etwa eine Pause, ein Lachen, einen Seufzer oder einen Atemzug. Umschliessende Tags wenden eine Sprechweise auf eine vollständige Formulierung an, beispielsweise Flüstern, Betonung oder eine langsamere Passage. Setzen Sie den Hinweis dort, wo die Bedeutung ihn erfordert, und halten Sie die Wörter lesbar. Der Leitfaden empfiehlt Stilbereiche für vollständige Formulierungen und Satzzeichen statt einer Ansammlung unzusammenhängender Tags.
Bereiten Sie für eine ausdrucksstarke Figurenzeile den gesprochenen Satz und den Wechsel der Darbietung gemeinsam vor. Bewahren Sie bei einer Erklärung einen klaren Rhythmus, der dem Hörer hilft, den Schritten zu folgen. Der dokumentierte Sprechgeschwindigkeitsbereich reicht von 0.7 bis 1.5; 1.0 steht für normales Sprechen. Eine Geschwindigkeitswahl ändert das Sprechtempo, nicht die Wörter, die die Anwendung vermitteln soll.
Der Hersteller dokumentiert Ausgaben in MP3, WAV, rohem PCM, mu-law und A-law. Die unterstützten Abtastraten reichen von 8 kHz bis 48 kHz, mit konkret aufgeführten Raten dazwischen. Seine MP3-Standardkonfiguration ist 24 kHz bei 128 kbit/s. Verwenden Sie eine Audiodarstellung, die das vorgesehene Wiedergabegerät, der Bearbeitungsschritt oder der Telefoniepfad verarbeiten kann.
Optionale Zeichenzeitangaben verknüpfen die zurückgegebene Zeichenfolge mit Start- und Endzeiten. Ohne Ausspracheersetzungen entspricht diese Folge der Eingabe; Ersetzungen können sie in den gesprochenen Text ändern. Die Zeitangaben können eine Mitleseanzeige, Hervorhebungen oder die Ausrichtung auf eine visuelle Darbietung unterstützen. Im Workflow mit vollständiger Antwort ändert die Anforderung von Zeitangaben die Ausgabe in ein umschliessendes Objekt mit kodiertem Audio und Zeitdaten. Behandeln Sie Zeitangaben und Audio als zusammengehöriges Ergebnis, insbesondere wenn Textnormalisierung ein geschriebenes Symbol in mehrere gesprochene Wörter erweitert.
Der Hersteller bietet einen Weg für vollständige Anfragen und bidirektionales Streaming, bei dem Textfragmente eintreffen und Audioabschnitte während der Generierung der Äusserung zurückgegeben werden. Er dokumentiert eine Grenze von 60’000 Zeichen für eine vollständige Anfrage und für ein einzelnes gestreamtes Textfragment. Das Abschliessen oder Verwerfen einer Äusserung hat im Streaming-Workflow eine ausdrückliche Funktion.
Wählen Sie für längere Erzähltexte zusammenhängende Passagengrenzen und bewahren Sie das Skript bei jedem Ergebnis auf. Unterscheiden Sie bei interaktiver Wiedergabe zwischen zur Synthese gesendetem Text und Audio, das der Hörer bereits gehört hat. Das nützliche Ergebnis ist ein gesprochenes Skript mit gezielten Sprechhinweisen, einem geeigneten Audioformat und Zeitdaten, wenn die Anwendung sie benötigt. Bewahren Sie Skript, ausgewählte Stimme, Sprechhinweise und Ausgabeeinstellungen beim Audio auf, damit spätere Überarbeitungen die vorgesehene Sprechweise erhalten.
POST /v1/audio/speechtextaudio| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits x-ai/grok-voice-tts-1.0 | Standard— |
Feldinput | Typstring | AnforderungErforderlich | Werte und Limits Mindestlänge: 1 Maximale Länge: 15'000 Einheit: Unicode-Zeichen | Standard— |
Feldvoice | Typstring | AnforderungErforderlich | Werte und Limits eve, ara, rex, sal, leo | Standard— |
Feldresponse_format | Typstring | AnforderungErforderlich | Werte und Limits mp3 | Standard— |
text_to_speech · Erforderlich: input
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input, voice, response_format |
Parametervoice_ids | Vertrageve, ara, rex, sal, leo |
Parameterresponse_format | Vertragmp3 |
Parametermax_input_characters | Vertrag15000 |
Parameterother_options | Vertragfalse |
Parameterinput | VertragExakter UTF-8-Text; Anzahl der Unicode-Zeichen ohne Normalisierung |
Parametermaterial_types | Vertragtext |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Wählen Sie eine konkrete Stimme aus diesem Modellprofil.
Eingabezeichen und Audiosekunden sind unterschiedliche Messgrössen.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Abrechenbare Menge | Abrechnungseinheit | Gebühr |
|---|---|---|---|---|
| KonfigurationToken-Basistarife | TarifstaffelGrundtarif | Abrechenbare Menge— | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken — / 1K Tokens Ausgabe · Ausgabetoken — / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationUltra | Tarifstaffel— | Abrechenbare MengeJeder Unicode-Codepunkt zählt als ein Zeichen, einschliesslich Han-Zeichen. | Abrechnungseinheitpro 1K Eingabezeichen | Gebühr Eingabe · Eingabezeichen $0.03 pro 1K Eingabezeichen |
Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-Methode.
| Konfiguration | Abrechnungsbedingungen | Gebühr |
|---|---|---|
| KonfigurationSpaceXAI: Grok Voice TTS 1.0 · Standardkonfiguration | AbrechnungsbedingungenStandardkonfiguration | Gebühr Eingabe · Eingabezeichen $ 0.00003 pro Eingabezeichen |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
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\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige Binärergebnis und die Header aufbewahren. Wenn JSON oder mehrere Ausgaben zurückgegeben werden, jedes Datenelement aufbewahren und jede tatsächlich zurückgegebene signierte Asset-URL abrufen.
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
| Feld | Typ |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse headers | Typheaders |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Antwortserver_error | BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert | Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden. |
Ailoot Ultra x-ai/grok-voice-tts-1.0
Verwenden Sie die oben angezeigten Methodenpfade.