SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech es la capacidad de convertir texto en audio de la familia de voz Grok. El fabricante documenta voces integradas expresivas, indicaciones vocales insertadas en el texto y formatos de salida adecuados para reproducción multimedia o audio telefónico. Recibe el texto que se debe pronunciar junto con la voz y el idioma elegidos. La grabación resultante reproduce ese texto; el reconocimiento de voz y los modelos conversacionales de voz a voz realizan tareas distintas.

Voz, idioma y texto hablado

El catálogo del fabricante asigna a cada voz un perfil de interpretación. Ara es cálida y amigable, Eve es animada y tiene acento británico, y Rex se describe como clara y segura. En la familia documentada, voz e idioma son independientes: las voces integradas pueden utilizar cualquiera de los idiomas compatibles. La guía enumera veinte opciones de código de idioma, incluidas variantes regionales, y también admite detección automática. Además de las voces integradas, el fabricante documenta voces personalizadas reutilizables que se crean a partir de una grabación de referencia y se seleccionan mediante voice_id para síntesis completa o en streaming. El audio de referencia puede durar hasta 120 segundos; se recomiendan 90–120 segundos de voz limpia de una sola persona para captar la interpretación y la entonación. Conserva por separado la referencia, el perfil de voz creado y la grabación generada, y procura que la interpretación de referencia corresponda al guion previsto.

Prepara la redacción definitiva que se escuchará y conserva el idioma previsto de nombres y citas. Para una guía narrada, una frase útil es: «Elige un tema, escucha la breve introducción y abre la sección que quieras explorar». Si una marca o un término especializado requiere una lectura particular, los controles de sustitución del fabricante permiten indicar una grafía fonética o pronunciación IPA sin modificar el texto fuente mostrado. Una opción independiente de normalización de texto convierte números, abreviaturas y símbolos escritos a su forma hablada.

Indicaciones de interpretación

Las etiquetas insertadas sitúan un evento en un punto concreto, como una pausa, risa, suspiro o respiración. Las etiquetas envolventes aplican una forma de interpretación a una frase completa, por ejemplo un susurro, énfasis o un pasaje más lento. Coloca la indicación donde lo requiera el significado y mantén legibles las palabras. La guía recomienda tramos de estilo que abarquen frases completas y el uso de puntuación, en lugar de acumular etiquetas sin relación.

Para una línea expresiva de un personaje, prepara conjuntamente la frase hablada y el cambio de interpretación. Para una explicación, conserva un ritmo claro que ayude a seguir los pasos. El intervalo documentado de velocidad del habla es de 0.7 a 1.5, con 1.0 como interpretación normal. Elegir una velocidad modifica el ritmo hablado; no cambia las palabras que la aplicación debe comunicar.

Audio y marcas de tiempo

El fabricante documenta salida MP3, WAV, PCM sin procesar, mu-law y A-law. Las frecuencias de muestreo compatibles van de 8 kHz a 48 kHz, con valores específicos enumerados entre ambos extremos. La configuración MP3 predeterminada es de 24 kHz a 128 kbit/s. Usa una representación de audio que pueda interpretar el reproductor, la etapa de edición o la vía telefónica prevista.

Las marcas de tiempo opcionales por carácter asocian la secuencia de caracteres devuelta con tiempos de inicio y fin. Sin sustituciones de pronunciación, esa secuencia refleja la entrada; las sustituciones pueden cambiarla al texto efectivamente pronunciado. Sirven para mostrar texto que acompañe la lectura, resaltarlo o alinearlo con una interpretación visual. En el flujo de respuesta completa, solicitar marcas de tiempo cambia la salida a una estructura que contiene audio codificado y datos temporales. Trata las marcas y el audio como un resultado conjunto, especialmente cuando la normalización expande un símbolo escrito a varias palabras habladas.

Generación completa o en streaming

El fabricante ofrece una vía de solicitud completa y streaming bidireccional: llegan fragmentos de texto y se devuelven bloques de audio mientras se genera el enunciado. Documenta un límite de 60,000 caracteres tanto para una solicitud completa como para cada fragmento de texto transmitido. Completar o borrar un enunciado tiene una función explícita en el flujo de streaming.

Para narraciones largas, elige límites de pasaje coherentes y conserva el guion con cada resultado. Para reproducción interactiva, distingue el texto enviado a síntesis del audio que la persona ya escuchó. La entrega útil es un guion con voz, indicaciones de interpretación deliberadas, un formato de audio adecuado y datos temporales cuando la aplicación los necesite. Conserva con el audio el guion, la voz elegida, las indicaciones y la configuración de salida para que futuras revisiones mantengan la interpretación prevista.