Grok Text to Speech es la función de conversión de texto a 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 la reproducción multimedia o el audio telefónico. La entrada es el guion que se va a pronunciar, junto con las opciones de voz e idioma. La grabación resultante contiene la locución de ese guion; el reconocimiento de voz y los modelos conversacionales de voz a voz tienen funciones distintas.
El catálogo del fabricante asigna a cada voz un perfil de interpretación. Ara es cálida y amable, Eve es animada y tiene acento británico, y Rex se describe como clara y segura. En la familia documentada, la voz y el idioma son independientes: las voces integradas pueden utilizar cada una de las opciones de idioma compatibles. La guía enumera veinte opciones de código de idioma, incluidas variantes regionales, y también admite la detección automática del idioma. Además de las voces integradas, el fabricante documenta voces personalizadas reutilizables creadas a partir de una grabación de referencia y seleccionadas mediante voice_id para síntesis completa o en streaming. El audio de referencia puede durar hasta 120 segundos; se recomiendan entre 90 y 120 segundos de voz limpia de una sola persona para captar la interpretación y la entonación. Conserve por separado la referencia, el perfil de voz creado y la grabación generada, y adapte la interpretación de referencia al guion previsto.
Prepare la redacción definitiva que se va a pronunciar y conserve el idioma previsto de los nombres y los fragmentos citados. 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 concreta, los controles de sustitución del fabricante permiten indicar una escritura fonética o una pronunciación en AFI sin cambiar el texto original mostrado. Una opción independiente de normalización del texto convierte números escritos, abreviaturas y símbolos en formas más próximas a su expresión oral.
Las etiquetas insertadas sitúan un evento en un punto concreto, como una pausa, una risa, un suspiro o una respiración. Las etiquetas envolventes aplican una forma de interpretación a una frase completa, por ejemplo un susurro, un énfasis o un pasaje más lento. Coloque la indicación donde lo requiera el significado y mantenga las palabras legibles. La guía recomienda tramos de estilo que abarquen frases completas y el uso de puntuación, en lugar de acumular etiquetas sin relación entre sí.
Para una frase expresiva de un personaje, prepare conjuntamente la oración hablada y el cambio de interpretación. Para una explicación, mantenga un ritmo claro que ayude a seguir los pasos. El intervalo documentado de velocidad del habla va de 0.7 a 1.5, con 1.0 como interpretación normal. La velocidad elegida modifica el ritmo de la locución; no cambia las palabras que la aplicación debe comunicar.
El fabricante documenta salidas MP3, WAV, PCM sin procesar, mu-law y A-law. Las frecuencias de muestreo compatibles van de 8 kHz a 48 kHz, con frecuencias concretas enumeradas entre ambos valores. La configuración MP3 predeterminada es de 24 kHz a 128 kbit/s. Utilice una representación de audio que pueda interpretar el reproductor, la fase de edición o la ruta telefónica previstos.
Las marcas de tiempo opcionales por carácter asocian la secuencia de caracteres devuelta con los tiempos de inicio y fin. Sin sustituciones de pronunciación, esa secuencia reproduce la entrada; las sustituciones pueden convertirla en el texto realmente hablado. Estas marcas permiten mostrar una lectura sincronizada, resaltar texto o alinearlo con una interpretación visual. En el flujo de respuesta completa, solicitar marcas de tiempo transforma la salida en una estructura que contiene el audio codificado y los datos temporales. Trate las marcas de tiempo y el audio como un resultado conjunto, especialmente cuando la normalización del texto convierte un símbolo escrito en varias palabras habladas.
El fabricante ofrece una vía de solicitud completa y streaming bidireccional, en el que llegan fragmentos de texto y se devuelven bloques de audio a medida que se genera el enunciado. Documenta un límite de 60 000 caracteres para una solicitud completa y para cada fragmento individual de texto enviado en streaming. Completar o vaciar un enunciado cumple una función explícita en el flujo de streaming.
Para narraciones largas, elija límites entre pasajes coherentes y conserve el guion junto a cada resultado. Para la reproducción interactiva, distinga el texto enviado para síntesis del audio que el oyente ya ha escuchado. El entregable útil es un guion locutado con indicaciones de interpretación intencionadas, un formato de audio adecuado y datos temporales cuando la aplicación los necesite. Conserve con el audio el guion, la voz seleccionada, las indicaciones de interpretación y los ajustes de salida para que las revisiones posteriores mantengan la interpretación prevista.
", "aboutText": "Grok Text to Speech es la función de conversión de texto a 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 la reproducción multimedia o el audio telefónico. La entrada es el guion que se va a pronunciar, junto con las opciones de voz e idioma. La grabación resultante contiene la locución de ese guion; el reconocimiento de voz y los modelos conversacionales de voz a voz tienen funciones distintas.\n\n### Voz, idioma y texto hablado\n\nEl catálogo del fabricante asigna a cada voz un perfil de interpretación. Ara es cálida y amable, Eve es animada y tiene acento británico, y Rex se describe como clara y segura. En la familia documentada, la voz y el idioma son independientes: las voces integradas pueden utilizar cada una de las opciones de idioma compatibles. La guía enumera veinte opciones de código de idioma, incluidas variantes regionales, y también admite la detección automática del idioma. Además de las voces integradas, el fabricante documenta voces personalizadas reutilizables creadas a partir de una grabación de referencia y seleccionadas mediante voice_id para síntesis completa o en streaming. El audio de referencia puede durar hasta 120 segundos; se recomiendan entre 90 y 120 segundos de voz limpia de una sola persona para captar la interpretación y la entonación. Conserve por separado la referencia, el perfil de voz creado y la grabación generada, y adapte la interpretación de referencia al guion previsto.\n\nPrepare la redacción definitiva que se va a pronunciar y conserve el idioma previsto de los nombres y los fragmentos citados. 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 concreta, los controles de sustitución del fabricante permiten indicar una escritura fonética o una pronunciación en AFI sin cambiar el texto original mostrado. Una opción independiente de normalización del texto convierte números escritos, abreviaturas y símbolos en formas más próximas a su expresión oral.\n\n### Indicaciones de interpretación\n\nLas etiquetas insertadas sitúan un evento en un punto concreto, como una pausa, una risa, un suspiro o una respiración. Las etiquetas envolventes aplican una forma de interpretación a una frase completa, por ejemplo un susurro, un énfasis o un pasaje más lento. Coloque la indicación donde lo requiera el significado y mantenga las palabras legibles. La guía recomienda tramos de estilo que abarquen frases completas y el uso de puntuación, en lugar de acumular etiquetas sin relación entre sí.\n\nPara una frase expresiva de un personaje, prepare conjuntamente la oración hablada y el cambio de interpretación. Para una explicación, mantenga un ritmo claro que ayude a seguir los pasos. El intervalo documentado de velocidad del habla va de 0.7 a 1.5, con 1.0 como interpretación normal. La velocidad elegida modifica el ritmo de la locución; no cambia las palabras que la aplicación debe comunicar.\n\n### Audio y marcas de tiempo\n\nEl fabricante documenta salidas MP3, WAV, PCM sin procesar, mu-law y A-law. Las frecuencias de muestreo compatibles van de 8 kHz a 48 kHz, con frecuencias concretas enumeradas entre ambos valores. La configuración MP3 predeterminada es de 24 kHz a 128 kbit/s. Utilice una representación de audio que pueda interpretar el reproductor, la fase de edición o la ruta telefónica previstos.\n\nLas marcas de tiempo opcionales por carácter asocian la secuencia de caracteres devuelta con los tiempos de inicio y fin. Sin sustituciones de pronunciación, esa secuencia reproduce la entrada; las sustituciones pueden convertirla en el texto realmente hablado. Estas marcas permiten mostrar una lectura sincronizada, resaltar texto o alinearlo con una interpretación visual. En el flujo de respuesta completa, solicitar marcas de tiempo transforma la salida en una estructura que contiene el audio codificado y los datos temporales. Trate las marcas de tiempo y el audio como un resultado conjunto, especialmente cuando la normalización del texto convierte un símbolo escrito en varias palabras habladas.\n\n### Generación completa o en streaming\n\nEl fabricante ofrece una vía de solicitud completa y streaming bidireccional, en el que llegan fragmentos de texto y se devuelven bloques de audio a medida que se genera el enunciado. Documenta un límite de 60 000 caracteres para una solicitud completa y para cada fragmento individual de texto enviado en streaming. Completar o vaciar un enunciado cumple una función explícita en el flujo de streaming.\n\nPara narraciones largas, elija límites entre pasajes coherentes y conserve el guion junto a cada resultado. Para la reproducción interactiva, distinga el texto enviado para síntesis del audio que el oyente ya ha escuchado. El entregable útil es un guion locutado con indicaciones de interpretación intencionadas, un formato de audio adecuado y datos temporales cuando la aplicación los necesite. Conserve con el audio el guion, la voz seleccionada, las indicaciones de interpretación y los ajustes de salida para que las revisiones posteriores mantengan la interpretación prevista.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f7c677f5cc6cabaf9d00c17e11f30d54be8d233ae7a337b1d82f6c7d8b852a2d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "x-ai/grok-voice-tts-1.0Grok Text to Speech convierte texto escrito en audio expresivo con voces seleccionables, indicaciones de interpretación insertadas en el texto y varios códecs de salida. La familia documentada por el fabricante admite voz completa y en streaming, además de marcas de tiempo opcionales por carácter.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Grok Text to Speech es la función de conversión de texto a 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 la reproducción multimedia o el audio telefónico. La entrada es el guion que se va a pronunciar, junto con las opciones de voz e idioma. La grabación resultante contiene la locución de ese guion; el reconocimiento de voz y los modelos conversacionales de voz a voz tienen funciones distintas.
El catálogo del fabricante asigna a cada voz un perfil de interpretación. Ara es cálida y amable, Eve es animada y tiene acento británico, y Rex se describe como clara y segura. En la familia documentada, la voz y el idioma son independientes: las voces integradas pueden utilizar cada una de las opciones de idioma compatibles. La guía enumera veinte opciones de código de idioma, incluidas variantes regionales, y también admite la detección automática del idioma. Además de las voces integradas, el fabricante documenta voces personalizadas reutilizables creadas a partir de una grabación de referencia y seleccionadas mediante voice_id para síntesis completa o en streaming. El audio de referencia puede durar hasta 120 segundos; se recomiendan entre 90 y 120 segundos de voz limpia de una sola persona para captar la interpretación y la entonación. Conserve por separado la referencia, el perfil de voz creado y la grabación generada, y adapte la interpretación de referencia al guion previsto.
Prepare la redacción definitiva que se va a pronunciar y conserve el idioma previsto de los nombres y los fragmentos citados. 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 concreta, los controles de sustitución del fabricante permiten indicar una escritura fonética o una pronunciación en AFI sin cambiar el texto original mostrado. Una opción independiente de normalización del texto convierte números escritos, abreviaturas y símbolos en formas más próximas a su expresión oral.
Las etiquetas insertadas sitúan un evento en un punto concreto, como una pausa, una risa, un suspiro o una respiración. Las etiquetas envolventes aplican una forma de interpretación a una frase completa, por ejemplo un susurro, un énfasis o un pasaje más lento. Coloque la indicación donde lo requiera el significado y mantenga las palabras legibles. La guía recomienda tramos de estilo que abarquen frases completas y el uso de puntuación, en lugar de acumular etiquetas sin relación entre sí.
Para una frase expresiva de un personaje, prepare conjuntamente la oración hablada y el cambio de interpretación. Para una explicación, mantenga un ritmo claro que ayude a seguir los pasos. El intervalo documentado de velocidad del habla va de 0.7 a 1.5, con 1.0 como interpretación normal. La velocidad elegida modifica el ritmo de la locución; no cambia las palabras que la aplicación debe comunicar.
El fabricante documenta salidas MP3, WAV, PCM sin procesar, mu-law y A-law. Las frecuencias de muestreo compatibles van de 8 kHz a 48 kHz, con frecuencias concretas enumeradas entre ambos valores. La configuración MP3 predeterminada es de 24 kHz a 128 kbit/s. Utilice una representación de audio que pueda interpretar el reproductor, la fase de edición o la ruta telefónica previstos.
Las marcas de tiempo opcionales por carácter asocian la secuencia de caracteres devuelta con los tiempos de inicio y fin. Sin sustituciones de pronunciación, esa secuencia reproduce la entrada; las sustituciones pueden convertirla en el texto realmente hablado. Estas marcas permiten mostrar una lectura sincronizada, resaltar texto o alinearlo con una interpretación visual. En el flujo de respuesta completa, solicitar marcas de tiempo transforma la salida en una estructura que contiene el audio codificado y los datos temporales. Trate las marcas de tiempo y el audio como un resultado conjunto, especialmente cuando la normalización del texto convierte un símbolo escrito en varias palabras habladas.
El fabricante ofrece una vía de solicitud completa y streaming bidireccional, en el que llegan fragmentos de texto y se devuelven bloques de audio a medida que se genera el enunciado. Documenta un límite de 60 000 caracteres para una solicitud completa y para cada fragmento individual de texto enviado en streaming. Completar o vaciar un enunciado cumple una función explícita en el flujo de streaming.
Para narraciones largas, elija límites entre pasajes coherentes y conserve el guion junto a cada resultado. Para la reproducción interactiva, distinga el texto enviado para síntesis del audio que el oyente ya ha escuchado. El entregable útil es un guion locutado con indicaciones de interpretación intencionadas, un formato de audio adecuado y datos temporales cuando la aplicación los necesite. Conserve con el audio el guion, la voz seleccionada, las indicaciones de interpretación y los ajustes de salida para que las revisiones posteriores mantengan la interpretación prevista.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites x-ai/grok-voice-tts-1.0 | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Longitud máxima: 15.000 Unidad: caracteres Unicode | Predeterminado— |
Campovoice | Tipostring | RequisitoObligatorio | Valores y límites eve, ara, rex, sal, leo | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoObligatorio | Valores y límites mp3 | Predeterminado— |
text_to_speech · Obligatorio: input
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input, voice, response_format |
Parámetrovoice_ids | Contratoeve, ara, rex, sal, leo |
Parámetroresponse_format | Contratomp3 |
Parámetromax_input_characters | Contrato15000 |
Parámetroother_options | Contratofalse |
Parámetroinput | Contratotexto UTF-8 exacto; recuento de caracteres Unicode sin normalización |
Parámetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id real devuelto o registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Selecciona una voz exacta de este perfil de modelo.
Los caracteres de entrada y los segundos de audio son métricas de consumo diferentes.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Cantidad facturable | Unidad de facturación | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad facturable— | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónUltra | Tabla de tarifas— | Cantidad facturableCada punto de código Unicode cuenta como un carácter, incluidos los caracteres Han. | Unidad de facturaciónpor 1K caracteres de entrada | Cargo Entrada · carácter de entrada $0.03 por 1K caracteres de entrada |
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado.
| Configuración | Condiciones de facturación | Cargo |
|---|---|---|
| ConfiguraciónSpaceXAI: Grok Voice TTS 1.0 · Configuración predeterminada | Condiciones de facturaciónConfiguración predeterminada | Cargo Entrada · Caracteres de entrada 0,00003 US$ por carácter de entrada |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
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\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el resultado binario completo y las cabeceras. Si se devuelve JSON o varias salidas, conserva todos los elementos de datos y descarga el recurso de cada URL firmada real.
Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta dedicada para consultar periódicamente el audio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Respuestaserver_error | CondiciónLa respuesta devuelta indica que la operación o el resultado requiere una comprobación | Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot Ultra x-ai/grok-voice-tts-1.0
Usa las rutas de método indicadas arriba.