Grok Text to Speech est la capacité texte-audio de la famille vocale Grok. Le fabricant documente des locuteurs intégrés expressifs, des indices vocaux intégrés au texte et des formats de sortie adaptés à la lecture de médias ou à l’audio téléphonique. Son entrée est le texte à prononcer, avec les choix de voix et de langue. L’enregistrement obtenu est la parole issue de ce texte ; la reconnaissance vocale et les modèles conversationnels de parole-à-parole remplissent des tâches distinctes.
Le catalogue du producteur donne à chaque voix un profil d’interprétation. Ara est chaleureuse et amicale, Eve est enjouée avec un accent britannique et la voix Rex est décrite comme claire et assurée. La voix et la langue sont indépendantes dans la famille documentée : les locuteurs intégrés peuvent utiliser chaque choix linguistique pris en charge. Le guide répertorie vingt options de codes de langue, dont des variantes régionales, et prend aussi en charge la détection automatique de langue. En plus des locuteurs intégrés, le producteur documente des voix personnalisées réutilisables créées à partir d’un enregistrement de référence et choisies par voice_id pour la synthèse complète ou en streaming. L’audio de référence peut atteindre 120 secondes ; 90 à 120 secondes de parole propre à un seul locuteur sont recommandées pour capturer l’interprétation et l’intonation. Gardez la référence, le profil vocal créé et l’enregistrement généré comme des artefacts distincts et adaptez l’interprétation de référence au script visé.
Préparez la formulation parlée définitive en préservant la langue visée des noms et des passages cités. Pour un guide narré, une phrase utile est : « Choisissez un sujet, écoutez la courte introduction et ouvrez la section que vous voulez explorer. » Si un nom de marque ou un terme spécialisé nécessite une lecture particulière, les commandes de remplacement du fabricant peuvent fournir une graphie phonétique ou une prononciation IPA sans modifier le texte source affiché. Une option distincte de normalisation textuelle convertit les nombres, les abréviations et les symboles écrits vers leur forme parlée.
Les balises intégrées placent un événement à un point précis, tel qu’une pause, un rire, un soupir ou une respiration. Les balises encadrantes appliquent une interprétation à une phrase complète, par exemple le chuchotement, l’accentuation ou un passage plus lent. Placez l’indice là où le sens l’exige et gardez les mots lisibles. Le guide recommande des plages de style couvrant des phrases complètes et de la ponctuation, plutôt qu’un empilement de balises sans rapport.
Pour une phrase de personnage expressive, préparez ensemble la phrase parlée et le changement d’interprétation. Pour une explication, conservez un rythme clair aidant l’auditeur à suivre les étapes. La plage documentée de débit vocal va de 0.7 à 1.5, avec 1.0 pour une interprétation normale. Un choix de vitesse modifie le rythme parlé ; il ne change pas les mots que l’application doit communiquer.
Le producteur documente des sorties MP3, WAV, PCM brut, mu-law et A-law. Les choix de fréquence d’échantillonnage pris en charge vont de 8 kHz à 48 kHz, avec des fréquences précises répertoriées entre ces valeurs. Sa configuration MP3 par défaut est de 24 kHz à 128 kbit/s. Utilisez une représentation audio que le lecteur, l’étape de montage ou la voie téléphonique visés peuvent interpréter.
Les horodatages facultatifs des caractères associent la séquence de caractères renvoyée à des temps de début et de fin. Sans remplacement de prononciation, cette séquence reflète l’entrée ; les remplacements peuvent la modifier pour obtenir le texte parlé. Ils peuvent servir à un affichage accompagnant la lecture, à la mise en évidence ou à l’alignement avec une interprétation visuelle. Dans le processus de réponse complète, demander les horodatages transforme la sortie en une enveloppe contenant l’audio encodé et les données temporelles. Traitez les horodatages et l’audio comme un résultat associé, particulièrement lorsque la normalisation textuelle développe un symbole écrit en plusieurs mots parlés.
Le fabricant propose une voie de requête complète et un streaming bidirectionnel dans lequel des fragments textuels arrivent et des segments audio reviennent à mesure que l’énoncé est généré. Il documente une limite de 60 000 caractères pour une requête complète et pour un fragment textuel individuel en streaming. Terminer ou effacer un énoncé possède un rôle explicite dans le processus de streaming.
Pour une narration plus longue, choisissez des limites de passages cohérentes et conservez le script avec chaque résultat. Pour la lecture interactive, distinguez le texte envoyé à la synthèse de l’audio déjà entendu par l’auditeur. Le livrable utile est un script mis en voix avec des indices intentionnels d’interprétation, un format audio adapté et des données temporelles lorsque l’application en a besoin. Gardez le script, la voix choisie, les indices d’interprétation et les réglages de sortie avec l’audio afin que les révisions ultérieures préservent l’interprétation visée.
", "aboutText": "Grok Text to Speech est la capacité texte-audio de la famille vocale Grok. Le fabricant documente des locuteurs intégrés expressifs, des indices vocaux intégrés au texte et des formats de sortie adaptés à la lecture de médias ou à l’audio téléphonique. Son entrée est le texte à prononcer, avec les choix de voix et de langue. L’enregistrement obtenu est la parole issue de ce texte ; la reconnaissance vocale et les modèles conversationnels de parole-à-parole remplissent des tâches distinctes.\n\n### Voix, langue et texte parlé\n\nLe catalogue du producteur donne à chaque voix un profil d’interprétation. Ara est chaleureuse et amicale, Eve est enjouée avec un accent britannique et la voix Rex est décrite comme claire et assurée. La voix et la langue sont indépendantes dans la famille documentée : les locuteurs intégrés peuvent utiliser chaque choix linguistique pris en charge. Le guide répertorie vingt options de codes de langue, dont des variantes régionales, et prend aussi en charge la détection automatique de langue. En plus des locuteurs intégrés, le producteur documente des voix personnalisées réutilisables créées à partir d’un enregistrement de référence et choisies par voice_id pour la synthèse complète ou en streaming. L’audio de référence peut atteindre 120 secondes ; 90 à 120 secondes de parole propre à un seul locuteur sont recommandées pour capturer l’interprétation et l’intonation. Gardez la référence, le profil vocal créé et l’enregistrement généré comme des artefacts distincts et adaptez l’interprétation de référence au script visé.\n\nPréparez la formulation parlée définitive en préservant la langue visée des noms et des passages cités. Pour un guide narré, une phrase utile est : « Choisissez un sujet, écoutez la courte introduction et ouvrez la section que vous voulez explorer. » Si un nom de marque ou un terme spécialisé nécessite une lecture particulière, les commandes de remplacement du fabricant peuvent fournir une graphie phonétique ou une prononciation IPA sans modifier le texte source affiché. Une option distincte de normalisation textuelle convertit les nombres, les abréviations et les symboles écrits vers leur forme parlée.\n\n### Indices d’interprétation\n\nLes balises intégrées placent un événement à un point précis, tel qu’une pause, un rire, un soupir ou une respiration. Les balises encadrantes appliquent une interprétation à une phrase complète, par exemple le chuchotement, l’accentuation ou un passage plus lent. Placez l’indice là où le sens l’exige et gardez les mots lisibles. Le guide recommande des plages de style couvrant des phrases complètes et de la ponctuation, plutôt qu’un empilement de balises sans rapport.\n\nPour une phrase de personnage expressive, préparez ensemble la phrase parlée et le changement d’interprétation. Pour une explication, conservez un rythme clair aidant l’auditeur à suivre les étapes. La plage documentée de débit vocal va de 0.7 à 1.5, avec 1.0 pour une interprétation normale. Un choix de vitesse modifie le rythme parlé ; il ne change pas les mots que l’application doit communiquer.\n\n### Audio et horodatages\n\nLe producteur documente des sorties MP3, WAV, PCM brut, mu-law et A-law. Les choix de fréquence d’échantillonnage pris en charge vont de 8 kHz à 48 kHz, avec des fréquences précises répertoriées entre ces valeurs. Sa configuration MP3 par défaut est de 24 kHz à 128 kbit/s. Utilisez une représentation audio que le lecteur, l’étape de montage ou la voie téléphonique visés peuvent interpréter.\n\nLes horodatages facultatifs des caractères associent la séquence de caractères renvoyée à des temps de début et de fin. Sans remplacement de prononciation, cette séquence reflète l’entrée ; les remplacements peuvent la modifier pour obtenir le texte parlé. Ils peuvent servir à un affichage accompagnant la lecture, à la mise en évidence ou à l’alignement avec une interprétation visuelle. Dans le processus de réponse complète, demander les horodatages transforme la sortie en une enveloppe contenant l’audio encodé et les données temporelles. Traitez les horodatages et l’audio comme un résultat associé, particulièrement lorsque la normalisation textuelle développe un symbole écrit en plusieurs mots parlés.\n\n### Génération complète ou en streaming\n\nLe fabricant propose une voie de requête complète et un streaming bidirectionnel dans lequel des fragments textuels arrivent et des segments audio reviennent à mesure que l’énoncé est généré. Il documente une limite de 60 000 caractères pour une requête complète et pour un fragment textuel individuel en streaming. Terminer ou effacer un énoncé possède un rôle explicite dans le processus de streaming.\n\nPour une narration plus longue, choisissez des limites de passages cohérentes et conservez le script avec chaque résultat. Pour la lecture interactive, distinguez le texte envoyé à la synthèse de l’audio déjà entendu par l’auditeur. Le livrable utile est un script mis en voix avec des indices intentionnels d’interprétation, un format audio adapté et des données temporelles lorsque l’application en a besoin. Gardez le script, la voix choisie, les indices d’interprétation et les réglages de sortie avec l’audio afin que les révisions ultérieures préservent l’interprétation visée.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "51a38f7a7dd174bc5ca5cf3b6e7bd470c5d957068f716d6866325836189a7ddc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "x-ai/grok-voice-tts-1.0Grok Text to Speech transforme du texte écrit en audio expressif avec des voix sélectionnables, des indices d’interprétation intégrés et plusieurs codecs de sortie. La famille documentée du producteur prend en charge la parole complète et en streaming, ainsi que des horodatages facultatifs au niveau des caractères.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Grok Text to Speech est la capacité texte-audio de la famille vocale Grok. Le fabricant documente des locuteurs intégrés expressifs, des indices vocaux intégrés au texte et des formats de sortie adaptés à la lecture de médias ou à l’audio téléphonique. Son entrée est le texte à prononcer, avec les choix de voix et de langue. L’enregistrement obtenu est la parole issue de ce texte ; la reconnaissance vocale et les modèles conversationnels de parole-à-parole remplissent des tâches distinctes.
Le catalogue du producteur donne à chaque voix un profil d’interprétation. Ara est chaleureuse et amicale, Eve est enjouée avec un accent britannique et la voix Rex est décrite comme claire et assurée. La voix et la langue sont indépendantes dans la famille documentée : les locuteurs intégrés peuvent utiliser chaque choix linguistique pris en charge. Le guide répertorie vingt options de codes de langue, dont des variantes régionales, et prend aussi en charge la détection automatique de langue. En plus des locuteurs intégrés, le producteur documente des voix personnalisées réutilisables créées à partir d’un enregistrement de référence et choisies par voice_id pour la synthèse complète ou en streaming. L’audio de référence peut atteindre 120 secondes ; 90 à 120 secondes de parole propre à un seul locuteur sont recommandées pour capturer l’interprétation et l’intonation. Gardez la référence, le profil vocal créé et l’enregistrement généré comme des artefacts distincts et adaptez l’interprétation de référence au script visé.
Préparez la formulation parlée définitive en préservant la langue visée des noms et des passages cités. Pour un guide narré, une phrase utile est : « Choisissez un sujet, écoutez la courte introduction et ouvrez la section que vous voulez explorer. » Si un nom de marque ou un terme spécialisé nécessite une lecture particulière, les commandes de remplacement du fabricant peuvent fournir une graphie phonétique ou une prononciation IPA sans modifier le texte source affiché. Une option distincte de normalisation textuelle convertit les nombres, les abréviations et les symboles écrits vers leur forme parlée.
Les balises intégrées placent un événement à un point précis, tel qu’une pause, un rire, un soupir ou une respiration. Les balises encadrantes appliquent une interprétation à une phrase complète, par exemple le chuchotement, l’accentuation ou un passage plus lent. Placez l’indice là où le sens l’exige et gardez les mots lisibles. Le guide recommande des plages de style couvrant des phrases complètes et de la ponctuation, plutôt qu’un empilement de balises sans rapport.
Pour une phrase de personnage expressive, préparez ensemble la phrase parlée et le changement d’interprétation. Pour une explication, conservez un rythme clair aidant l’auditeur à suivre les étapes. La plage documentée de débit vocal va de 0.7 à 1.5, avec 1.0 pour une interprétation normale. Un choix de vitesse modifie le rythme parlé ; il ne change pas les mots que l’application doit communiquer.
Le producteur documente des sorties MP3, WAV, PCM brut, mu-law et A-law. Les choix de fréquence d’échantillonnage pris en charge vont de 8 kHz à 48 kHz, avec des fréquences précises répertoriées entre ces valeurs. Sa configuration MP3 par défaut est de 24 kHz à 128 kbit/s. Utilisez une représentation audio que le lecteur, l’étape de montage ou la voie téléphonique visés peuvent interpréter.
Les horodatages facultatifs des caractères associent la séquence de caractères renvoyée à des temps de début et de fin. Sans remplacement de prononciation, cette séquence reflète l’entrée ; les remplacements peuvent la modifier pour obtenir le texte parlé. Ils peuvent servir à un affichage accompagnant la lecture, à la mise en évidence ou à l’alignement avec une interprétation visuelle. Dans le processus de réponse complète, demander les horodatages transforme la sortie en une enveloppe contenant l’audio encodé et les données temporelles. Traitez les horodatages et l’audio comme un résultat associé, particulièrement lorsque la normalisation textuelle développe un symbole écrit en plusieurs mots parlés.
Le fabricant propose une voie de requête complète et un streaming bidirectionnel dans lequel des fragments textuels arrivent et des segments audio reviennent à mesure que l’énoncé est généré. Il documente une limite de 60 000 caractères pour une requête complète et pour un fragment textuel individuel en streaming. Terminer ou effacer un énoncé possède un rôle explicite dans le processus de streaming.
Pour une narration plus longue, choisissez des limites de passages cohérentes et conservez le script avec chaque résultat. Pour la lecture interactive, distinguez le texte envoyé à la synthèse de l’audio déjà entendu par l’auditeur. Le livrable utile est un script mis en voix avec des indices intentionnels d’interprétation, un format audio adapté et des données temporelles lorsque l’application en a besoin. Gardez le script, la voix choisie, les indices d’interprétation et les réglages de sortie avec l’audio afin que les révisions ultérieures préservent l’interprétation visée.
POST /v1/audio/speechtextaudio| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites x-ai/grok-voice-tts-1.0 | Par défaut— |
Champinput | Typestring | ExigenceObligatoire | Valeurs et limites Longueur minimale: 1 Longueur maximale: 15 000 Unité: caractères Unicode | Par défaut— |
Champvoice | Typestring | ExigenceObligatoire | Valeurs et limites eve, ara, rex, sal, leo | Par défaut— |
Champresponse_format | Typestring | ExigenceObligatoire | Valeurs et limites mp3 | Par défaut— |
text_to_speech · Obligatoire : input
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input, voice, response_format |
Paramètrevoice_ids | Contrateve, ara, rex, sal, leo |
Paramètreresponse_format | Contratmp3 |
Paramètremax_input_characters | Contrat15000 |
Paramètreother_options | Contratfalse |
Paramètreinput | Contrattexte UTF-8 exact ; comptage des caractères Unicode sans normalisation |
Paramètrematerial_types | Contrattext |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effectivement renvoyé ou enregistrement de la bibliothèque multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Sélectionnez une voix précise dans le profil de ce modèle.
Les caractères en entrée et les secondes audio sont des unités de mesure différentes.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Quantité facturable | Unité de facturation | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base par jeton | Barème tarifaireTarif de base | Quantité facturable— | Unité de facturation— | Coût Entrée · Tokens en entrée — / 1K tokens Sortie · Tokens en sortie — / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationUltra | Barème tarifaire— | Quantité facturableChaque point de code Unicode compte pour un caractère, y compris les caractères Han. | Unité de facturationpar 1K caractères en entrée | Coût Entrée · caractère en entrée $0.03 par 1K caractères en entrée |
Les barèmes de référence du modèle ne modifient ni la sélection de méthode, ni les devis, ni les coûts. Les frais actifs utilisent les tarifs de la méthode Ailoot sélectionnée.
| Configuration | Conditions de facturation | Coût |
|---|---|---|
| ConfigurationSpaceXAI: Grok Voice TTS 1.0 · Configuration par défaut | Conditions de facturationConfiguration par défaut | Coût Entrée · Caractères en entrée 0,00003 USD par caractère en entrée |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez le résultat binaire complet et les en-têtes. Si une réponse JSON ou plusieurs sorties sont renvoyées, conservez chaque élément de données et récupérez chaque ressource via son URL signée réelle.
Conservez l’operation_id/X-Client-Request-ID d’origine pour le rapprochement sans nouvelle soumission ; aucune route dédiée à l’interrogation du statut audio.
| Champ | Type |
|---|---|
Champbinary audio | Typebytes |
Champresponse headers | Typeheaders |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Réponseserver_error | ConditionLa réponse renvoyée indique que l’opération ou le résultat nécessite une vérification | Étape suivanteConservez l’identifiant d’opération/de tâche initialement renvoyé, les en-têtes de la requête et la réponse ; poursuivez les lectures prises en charge de cette opération d’origine. Ne soumettez pas à nouveau la requête de création. |
Ailoot Ultra x-ai/grok-voice-tts-1.0
Utilisez les chemins de méthode indiqués ci-dessus.