Grok Text to Speech è la capacità testo-audio della famiglia vocale Grok. Il produttore documenta parlanti integrati espressivi, indicazioni vocali incorporate e formati di output adatti a riproduzione multimediale o audio telefonico. L’input è il testo da pronunciare insieme alle scelte di voce e lingua. La registrazione risultante è parlato da quel testo; riconoscimento del parlato e modelli conversazionali parlato-parlato hanno attività separate.
Il catalogo del produttore assegna a ogni voce un profilo di interpretazione. Ara è calda e amichevole, Eve è vivace con accento britannico e la voce Rex è descritta come chiara e sicura. Voce e lingua sono indipendenti nella famiglia documentata: i parlanti integrati possono usare ogni scelta linguistica supportata. La guida elenca venti opzioni di codici linguistici, incluse varianti regionali, e supporta inoltre il rilevamento automatico della lingua. Oltre ai parlanti integrati, il produttore documenta voci personalizzate riutilizzabili create da una registrazione di riferimento e selezionate tramite voice_id per sintesi completa o in streaming. L’audio di riferimento può durare fino a 120 secondi; sono raccomandati 90–120 secondi di parlato pulito con un solo parlante per catturare interpretazione e intonazione. Mantieni reference, profilo vocale creato e registrazione generata come artefatti separati e abbina l’interpretazione della reference al copione previsto.
Prepara la formulazione parlata definitiva preservando la lingua desiderata di nomi e passaggi citati. Per una guida narrata, una frase utile è: «Scegli un argomento, ascolta la breve introduzione e apri la sezione che vuoi esplorare». Se un nome di marca o termine specialistico richiede una lettura particolare, i controlli di sostituzione del produttore possono fornire una grafia fonetica o pronuncia IPA senza cambiare il testo di origine visualizzato. Un’opzione separata di normalizzazione del testo converte numeri scritti, abbreviazioni e simboli verso la forma parlata.
Tag incorporati collocano un evento in un punto particolare, come una pausa, risata, sospiro o respiro. Tag che racchiudono il testo applicano un’interpretazione a una frase completa, per esempio sussurro, enfasi o un passaggio più lento. Metti l’indicazione dove lo richiede il significato e mantieni leggibili le parole. La guida raccomanda intervalli di stile estesi a frasi complete e punteggiatura anziché una pila di tag scollegati.
Per una frase espressiva di personaggio, prepara insieme la frase parlata e il cambio di interpretazione. Per una spiegazione, mantieni un ritmo chiaro che aiuti l’ascoltatore a seguire i passaggi. L’intervallo documentato della velocità del parlato è da 0.7 a 1.5, con 1.0 come interpretazione normale. Una scelta di velocità cambia il ritmo parlato; non cambia le parole che l’applicazione dovrebbe comunicare.
Il produttore documenta output MP3, WAV, PCM grezzo, mu-law e A-law. Le frequenze di campionamento supportate vanno da 8 kHz a 48 kHz, con frequenze specifiche elencate tra questi valori. La configurazione MP3 predefinita è 24 kHz a 128 kbit/s. Usa una rappresentazione audio che il lettore, la fase di montaggio o il percorso telefonico previsto possa interpretare.
La temporizzazione facoltativa dei caratteri associa la sequenza di caratteri restituita a tempi di inizio e fine. Senza sostituzioni di pronuncia, quella sequenza rispecchia l’input; le sostituzioni possono cambiarla nel testo parlato. Può supportare un display che accompagna la lettura, evidenziazione o allineamento con una performance visiva. Nel flusso a risposta completa, richiedere la temporizzazione trasforma l’output in un involucro contenente audio codificato e dati temporali. Tratta temporizzazione e audio come un risultato abbinato, soprattutto quando la normalizzazione del testo espande un simbolo scritto in più parole parlate.
Il produttore offre un percorso a richiesta completa e streaming bidirezionale, in cui arrivano frammenti testuali e ritornano segmenti audio mentre viene generato l’enunciato. Documenta un limite di 60.000 caratteri per una richiesta completa e per un singolo frammento testuale in streaming. Completare o cancellare un enunciato ha un ruolo esplicito nel flusso in streaming.
Per una narrazione più lunga, scegli confini coerenti dei passaggi e conserva il copione con ogni risultato. Per la riproduzione interattiva, distingui testo inviato alla sintesi da audio già udito dall’ascoltatore. Il risultato utile è un copione reso in voce con indicazioni di interpretazione intenzionali, un formato audio appropriato e dati temporali quando l’applicazione ne ha bisogno. Mantieni copione, voce selezionata, indicazioni di interpretazione e impostazioni di output insieme all’audio, affinché revisioni successive preservino la resa prevista.
", "aboutText": "Grok Text to Speech è la capacità testo-audio della famiglia vocale Grok. Il produttore documenta parlanti integrati espressivi, indicazioni vocali incorporate e formati di output adatti a riproduzione multimediale o audio telefonico. L’input è il testo da pronunciare insieme alle scelte di voce e lingua. La registrazione risultante è parlato da quel testo; riconoscimento del parlato e modelli conversazionali parlato-parlato hanno attività separate.\n\n### Voce, lingua e testo parlato\n\nIl catalogo del produttore assegna a ogni voce un profilo di interpretazione. Ara è calda e amichevole, Eve è vivace con accento britannico e la voce Rex è descritta come chiara e sicura. Voce e lingua sono indipendenti nella famiglia documentata: i parlanti integrati possono usare ogni scelta linguistica supportata. La guida elenca venti opzioni di codici linguistici, incluse varianti regionali, e supporta inoltre il rilevamento automatico della lingua. Oltre ai parlanti integrati, il produttore documenta voci personalizzate riutilizzabili create da una registrazione di riferimento e selezionate tramite voice_id per sintesi completa o in streaming. L’audio di riferimento può durare fino a 120 secondi; sono raccomandati 90–120 secondi di parlato pulito con un solo parlante per catturare interpretazione e intonazione. Mantieni reference, profilo vocale creato e registrazione generata come artefatti separati e abbina l’interpretazione della reference al copione previsto.\n\nPrepara la formulazione parlata definitiva preservando la lingua desiderata di nomi e passaggi citati. Per una guida narrata, una frase utile è: «Scegli un argomento, ascolta la breve introduzione e apri la sezione che vuoi esplorare». Se un nome di marca o termine specialistico richiede una lettura particolare, i controlli di sostituzione del produttore possono fornire una grafia fonetica o pronuncia IPA senza cambiare il testo di origine visualizzato. Un’opzione separata di normalizzazione del testo converte numeri scritti, abbreviazioni e simboli verso la forma parlata.\n\n### Indicazioni di interpretazione\n\nTag incorporati collocano un evento in un punto particolare, come una pausa, risata, sospiro o respiro. Tag che racchiudono il testo applicano un’interpretazione a una frase completa, per esempio sussurro, enfasi o un passaggio più lento. Metti l’indicazione dove lo richiede il significato e mantieni leggibili le parole. La guida raccomanda intervalli di stile estesi a frasi complete e punteggiatura anziché una pila di tag scollegati.\n\nPer una frase espressiva di personaggio, prepara insieme la frase parlata e il cambio di interpretazione. Per una spiegazione, mantieni un ritmo chiaro che aiuti l’ascoltatore a seguire i passaggi. L’intervallo documentato della velocità del parlato è da 0.7 a 1.5, con 1.0 come interpretazione normale. Una scelta di velocità cambia il ritmo parlato; non cambia le parole che l’applicazione dovrebbe comunicare.\n\n### Audio e temporizzazione\n\nIl produttore documenta output MP3, WAV, PCM grezzo, mu-law e A-law. Le frequenze di campionamento supportate vanno da 8 kHz a 48 kHz, con frequenze specifiche elencate tra questi valori. La configurazione MP3 predefinita è 24 kHz a 128 kbit/s. Usa una rappresentazione audio che il lettore, la fase di montaggio o il percorso telefonico previsto possa interpretare.\n\nLa temporizzazione facoltativa dei caratteri associa la sequenza di caratteri restituita a tempi di inizio e fine. Senza sostituzioni di pronuncia, quella sequenza rispecchia l’input; le sostituzioni possono cambiarla nel testo parlato. Può supportare un display che accompagna la lettura, evidenziazione o allineamento con una performance visiva. Nel flusso a risposta completa, richiedere la temporizzazione trasforma l’output in un involucro contenente audio codificato e dati temporali. Tratta temporizzazione e audio come un risultato abbinato, soprattutto quando la normalizzazione del testo espande un simbolo scritto in più parole parlate.\n\n### Generazione completa o in streaming\n\nIl produttore offre un percorso a richiesta completa e streaming bidirezionale, in cui arrivano frammenti testuali e ritornano segmenti audio mentre viene generato l’enunciato. Documenta un limite di 60.000 caratteri per una richiesta completa e per un singolo frammento testuale in streaming. Completare o cancellare un enunciato ha un ruolo esplicito nel flusso in streaming.\n\nPer una narrazione più lunga, scegli confini coerenti dei passaggi e conserva il copione con ogni risultato. Per la riproduzione interattiva, distingui testo inviato alla sintesi da audio già udito dall’ascoltatore. Il risultato utile è un copione reso in voce con indicazioni di interpretazione intenzionali, un formato audio appropriato e dati temporali quando l’applicazione ne ha bisogno. Mantieni copione, voce selezionata, indicazioni di interpretazione e impostazioni di output insieme all’audio, affinché revisioni successive preservino la resa prevista.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "57f63cbe4449f0e656154f5770a799f2c6da630acd8a170cfa342aec75b292e9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "x-ai/grok-voice-tts-1.0Grok Text to Speech trasforma testo scritto in audio espressivo con voci selezionabili, indicazioni di interpretazione incorporate e più codec di output. La famiglia documentata del produttore supporta parlato completo e in streaming, oltre a temporizzazione facoltativa a livello di carattere.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Grok Text to Speech è la capacità testo-audio della famiglia vocale Grok. Il produttore documenta parlanti integrati espressivi, indicazioni vocali incorporate e formati di output adatti a riproduzione multimediale o audio telefonico. L’input è il testo da pronunciare insieme alle scelte di voce e lingua. La registrazione risultante è parlato da quel testo; riconoscimento del parlato e modelli conversazionali parlato-parlato hanno attività separate.
Il catalogo del produttore assegna a ogni voce un profilo di interpretazione. Ara è calda e amichevole, Eve è vivace con accento britannico e la voce Rex è descritta come chiara e sicura. Voce e lingua sono indipendenti nella famiglia documentata: i parlanti integrati possono usare ogni scelta linguistica supportata. La guida elenca venti opzioni di codici linguistici, incluse varianti regionali, e supporta inoltre il rilevamento automatico della lingua. Oltre ai parlanti integrati, il produttore documenta voci personalizzate riutilizzabili create da una registrazione di riferimento e selezionate tramite voice_id per sintesi completa o in streaming. L’audio di riferimento può durare fino a 120 secondi; sono raccomandati 90–120 secondi di parlato pulito con un solo parlante per catturare interpretazione e intonazione. Mantieni reference, profilo vocale creato e registrazione generata come artefatti separati e abbina l’interpretazione della reference al copione previsto.
Prepara la formulazione parlata definitiva preservando la lingua desiderata di nomi e passaggi citati. Per una guida narrata, una frase utile è: «Scegli un argomento, ascolta la breve introduzione e apri la sezione che vuoi esplorare». Se un nome di marca o termine specialistico richiede una lettura particolare, i controlli di sostituzione del produttore possono fornire una grafia fonetica o pronuncia IPA senza cambiare il testo di origine visualizzato. Un’opzione separata di normalizzazione del testo converte numeri scritti, abbreviazioni e simboli verso la forma parlata.
Tag incorporati collocano un evento in un punto particolare, come una pausa, risata, sospiro o respiro. Tag che racchiudono il testo applicano un’interpretazione a una frase completa, per esempio sussurro, enfasi o un passaggio più lento. Metti l’indicazione dove lo richiede il significato e mantieni leggibili le parole. La guida raccomanda intervalli di stile estesi a frasi complete e punteggiatura anziché una pila di tag scollegati.
Per una frase espressiva di personaggio, prepara insieme la frase parlata e il cambio di interpretazione. Per una spiegazione, mantieni un ritmo chiaro che aiuti l’ascoltatore a seguire i passaggi. L’intervallo documentato della velocità del parlato è da 0.7 a 1.5, con 1.0 come interpretazione normale. Una scelta di velocità cambia il ritmo parlato; non cambia le parole che l’applicazione dovrebbe comunicare.
Il produttore documenta output MP3, WAV, PCM grezzo, mu-law e A-law. Le frequenze di campionamento supportate vanno da 8 kHz a 48 kHz, con frequenze specifiche elencate tra questi valori. La configurazione MP3 predefinita è 24 kHz a 128 kbit/s. Usa una rappresentazione audio che il lettore, la fase di montaggio o il percorso telefonico previsto possa interpretare.
La temporizzazione facoltativa dei caratteri associa la sequenza di caratteri restituita a tempi di inizio e fine. Senza sostituzioni di pronuncia, quella sequenza rispecchia l’input; le sostituzioni possono cambiarla nel testo parlato. Può supportare un display che accompagna la lettura, evidenziazione o allineamento con una performance visiva. Nel flusso a risposta completa, richiedere la temporizzazione trasforma l’output in un involucro contenente audio codificato e dati temporali. Tratta temporizzazione e audio come un risultato abbinato, soprattutto quando la normalizzazione del testo espande un simbolo scritto in più parole parlate.
Il produttore offre un percorso a richiesta completa e streaming bidirezionale, in cui arrivano frammenti testuali e ritornano segmenti audio mentre viene generato l’enunciato. Documenta un limite di 60.000 caratteri per una richiesta completa e per un singolo frammento testuale in streaming. Completare o cancellare un enunciato ha un ruolo esplicito nel flusso in streaming.
Per una narrazione più lunga, scegli confini coerenti dei passaggi e conserva il copione con ogni risultato. Per la riproduzione interattiva, distingui testo inviato alla sintesi da audio già udito dall’ascoltatore. Il risultato utile è un copione reso in voce con indicazioni di interpretazione intenzionali, un formato audio appropriato e dati temporali quando l’applicazione ne ha bisogno. Mantieni copione, voce selezionata, indicazioni di interpretazione e impostazioni di output insieme all’audio, affinché revisioni successive preservino la resa prevista.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti x-ai/grok-voice-tts-1.0 | Predefinito— |
Campoinput | Tipostring | RequisitoObbligatorio | Valori e limiti Lunghezza minima: 1 Lunghezza massima: 15.000 Unità: caratteri Unicode | Predefinito— |
Campovoice | Tipostring | RequisitoObbligatorio | Valori e limiti eve, ara, rex, sal, leo | Predefinito— |
Camporesponse_format | Tipostring | RequisitoObbligatorio | Valori e limiti mp3 | Predefinito— |
text_to_speech · Obbligatorio: input
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input, voice, response_format |
Parametrovoice_ids | Contrattoeve, ara, rex, sal, leo |
Parametroresponse_format | Contrattomp3 |
Parametromax_input_characters | Contratto15000 |
Parametroother_options | Contrattofalse |
Parametroinput | Contrattotesto UTF-8 esatto; conteggio dei caratteri Unicode senza normalizzazione |
Parametromaterial_types | Contrattotext |
Ciclo di vita: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effettivamente restituito o record della libreria multimediale
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Seleziona la voce esatta dal profilo di questo modello.
I caratteri in ingresso e i secondi di audio sono unità di misurazione diverse.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Quantità fatturabile | Unità di fatturazione | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Quantità fatturabile— | Unità di fatturazione— | Costo Input · Token in input — / 1K token Output · Token in output — / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneUltra | Listino delle tariffe— | Quantità fatturabileOgni punto di codice Unicode conta come un carattere, inclusi i caratteri Han. | Unità di fatturazioneper 1K caratteri in input | Costo Input · carattere in ingresso $0.03 per 1K caratteri in input |
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
| Configurazione | Condizioni di fatturazione | Costo |
|---|---|---|
| ConfigurazioneSpaceXAI: Grok Voice TTS 1.0 · Configurazione predefinita | Condizioni di fatturazioneConfigurazione predefinita | Costo Input · Caratteri in input 0,00003 USD per carattere in input |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 ogni risposta, file e parte di contenuto restituiti per intero.
Conserva il risultato binario completo e gli header. Se vengono restituiti JSON o più output, conserva ogni elemento data e recupera ogni URL firmato effettivo della risorsa.
Conserva operation_id/X-Client-Request-ID originale per la riconciliazione senza reinvio; non esiste una rotta dedicata al polling audio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Rispostaserver_error | CondizioneLa risposta restituita indica che l'operazione o il risultato richiede una verifica | Passaggio successivoConserva l'ID originale di operazione/task restituito, gli header della richiesta e la risposta; continua a leggere l'operazione originale tramite le modalità supportate. Non reinviare la richiesta di creazione. |
Ailoot Ultra x-ai/grok-voice-tts-1.0
Usa i percorsi dei metodi indicati sopra.