SpaceXAI: Grok Voice TTS 1.0
Grok Text to Speech は、選べる声、文中の演技指示、複数の出力コーデックを使い、文字を表現豊かな音声へ変換します。文書化されたメーカーのモデル系列は一括生成とストリーム音声に対応し、必要に応じて文字単位の時間情報も提供します。
モデルについて
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
Grok Text to Speech は、Grok 音声系列の文字から音声への変換機能です。メーカーは、表現豊かな内蔵話者、文中の発声指示、メディア再生や電話音声に適した出力形式を文書化しています。入力は読み上げる原稿と、声および言語の選択です。生成録音はその原稿の発話であり、音声認識や会話型の音声から音声へのモデルとは作業が異なります。
声、言語、発話原稿
メーカーのカタログは各声の話し方を示しています。Ara は温かく親しみやすく、Eve は英国アクセントで明るく、Rex は明瞭で自信のある声と説明されています。文書化された系列では、声と言語は独立しており、内蔵話者は対応する各言語を使用できます。ガイドは地域別の版を含む 20 の言語コード選択肢を列挙し、自動言語検出にも対応しています。内蔵話者に加え、参照録音から再利用可能なカスタム音声を作り、一括またはストリーミング合成で voice_id によって選ぶ方法も文書化されています。参照音声は最大 120 秒で、話し方やイントネーションを捉えるため、明瞭な単一話者の 90～120 秒の発話を推奨しています。参照音声、作成した音声プロファイル、生成録音を別々の成果物として保管し、参照音声の演技を目的の原稿に合わせてください。
最終的に話す言葉を準備し、名前や引用段落の意図した言語を保ちます。ガイドのナレーションなら、例えば「トピックを選び、短い導入を聞いてから、詳しく見たい区間を開いてください」という文です。ブランド名や専門用語に特定の読みが必要な場合、メーカーの置換制御によって、表示用の原文を変えずに代替表記や IPA 発音を指定できます。別のテキスト正規化オプションは、書かれた数字、略語、記号を発話用の形に変換します。
演技の指示
文中のタグは、間、笑い、ため息、呼吸などのイベントを特定位置に置きます。囲むタグは、ささやき、強調、ゆっくりした段落など、句全体に話し方を適用します。意味上必要な位置に指示を置き、言葉を読みやすく保ってください。ガイドは無関係なタグを重ねるのではなく、完結した句を対象とするスタイル指定と句読点を推奨しています。
表現豊かなキャラクターの台詞では、発話文と演技の変化を一緒に準備します。説明では、リスナーが手順を追いやすい明確なリズムを保ってください。文書化された発話速度の範囲は 0.7～1.5 で、1.0 が通常の話し方です。速度の選択は話す速さを変えるもので、アプリケーションが伝えるべき言葉を変更しません。
音声と時間情報
メーカーは MP3、WAV、生 PCM、mu-law、A-law の出力を文書化しています。対応サンプルレートの選択肢は 8～48 kHz で、その間の具体的な値が列挙されています。既定の MP3 設定は 24 kHz、128 kbit/s です。目的のプレーヤー、編集工程、電話経路が解釈できる音声表現を使ってください。
任意の文字時間情報は、返された文字列の各文字に開始時刻と終了時刻を関連付けます。発音置換がなければ、この文字列は入力を反映します。置換によって読み上げ文字に変わる場合があります。読み合わせ表示、ハイライト、視覚的な演技との位置合わせに使えます。一括応答ワークフローでは、時間情報を要求すると、エンコード済み音声と時間データを含むエンベロープへ出力が変わります。特にテキスト正規化で 1 つの記号が複数の発話語へ展開される場合、時間情報と音声を対の結果として扱ってください。
一括生成とストリーミング生成
メーカーは一括リクエスト経路と双方向ストリーミングを提供します。後者では文字の断片が到着し、発話を生成しながら音声チャンクを返します。一括リクエストと、ストリームで送る個々の文字断片のそれぞれに 60,000 文字の上限を文書化しています。ストリーミングワークフローでは、発話の完了やクリアに明示的な役割があります。
長いナレーションでは、まとまりのある段落境界を選び、各結果と原稿を一緒に保管します。対話的な再生では、合成に送信した文字とリスナーがすでに聞いた音声を区別してください。実用的な成果物は、意図した演技指示、適切な音声形式、必要に応じた時間データを備えた原稿の音声です。後の修正でも意図した話し方を保てるよう、原稿、選択した声、演技指示、出力設定を音声と一緒に保管してください。
Ailoot Ultra · 音声合成 POST /v1/audio/speech x-ai/grok-voice-tts-1.0
x-ai/grok-voice-tts-1.0はじめに
Grok Text to Speech は、選べる声、文中の演技指示、複数の出力コーデックを使い、文字を表現豊かな音声へ変換します。文書化されたメーカーのモデル系列は一括生成とストリーム音声に対応し、必要に応じて文字単位の時間情報も提供します。
- 対応する入力
- テキスト
- 結果
- 音声
Ailootで利用可能 · 入力とメソッド
Ailoot Ultra · 音声合成 POST /v1/audio/speech
- 入力の種類
text- 出力の種類
audio- 出力形式
- mp3
| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 x-ai/grok-voice-tts-1.0 | デフォルト— |
フィールドinput | 種類string | 要件必須 | 値と制限 最小の長さ: 1 最大の長さ: 15,000 単位: Unicode 文字 | デフォルト— |
フィールドvoice | 種類string | 要件必須 | 値と制限 eve, ara, rex, sal, leo | デフォルト— |
フィールドresponse_format | 種類string | 要件必須 | 値と制限 mp3 | デフォルト— |
入力素材の組み合わせ
text_to_speech · 必須: input
メソッドのパラメータとライフサイクル
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, input, voice, response_format |
パラメータvoice_ids | 仕様eve, ara, rex, sal, leo |
パラメータresponse_format | 仕様mp3 |
パラメータmax_input_characters | 仕様15000 |
パラメータother_options | 仕様false |
パラメータinput | 仕様正確なUTF-8テキスト。正規化せずにUnicode文字数を数えます |
パラメータmaterial_types | 仕様text |
ライフサイクル: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 実際に返された task_id またはメディアライブラリのレコード
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
このモデルのプロファイルから、使用する音声を正確に選択してください。
入力文字数と音声の秒数は、別の計測単位です。
料金
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
- 高速モード
- 未指定 高速モードが選択されている場合
- Flex モード
- 未指定 flex モードが選択されている場合
- 最大推論量
- 未指定 推論量が最大で、調整に既定値（default）を使用する場合
Ailootの料金
設定別の価格
各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。
| 設定 | 料金表 | 課金対象の数量 | 課金単位 | 料金 |
|---|---|---|---|---|
| 設定基本トークン料金 | 料金表基本料金 | 課金対象の数量— | 課金単位— | 料金 入力 · 入力トークン — / 1K トークン 出力 · 出力トークン — / 1K トークン 入力 · キャッシュ読み取り — / 1K トークン 入力 · キャッシュ書き込み — / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
| 設定Ultra | 料金表— | 課金対象の数量漢字を含め、Unicodeコードポイント1つを1文字として数えます。 | 課金単位1K入力文字あたり | 料金 入力 · 入力文字 $0.03 1K入力文字あたり |
参考料金の詳細
モデル単位の参照料金表は、メソッド選択、見積もり、課金を変更しません。実際の課金には、選択したAilootメソッドの料金を適用します。
SpaceXAI: Grok Voice TTS 1.0
設定別の価格
| 設定 | 課金条件 | 料金 |
|---|---|---|
| 設定SpaceXAI: Grok Voice TTS 1.0 · 標準設定 | 課金条件デフォルト設定 | 料金 入力 · 入力文字数 $0.00003 入力文字あたり |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
リクエスト例
Ailoot Ultra · 音声合成
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "x-ai/grok-voice-tts-1.0", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["eve", "ara", "rex", "sal", "leo"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
結果を受け取って保存
Ailoot Ultra · 音声合成
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
その他のコンテンツ取得
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT
完了した結果をすべて保存
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
バイナリ結果の全体とヘッダーを保存してください。JSON または複数の出力が返された場合は、すべてのデータ項目を保存し、実際に返された署名付きアセット URL から各アセットを取得してください。
元のレスポンスを確認する場合
再送せずに照合できるよう、元の operation_id/X-Client-Request-ID を保存してください。音声専用のポーリングルートはありません。
レスポンスのフィールド
| フィールド | 種類 |
|---|---|
フィールドbinary audio | 種類bytes |
フィールドresponse headers | 種類headers |
エラーと次の手順
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
レスポンスserver_error | 条件返されたレスポンスは、操作または結果の確認が必要であることを示しています | 次の手順最初に返された操作／タスク ID、リクエストヘッダー、レスポンスを保存し、その元の操作に対してサポートされている読み取りを継続してください。作成リクエストを再送しないでください。 |
エイリアス
モデルのエイリアス
Ailoot Ultra x-ai/grok-voice-tts-1.0
メソッドパスのエイリアス
上記に表示されたメソッドパスを使用してください。
関連する呼び出し用ID
FAQ · SpaceXAI: Grok Voice TTS 1.0
- 利用できる入力と結果は何ですか？
POST /v1/audio/speech·x-ai/grok-voice-tts-1.0:text→audio- リクエストはどの項目を使用しますか？
POST /v1/audio/speech·x-ai/grok-voice-tts-1.0:model,input,voice,response_format- どの制限が適用されますか？
POST /v1/audio/speech·x-ai/grok-voice-tts-1.0:input.maximum_length:15000