Grok Text to Speech er Grok-stemmefamiliens tekst-til-lyd-funksjon. Produsenten dokumenterer uttrykksfulle innebygde talere, innebygde stemmesignaler og utdataformater egnet til medieavspilling eller telefonlyd. Inndata er teksten som skal sies, sammen med valg av stemme og språk. Det resulterende opptaket er tale fra denne teksten; talegjenkjenning og samtalemodeller for tale-til-tale har separate oppgaver.
Produsentkatalogen gir hver stemme en fremføringsprofil. Ara er varm og vennlig, Eve er livlig med britisk aksent, og Rex beskrives som klar og selvsikker. Stemme og språk er uavhengige i den dokumenterte familien: innebygde talere kan bruke hvert støttet språkvalg. Veiledningen oppgir tjue språkkodealternativer, inkludert regionale varianter, og støtter også automatisk språkoppdagelse. Ved siden av innebygde talere dokumenterer produsenten gjenbrukbare tilpassede stemmer laget fra et referanseopptak og valgt med voice_id til fullstendig eller strømmet syntese. Referanselyden kan vare opptil 120 sekunder; 90–120 sekunder med ren tale fra én taler anbefales for å fange fremføring og intonasjon. Hold referansen, den opprettede stemmeprofilen og det genererte opptaket som separate resultater, og tilpass referansefremføringen til det tiltenkte manuset.
Forbered den endelige muntlige ordlyden og bevar det tiltenkte språket i navn og siterte avsnitt. Til en muntlig veiledning er en nyttig replikk: «Velg et emne, lytt til den korte innledningen og åpne avsnittet du vil utforske.» Hvis et merkenavn eller faguttrykk trenger en bestemt lesemåte, kan produsentens erstatningskontroller gi en alternativ stavemåte eller IPA-uttale uten å endre den viste kildeteksten. Et separat alternativ for tekstnormalisering omdanner skriftlige tall, forkortelser og symboler til en mer muntlig form.
Innebygde tagger plasserer en hendelse på et bestemt sted, for eksempel en pause, latter, et sukk eller et pust. Omsluttende tagger gir en fremføring til en hel frase, for eksempel hvisking, betoning eller et langsommere avsnitt. Plasser signalet der betydningen krever det og hold ordene lesbare. Veiledningen anbefaler stilmerking av fullstendige fraser og tegnsetting fremfor en stabel med urelaterte tagger.
Til en uttrykksfull karakterreplikk forbereder du den muntlige setningen og fremføringsskiftet sammen. Til en forklaring beholder du en tydelig rytme som hjelper lytteren å følge stegene. Det dokumenterte talehastighetsområdet er 0.7 til 1.5, med 1.0 som normal fremføring. Et hastighetsvalg endrer taletempoet; det endrer ikke ordene applikasjonen skal formidle.
Produsenten dokumenterer utdata i MP3, WAV, rå PCM, mu-law og A-law. Støttede samplingsfrekvenser går fra 8 kHz til 48 kHz, med bestemte oppførte frekvenser mellom disse verdiene. Standardkonfigurasjonen for MP3 er 24 kHz ved 128 kbit/s. Bruk en lydrepresentasjon som den tiltenkte avspilleren, redigeringsfasen eller telefoniforbindelsen kan tolke.
Valgfrie tegntidsangivelser knytter den returnerte tegnsekvensen til start- og sluttider. Uten uttaleerstatninger speiler sekvensen inndataene; erstatninger kan endre den til taleteksten. De kan støtte en tekstvisning som følger opplesningen, utheving eller justering mot en visuell fremføring. I arbeidsflyten med fullstendig svar endrer forespørsel om tidsangivelser utdataene til en omsluttende struktur med kodet lyd og tidsdata. Behandle tidsangivelsene og lyden som et sammenkoblet resultat, særlig når tekstnormalisering utvider et skriftlig symbol til flere muntlige ord.
Produsenten tilbyr en vei for fullstendige forespørsler og toveis strømming, der tekstfragmenter kommer inn og lyddeler returneres mens ytringen genereres. Den dokumenterer en grense på 60 000 tegn for en fullstendig forespørsel og for et enkelt strømmet tekstfragment. Fullføring eller tømming av en ytring har en eksplisitt rolle i strømmearbeidsflyten.
Til lengre fortellerinnhold velger du sammenhengende avsnittsgrenser og oppbevarer manuset med hvert resultat. Til interaktiv avspilling skiller du tekst sendt til syntese fra lyd lytteren allerede har hørt. Det nyttige resultatet er et innlest manus med bevisste fremføringssignaler, et passende lydformat og tidsdata når applikasjonen trenger det. Oppbevar manus, valgt stemme, fremføringssignaler og utdatainnstillinger sammen med lyden, slik at senere revisjoner bevarer den tiltenkte fremføringen.
", "aboutText": "Grok Text to Speech er Grok-stemmefamiliens tekst-til-lyd-funksjon. Produsenten dokumenterer uttrykksfulle innebygde talere, innebygde stemmesignaler og utdataformater egnet til medieavspilling eller telefonlyd. Inndata er teksten som skal sies, sammen med valg av stemme og språk. Det resulterende opptaket er tale fra denne teksten; talegjenkjenning og samtalemodeller for tale-til-tale har separate oppgaver.\n\n### Stemme, språk og taletekst\n\nProdusentkatalogen gir hver stemme en fremføringsprofil. Ara er varm og vennlig, Eve er livlig med britisk aksent, og Rex beskrives som klar og selvsikker. Stemme og språk er uavhengige i den dokumenterte familien: innebygde talere kan bruke hvert støttet språkvalg. Veiledningen oppgir tjue språkkodealternativer, inkludert regionale varianter, og støtter også automatisk språkoppdagelse. Ved siden av innebygde talere dokumenterer produsenten gjenbrukbare tilpassede stemmer laget fra et referanseopptak og valgt med voice_id til fullstendig eller strømmet syntese. Referanselyden kan vare opptil 120 sekunder; 90–120 sekunder med ren tale fra én taler anbefales for å fange fremføring og intonasjon. Hold referansen, den opprettede stemmeprofilen og det genererte opptaket som separate resultater, og tilpass referansefremføringen til det tiltenkte manuset.\n\nForbered den endelige muntlige ordlyden og bevar det tiltenkte språket i navn og siterte avsnitt. Til en muntlig veiledning er en nyttig replikk: «Velg et emne, lytt til den korte innledningen og åpne avsnittet du vil utforske.» Hvis et merkenavn eller faguttrykk trenger en bestemt lesemåte, kan produsentens erstatningskontroller gi en alternativ stavemåte eller IPA-uttale uten å endre den viste kildeteksten. Et separat alternativ for tekstnormalisering omdanner skriftlige tall, forkortelser og symboler til en mer muntlig form.\n\n### Fremføringssignaler\n\nInnebygde tagger plasserer en hendelse på et bestemt sted, for eksempel en pause, latter, et sukk eller et pust. Omsluttende tagger gir en fremføring til en hel frase, for eksempel hvisking, betoning eller et langsommere avsnitt. Plasser signalet der betydningen krever det og hold ordene lesbare. Veiledningen anbefaler stilmerking av fullstendige fraser og tegnsetting fremfor en stabel med urelaterte tagger.\n\nTil en uttrykksfull karakterreplikk forbereder du den muntlige setningen og fremføringsskiftet sammen. Til en forklaring beholder du en tydelig rytme som hjelper lytteren å følge stegene. Det dokumenterte talehastighetsområdet er 0.7 til 1.5, med 1.0 som normal fremføring. Et hastighetsvalg endrer taletempoet; det endrer ikke ordene applikasjonen skal formidle.\n\n### Lyd og tidsangivelser\n\nProdusenten dokumenterer utdata i MP3, WAV, rå PCM, mu-law og A-law. Støttede samplingsfrekvenser går fra 8 kHz til 48 kHz, med bestemte oppførte frekvenser mellom disse verdiene. Standardkonfigurasjonen for MP3 er 24 kHz ved 128 kbit/s. Bruk en lydrepresentasjon som den tiltenkte avspilleren, redigeringsfasen eller telefoniforbindelsen kan tolke.\n\nValgfrie tegntidsangivelser knytter den returnerte tegnsekvensen til start- og sluttider. Uten uttaleerstatninger speiler sekvensen inndataene; erstatninger kan endre den til taleteksten. De kan støtte en tekstvisning som følger opplesningen, utheving eller justering mot en visuell fremføring. I arbeidsflyten med fullstendig svar endrer forespørsel om tidsangivelser utdataene til en omsluttende struktur med kodet lyd og tidsdata. Behandle tidsangivelsene og lyden som et sammenkoblet resultat, særlig når tekstnormalisering utvider et skriftlig symbol til flere muntlige ord.\n\n### Fullstendig eller strømmet generering\n\nProdusenten tilbyr en vei for fullstendige forespørsler og toveis strømming, der tekstfragmenter kommer inn og lyddeler returneres mens ytringen genereres. Den dokumenterer en grense på 60 000 tegn for en fullstendig forespørsel og for et enkelt strømmet tekstfragment. Fullføring eller tømming av en ytring har en eksplisitt rolle i strømmearbeidsflyten.\n\nTil lengre fortellerinnhold velger du sammenhengende avsnittsgrenser og oppbevarer manuset med hvert resultat. Til interaktiv avspilling skiller du tekst sendt til syntese fra lyd lytteren allerede har hørt. Det nyttige resultatet er et innlest manus med bevisste fremføringssignaler, et passende lydformat og tidsdata når applikasjonen trenger det. Oppbevar manus, valgt stemme, fremføringssignaler og utdatainnstillinger sammen med lyden, slik at senere revisjoner bevarer den tiltenkte fremføringen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "841922809ef62a741d48c931632edaa589b52d204cea0043d15f4d1e40627058", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "x-ai/grok-voice-tts-1.0Grok Text to Speech gjør skriftlig tekst om til uttrykksfull lyd med valgbare stemmer, innebygde fremføringssignaler og flere lydkodeker for utdata. Den dokumenterte produsentfamilien støtter fullstendig og strømmet tale samt valgfrie tidsangivelser på tegnnivå.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Grok Text to Speech er Grok-stemmefamiliens tekst-til-lyd-funksjon. Produsenten dokumenterer uttrykksfulle innebygde talere, innebygde stemmesignaler og utdataformater egnet til medieavspilling eller telefonlyd. Inndata er teksten som skal sies, sammen med valg av stemme og språk. Det resulterende opptaket er tale fra denne teksten; talegjenkjenning og samtalemodeller for tale-til-tale har separate oppgaver.
Produsentkatalogen gir hver stemme en fremføringsprofil. Ara er varm og vennlig, Eve er livlig med britisk aksent, og Rex beskrives som klar og selvsikker. Stemme og språk er uavhengige i den dokumenterte familien: innebygde talere kan bruke hvert støttet språkvalg. Veiledningen oppgir tjue språkkodealternativer, inkludert regionale varianter, og støtter også automatisk språkoppdagelse. Ved siden av innebygde talere dokumenterer produsenten gjenbrukbare tilpassede stemmer laget fra et referanseopptak og valgt med voice_id til fullstendig eller strømmet syntese. Referanselyden kan vare opptil 120 sekunder; 90–120 sekunder med ren tale fra én taler anbefales for å fange fremføring og intonasjon. Hold referansen, den opprettede stemmeprofilen og det genererte opptaket som separate resultater, og tilpass referansefremføringen til det tiltenkte manuset.
Forbered den endelige muntlige ordlyden og bevar det tiltenkte språket i navn og siterte avsnitt. Til en muntlig veiledning er en nyttig replikk: «Velg et emne, lytt til den korte innledningen og åpne avsnittet du vil utforske.» Hvis et merkenavn eller faguttrykk trenger en bestemt lesemåte, kan produsentens erstatningskontroller gi en alternativ stavemåte eller IPA-uttale uten å endre den viste kildeteksten. Et separat alternativ for tekstnormalisering omdanner skriftlige tall, forkortelser og symboler til en mer muntlig form.
Innebygde tagger plasserer en hendelse på et bestemt sted, for eksempel en pause, latter, et sukk eller et pust. Omsluttende tagger gir en fremføring til en hel frase, for eksempel hvisking, betoning eller et langsommere avsnitt. Plasser signalet der betydningen krever det og hold ordene lesbare. Veiledningen anbefaler stilmerking av fullstendige fraser og tegnsetting fremfor en stabel med urelaterte tagger.
Til en uttrykksfull karakterreplikk forbereder du den muntlige setningen og fremføringsskiftet sammen. Til en forklaring beholder du en tydelig rytme som hjelper lytteren å følge stegene. Det dokumenterte talehastighetsområdet er 0.7 til 1.5, med 1.0 som normal fremføring. Et hastighetsvalg endrer taletempoet; det endrer ikke ordene applikasjonen skal formidle.
Produsenten dokumenterer utdata i MP3, WAV, rå PCM, mu-law og A-law. Støttede samplingsfrekvenser går fra 8 kHz til 48 kHz, med bestemte oppførte frekvenser mellom disse verdiene. Standardkonfigurasjonen for MP3 er 24 kHz ved 128 kbit/s. Bruk en lydrepresentasjon som den tiltenkte avspilleren, redigeringsfasen eller telefoniforbindelsen kan tolke.
Valgfrie tegntidsangivelser knytter den returnerte tegnsekvensen til start- og sluttider. Uten uttaleerstatninger speiler sekvensen inndataene; erstatninger kan endre den til taleteksten. De kan støtte en tekstvisning som følger opplesningen, utheving eller justering mot en visuell fremføring. I arbeidsflyten med fullstendig svar endrer forespørsel om tidsangivelser utdataene til en omsluttende struktur med kodet lyd og tidsdata. Behandle tidsangivelsene og lyden som et sammenkoblet resultat, særlig når tekstnormalisering utvider et skriftlig symbol til flere muntlige ord.
Produsenten tilbyr en vei for fullstendige forespørsler og toveis strømming, der tekstfragmenter kommer inn og lyddeler returneres mens ytringen genereres. Den dokumenterer en grense på 60 000 tegn for en fullstendig forespørsel og for et enkelt strømmet tekstfragment. Fullføring eller tømming av en ytring har en eksplisitt rolle i strømmearbeidsflyten.
Til lengre fortellerinnhold velger du sammenhengende avsnittsgrenser og oppbevarer manuset med hvert resultat. Til interaktiv avspilling skiller du tekst sendt til syntese fra lyd lytteren allerede har hørt. Det nyttige resultatet er et innlest manus med bevisste fremføringssignaler, et passende lydformat og tidsdata når applikasjonen trenger det. Oppbevar manus, valgt stemme, fremføringssignaler og utdatainnstillinger sammen med lyden, slik at senere revisjoner bevarer den tiltenkte fremføringen.
POST /v1/audio/speechtextaudio| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser x-ai/grok-voice-tts-1.0 | Standard— |
Feltinput | Typestring | KravPåkrevd | Verdier & grenser Minste lengde: 1 Maksimal lengde: 15 000 Enhet: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravPåkrevd | Verdier & grenser eve, ara, rex, sal, leo | Standard— |
Feltresponse_format | Typestring | KravPåkrevd | Verdier & grenser mp3 | Standard— |
text_to_speech · Påkrevd: input
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input, voice, response_format |
Parametervoice_ids | Avtaleeve, ara, rex, sal, leo |
Parameterresponse_format | Avtalemp3 |
Parametermax_input_characters | Avtale15000 |
Parameterother_options | Avtalefalse |
Parameterinput | AvtaleEksakt UTF-8-tekst; antall Unicode-tegn uten normalisering |
Parametermaterial_types | Avtaletext |
Livssyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktisk returnert task_id eller oppføring i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Velg den eksakte stemmen fra denne modellprofilen.
Inndatategn og lydsekunder er ulike måleenheter for forbruk.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Fakturerbar mengde | Faktureringsenhet | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Fakturerbar mengde— | Faktureringsenhet— | Kostnad Inndata · Inngående tokener — / 1K tokener Utdata · Utgående tokener — / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonUltra | Prisplan— | Fakturerbar mengdeHvert Unicode-kodepunkt teller som ett tegn, også Han-tegn. | Faktureringsenhetper 1K inndatategn | Kostnad Inndata · inndatategn $0.03 per 1K inndatategn |
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
| Konfigurasjon | Faktureringsvilkår | Kostnad |
|---|---|---|
| KonfigurasjonSpaceXAI: Grok Voice TTS 1.0 · Standardkonfigurasjon | FaktureringsvilkårStandardkonfigurasjon | Kostnad Inndata · Inngående tegn 0,00003 USD per inndatategn |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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\nBehold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hele det binære resultatet og svarhodene. Hvis JSON eller flere utdata returneres, bevar hvert dataelement og hent innholdet fra hver faktiske signerte ressurs-URL.
Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Svarserver_error | VilkårDet returnerte svaret angir at operasjonen eller resultatet må kontrolleres | Neste trinnBevar den opprinnelige returnerte operasjons-/oppgave-ID-en, forespørselshodene og svaret; fortsett å lese den opprinnelige operasjonen på de støttede måtene. Ikke send opprettelsesforespørselen på nytt. |
Ailoot Ultra x-ai/grok-voice-tts-1.0
Bruk metodestiene som vises ovenfor.