SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech zamienia pisemny tekst w ekspresyjne audio z wybieralnymi głosami, wskazówkami wykonania w tekście i wieloma kodekami wyjściowymi. Udokumentowana rodzina producenta obsługuje pełną i strumieniową mowę oraz opcjonalne czasy na poziomie znaków.

Ailoot Ultra · Synteza mowy POST /v1/audio/speech x-ai/grok-voice-tts-1.0

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

Grok Text to Speech to możliwość zamiany tekstu na audio w rodzinie głosowej Grok. Producent dokumentuje ekspresyjnych wbudowanych mówców, wskazówki głosowe w tekście i formaty wyjściowe odpowiednie do odtwarzania mediów lub telefonii. Wejściem jest tekst do wypowiedzenia wraz z wyborem głosu i języka. Powstałe nagranie jest mową z tego tekstu; rozpoznawanie mowy i konwersacyjne modele speech-to-speech mają odrębne zadania.

Głos, język i tekst do wypowiedzenia

Katalog producenta przypisuje każdemu głosowi profil wypowiedzi. Ara jest ciepła i przyjazna, Eve pogodna z brytyjskim akcentem, a Rex jest opisywany jako wyraźny i pewny siebie. Głos i język są niezależne w udokumentowanej rodzinie: wbudowani mówcy mogą korzystać z każdego obsługiwanego wyboru języka. Przewodnik wymienia dwadzieścia opcji kodu języka, w tym warianty regionalne, i obsługuje też automatyczne wykrywanie języka. Oprócz wbudowanych mówców producent dokumentuje wielokrotnego użytku głosy niestandardowe tworzone z nagrania referencyjnego i wybierane przez voice_id do pełnej lub strumieniowej syntezy. Audio referencyjne może trwać do 120 sekund; zalecane jest 90–120 sekund czystej mowy jednego mówcy, aby uchwycić sposób wypowiedzi i intonację. Zachowaj referencję, utworzony profil głosu i wygenerowane nagranie jako osobne materiały oraz dopasuj wykonanie referencyjne do zamierzonego scenariusza.

Przygotuj końcowy tekst mówiony, zachowując zamierzony język nazw i cytowanych fragmentów. Przydatna wypowiedź w przewodniku narracyjnym brzmi: „Wybierz temat, posłuchaj krótkiego wprowadzenia i otwórz sekcję, którą chcesz poznać”. Jeśli nazwa marki lub termin specjalistyczny wymagają określonego odczytu, parametry podmiany producenta mogą podać inną pisownię lub wymowę IPA bez zmiany wyświetlanego tekstu źródłowego. Osobna opcja normalizacji tekstu przekształca pisemne liczby, skróty i symbole w kierunku ich formy mówionej.

Wskazówki wykonania

Znaczniki w tekście umieszczają zdarzenie w konkretnym miejscu, na przykład pauzę, śmiech, westchnienie lub oddech. Znaczniki otaczające stosują sposób wypowiedzi do całej frazy, na przykład szept, nacisk lub wolniejszy fragment. Umieszczaj wskazówkę tam, gdzie wymaga tego znaczenie, i zachowuj czytelność słów. Przewodnik zaleca zakresy stylu obejmujące pełne frazy i interpunkcję zamiast nagromadzenia niepowiązanych znaczników.

W ekspresyjnej kwestii postaci przygotuj wspólnie zdanie do wypowiedzenia i zmianę wykonania. W objaśnieniu zachowaj wyraźny rytm pomagający słuchaczowi śledzić kroki. Udokumentowany zakres tempa mowy wynosi od 0.7 do 1.5, z 1.0 jako zwykłą realizacją. Wybór szybkości zmienia tempo mowy; nie zmienia słów, które aplikacja powinna przekazać.

Audio i czasy

Producent dokumentuje wyjścia MP3, WAV, surowy PCM, mu-law i A-law. Obsługiwane częstotliwości próbkowania obejmują zakres od 8 kHz do 48 kHz, z konkretnymi wymienionymi wartościami pomiędzy nimi. Domyślna konfiguracja MP3 to 24 kHz przy 128 kbit/s. Używaj reprezentacji audio odczytywanej przez docelowy odtwarzacz, etap montażu lub tor telefoniczny.

Opcjonalne czasy znaków wiążą zwróconą sekwencję znaków z czasami początku i końca. Bez podmian wymowy sekwencja odzwierciedla wejście; podmiany mogą zmienić ją na tekst wypowiedziany. Dane te mogą wspierać wyświetlanie tekstu podczas czytania, podświetlanie lub synchronizację z występem wizualnym. W procesie pełnej odpowiedzi żądanie czasów zmienia wyjście w obiekt zawierający zakodowane audio i dane czasowe. Traktuj czasy i audio jako parę, szczególnie gdy normalizacja rozwija pisemny symbol w kilka wypowiadanych słów.

Generacja pełna lub strumieniowa

Producent oferuje ścieżkę kompletnego żądania i strumieniowanie dwukierunkowe, w którym napływają fragmenty tekstu, a fragmenty audio wracają podczas generowania wypowiedzi. Dokumentuje limit 60 000 znaków dla kompletnego żądania i pojedynczego fragmentu tekstu w strumieniu. Domknięcie lub wyczyszczenie wypowiedzi ma jawną rolę w procesie strumieniowym.

W dłuższej narracji wybieraj spójne granice fragmentów i zachowuj scenariusz przy każdym wyniku. W odtwarzaniu interaktywnym odróżniaj tekst wysłany do syntezy od audio już usłyszanego przez odbiorcę. Użyteczny rezultat to udźwiękowiony scenariusz z celowymi wskazówkami wykonania, odpowiednim formatem audio i danymi czasowymi, gdy potrzebuje ich aplikacja. Zachowaj z audio scenariusz, wybrany głos, wskazówki wykonania i ustawienia wyjścia, aby późniejsze poprawki utrzymywały zamierzony sposób wypowiedzi.

Ailoot Ultra · Synteza mowy POST /v1/audio/speech x-ai/grok-voice-tts-1.0

x-ai/grok-voice-tts-1.0

SpaceXAI /x-ai/grok-voice-tts-1.0

Start

Akceptowane dane wejściowe: Tekst
Wyniki: Audio

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · Synteza mowy POST /v1/audio/speech

Wejście: text
Wyjście: audio
Format wyjściowy: mp3

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity x-ai/grok-voice-tts-1.0	Domyślnie—
Pole`input`	Typ`string`	WymaganieWymagane	Wartości i limity Minimalna długość: 1 Maksymalna długość: 15 000 Jednostka: znaki Unicode	Domyślnie—
Pole`voice`	Typ`string`	WymaganieWymagane	Wartości i limity eve, ara, rex, sal, leo	Domyślnie—
Pole`response_format`	Typ`string`	WymaganieWymagane	Wartości i limity mp3	Domyślnie—

Kombinacje materiałów wejściowych

text_to_speech · Wymagane: input

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input, voice, response_format
Parametr`voice_ids`	Kontrakteve, ara, rex, sal, leo
Parametr`response_format`	Kontraktmp3
Parametr`max_input_characters`	Kontrakt15000
Parametr`other_options`	Kontraktfalse
Parametr`input`	Kontraktdokładny tekst UTF-8; liczba znaków Unicode bez normalizacji
Parametr`material_types`	Kontrakttext

Cykl życia: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Wybierz dokładny głos z profilu tego modelu.

Znaki wejściowe i sekundy dźwięku to różne jednostki pomiaru.

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki: Nie określono Gdy wybrany jest tryb szybki
Tryb flex: Nie określono Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania: Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)

Stawki Ailoot

Ceny według konfiguracji

Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.

Konfiguracja	Tabela stawek	Ilość rozliczana	Jednostka rozliczeniowa	Opłata
KonfiguracjaBazowe stawki za tokeny	Tabela stawekStawka podstawowa	Ilość rozliczana—	Jednostka rozliczeniowa—	Opłata Wejście · Tokeny wejściowe — / 1K tokenów Wyjście · Tokeny wyjściowe — / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów
KonfiguracjaUltra	Tabela stawek—	Ilość rozliczanaKażdy punkt kodowy Unicode liczy się jako jeden znak, w tym znaki Han.	Jednostka rozliczeniowaza 1K znaków wejściowych	Opłata Wejście · znak wejściowy $0.03 za 1K znaków wejściowych

Szczegóły taryfy referencyjnej

Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot.

SpaceXAI: Grok Voice TTS 1.0

Ceny według konfiguracji

Konfiguracja	Warunki rozliczania	Opłata
KonfiguracjaSpaceXAI: Grok Voice TTS 1.0 · Domyślna konfiguracja	Warunki rozliczaniaKonfiguracja domyślna	Opłata Wejście · Znaki wejściowe 0,00003 USD za znak wejściowy

Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →

Przykładowe żądania

Ailoot Ultra · Synteza mowy

curl

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

Odbieranie i zapisywanie wyników

Ailoot Ultra · Synteza mowy

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Inne odczyty treści

Biblioteka multimediówStatus zadaniaSzczegóły pliku

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

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj pełny wynik binarny i nagłówki. Jeśli zwrócono JSON lub wiele wyników, zachowaj każdy element danych i pobierz zasób spod każdego rzeczywiście zwróconego podpisanego adresu URL.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.

Pola odpowiedzi

Pole	Typ
Pole`binary audio`	Typbytes
Pole`response headers`	Typheaders

Błędy i dalsze kroki

Odpowiedź	Warunek	Następny krok
Odpowiedź400 · `invalid_request_error`	WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru	Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia.
Odpowiedź`server_error`	WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia	Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia.

Aliasy

Aliasy modelu

Ailoot Ultra x-ai/grok-voice-tts-1.0

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

x-ai/grok-voice-tts-1.0

FAQ · SpaceXAI: Grok Voice TTS 1.0

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: text → audio
Jakich pól używa żądanie?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: model, input, voice, response_format
Jakie limity obowiązują?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: input.maximum_length: 15000

SpaceXAI: Grok Voice TTS 1.0