SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech mení písaný text na expresívny zvuk s voliteľnými hlasmi, vloženými podnetmi prednesu a viacerými výstupnými kodekmi. Dokumentovaná rodina výrobcu podporuje úplnú aj streamovanú reč a voliteľné časovanie na úrovni znakov.

Ailoot Ultra · Syntéza reči POST /v1/audio/speech x-ai/grok-voice-tts-1.0

O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Grok Text to Speech je schopnosť prevodu textu na zvuk hlasovej rodiny Grok. Výrobca dokumentuje expresívnych vstavaných hovoriacich, vložené hlasové podnety a výstupné formáty vhodné na prehrávanie médií alebo telefónny zvuk. Jej vstupom je prepis na vyslovenie spolu s voľbami hlasu a jazyka. Výsledná nahrávka je rečou z tohto prepisu; rozpoznávanie reči a konverzačné modely reč-na-reč majú samostatné úlohy.

Hlas, jazyk a hovorený text

Katalóg výrobcu priraďuje každému hlasu profil prednesu. Ara je vrúcna a prívetivá, Eve je veselá s britským prízvukom a Rex je opísaný ako jasný a sebavedomý. Hlas a jazyk sú v dokumentovanej rodine nezávislé: vstavaní hovoriaci môžu používať každú podporovanú jazykovú voľbu. Príručka uvádza dvadsať možností jazykových kódov vrátane regionálnych variantov a podporuje aj automatické rozpoznávanie jazyka. Okrem vstavaných hovoriacich výrobca dokumentuje opätovne použiteľné vlastné hlasy vytvorené z referenčnej nahrávky a vyberané pomocou voice_id pre úplnú alebo streamovanú syntézu. Referenčný zvuk môže mať až 120 sekúnd; na zachytenie prednesu a intonácie sa odporúča 90–120 sekúnd čistej reči jedného hovoriaceho. Referenciu, vytvorený hlasový profil a generovanú nahrávku uchovajte ako samostatné výsledky a referenčný prednes zlaďte so zamýšľaným scenárom.

Pripravte konečné hovorené znenie a zachovajte zamýšľaný jazyk mien a citovaných pasáží. Pri nahovorenej príručke je užitočná veta: „Vyberte tému, vypočujte si krátky úvod a otvorte úsek, ktorý chcete preskúmať.“ Ak názov značky alebo odborný výraz vyžaduje konkrétne čítanie, ovládanie náhrad výrobcu môže dodať alternatívny zápis alebo výslovnosť IPA bez zmeny zobrazovaného zdrojového textu. Samostatná možnosť normalizácie textu približuje písané čísla, skratky a symboly ich hovorenej podobe.

Podnety prednesu

Vložené značky umiestňujú udalosť na konkrétne miesto, napríklad prestávku, smiech, povzdych alebo nádych. Obaľujúce značky aplikujú prednes na úplnú frázu, napríklad šepot, dôraz alebo pomalšiu pasáž. Podnet umiestnite tam, kde ho vyžaduje význam, a slová udržujte čitateľné. Príručka odporúča štýlové úseky celých fráz a interpunkciu namiesto hromady nesúvisiacich značiek.

Pri expresívnej replike postavy pripravte hovorenú vetu a zmenu prednesu spolu. Pri vysvetlení zachovajte jasný rytmus, ktorý pomáha poslucháčovi sledovať kroky. Dokumentovaný rozsah rýchlosti reči je 0.7 až 1.5, s 1.0 ako normálnym prednesom. Voľba rýchlosti mení hovorené tempo; nemení slová, ktoré má aplikácia komunikovať.

Zvuk a časovanie

Výrobca dokumentuje výstup MP3, WAV, surový PCM, mu-law a A-law. Podporované vzorkovacie frekvencie siahajú od 8 kHz do 48 kHz s konkrétnymi uvedenými hodnotami medzi nimi. Predvolená konfigurácia MP3 je 24 kHz pri 128 kbit/s. Použite zvukovú reprezentáciu, ktorú zamýšľaný prehrávač, fáza úprav alebo telefónna cesta dokážu interpretovať.

Voliteľné časovanie znakov spája vrátenú postupnosť znakov s časmi začiatku a konca. Bez výslovnostných náhrad táto postupnosť zodpovedá vstupu; náhrady ju môžu zmeniť na hovorený text. Časovanie môže podporiť súbežné čítanie, zvýrazňovanie alebo zarovnanie s vizuálnym prednesom. V postupe úplnej odpovede vyžiadanie časovania mení výstup na obálku s kódovaným zvukom a časovými dátami. Časovanie a zvuk považujte za spárovaný výsledok, najmä keď normalizácia textu rozvíja písaný symbol na viacero hovorených slov.

Úplné alebo streamované generovanie

Výrobca ponúka cestu úplnej požiadavky a obojsmerné streamovanie, pri ktorom prichádzajú textové útržky a počas generovania výpovede sa vracajú zvukové časti. Dokumentuje limit 60 000 znakov pre úplnú požiadavku aj jednotlivý streamovaný textový útržok. Dokončenie alebo vymazanie výpovede má v streamovacom postupe explicitnú úlohu.

Pri dlhšom rozprávaní zvoľte súvislé hranice pasáží a s každým výsledkom uchovajte scenár. Pri interaktívnom prehrávaní odlíšte text odoslaný na syntézu od zvuku, ktorý už poslucháč počul. Užitočným výsledkom je nahovorený scenár so zámernými podnetmi prednesu, vhodným zvukovým formátom a časovými dátami, ak ich aplikácia potrebuje. Scenár, vybraný hlas, podnety prednesu a výstupné nastavenia uchovajte so zvukom, aby neskoršie revízie zachovali zamýšľaný prednes.

Ailoot Ultra · Syntéza reči 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

Úvod

Povolené vstupy: Text
Výsledky: Audio

Dostupné v Ailoot · vstupy a metódy

Ailoot Ultra · Syntéza reči POST /v1/audio/speech

Vstup: text
Výstup: audio
Výstupný formát: mp3

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity x-ai/grok-voice-tts-1.0	Predvolené—
Pole`input`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity Minimálna dĺžka: 1 Maximálna dĺžka: 15 000 Jednotka: znaky Unicode	Predvolené—
Pole`voice`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity eve, ara, rex, sal, leo	Predvolené—
Pole`response_format`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity mp3	Predvolené—

Kombinácie vstupných podkladov

text_to_speech · Povinné: input

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`content_type`	Špecifikáciaapplication/json
Parameter`required`	Špecifikáciamodel, input, voice, response_format
Parameter`voice_ids`	Špecifikáciaeve, ara, rex, sal, leo
Parameter`response_format`	Špecifikáciamp3
Parameter`max_input_characters`	Špecifikácia15000
Parameter`other_options`	Špecifikáciafalse
Parameter`input`	Špecifikáciapresný text UTF-8; počet znakov Unicode bez normalizácie
Parameter`material_types`	Špecifikáciatext

Životný cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutočne vrátené task_id alebo záznam v knižnici médií

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Vyberte presný hlas z profilu tohto modelu.

Vstupné znaky a sekundy zvuku sú odlišné merané jednotky.

Cenník

Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.

Rýchly režim: Neuvedené Keď je zvolený rýchly režim
Režim Flex: Neuvedené Keď je zvolený režim flex
Maximálna úroveň uvažovania: Neuvedené Keď sa pri maximálnej úrovni uvažovania používa predvolená úprava (default)

Sadzby Ailoot

Ceny podľa konfigurácie

Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.

Konfigurácia	Sadzobník	Účtované množstvo	Účtovacia jednotka	Poplatok
KonfiguráciaZákladné sadzby za tokeny	SadzobníkZákladná sadzba	Účtované množstvo—	Účtovacia jednotka—	Poplatok Vstup · Vstupné tokeny — / 1K tokenov Výstup · Výstupné tokeny — / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov
KonfiguráciaUltra	Sadzobník—	Účtované množstvoKaždý kódový bod Unicode sa počíta ako jeden znak vrátane znakov Han.	Účtovacia jednotkaza 1K vstupných znakov	Poplatok Vstup · vstupný znak $0.03 za 1K vstupných znakov

Podrobnosti referenčnej tarify

Referenčné sadzobníky modelu nemenia výber metódy, cenové odhady ani poplatky. Aktívne poplatky používajú sadzby vybranej metódy Ailoot.

SpaceXAI: Grok Voice TTS 1.0

Ceny podľa konfigurácie

Konfigurácia	Podmienky účtovania	Poplatok
KonfiguráciaSpaceXAI: Grok Voice TTS 1.0 · Predvolená konfigurácia	Podmienky účtovaniaPredvolená konfigurácia	Poplatok Vstup · Vstupné znaky 0,00003 USD za vstupný znak

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot Ultra · Syntéza reči

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

Prijať a uložiť výsledky

Ailoot Ultra · Syntéza reči

mp3

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

Čítanie ďalšieho obsahu

Knižnica médiíStav úlohyPodrobnosti podkladu

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

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Uchovajte úplný binárny výsledok a hlavičky. Ak sa vráti JSON alebo viacero výstupov, uchovajte každú dátovú položku a stiahnite obsah z každej skutočnej podpísanej URL súboru.

Ak treba overiť pôvodnú odpoveď

Uchovajte pôvodné operation_id/X-Client-Request-ID na zosúladenie záznamov bez opätovného odoslania; neexistuje samostatná trasa na priebežné zisťovanie stavu zvuku.

Polia odpovede

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

Chyby a ďalšie kroky

Odpoveď	Podmienka	Ďalší krok
Odpoveď400 · `invalid_request_error`	PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra	Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia.
Odpoveď`server_error`	PodmienkaVrátená odpoveď uvádza, že operáciu alebo výsledok je potrebné skontrolovať	Ďalší krokUchovajte pôvodné vrátené ID operácie/úlohy, hlavičky požiadavky a odpoveď; naďalej čítajte údaje o tejto pôvodnej operácii podporovaným spôsobom. Požiadavku na vytvorenie znova neodosielajte.

Aliasy

Aliasy modelov

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

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

x-ai/grok-voice-tts-1.0

FAQ · SpaceXAI: Grok Voice TTS 1.0

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: text → audio
Aké polia používa požiadavka?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: model, input, voice, response_format
Aké limity platia?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: input.maximum_length: 15000

SpaceXAI: Grok Voice TTS 1.0