Grok Text to Speech je zmožnost pretvorbe besedila v zvok v glasovni družini Grok. Proizvajalec dokumentira izrazne vgrajene govorce, glasovne oznake znotraj besedila in izhodne formate, primerne za predvajanje medijev ali telefonski zvok. Njegov vnos je besedilo za izgovarjavo skupaj z izbiro glasu in jezika. Nastali posnetek je govor iz tega besedila; prepoznavanje govora in pogovorni modeli govor-v-govor imajo ločene naloge.
Proizvajalčev katalog vsakemu glasu določa profil podajanja. Glas Ara je topel in prijazen, glas Eve je živahen z britanskim naglasom, glas Rex pa je opisan kot jasen in samozavesten. Glas in jezik sta v dokumentirani družini neodvisna: vgrajeni govorci lahko uporabljajo vsako podprto jezikovno izbiro. Vodnik navaja dvajset možnosti jezikovnih kod, vključno z regionalnimi različicami, in podpira tudi samodejno zaznavanje jezika. Poleg vgrajenih govorcev proizvajalec dokumentira prilagojene glasove za ponovno uporabo, ustvarjene iz referenčnega posnetka in izbrane z voice_id za celotno ali pretočno sintezo. Referenčni zvok lahko traja do 120 sekund; za zajem podajanja in intonacije je priporočenih 90–120 sekund čistega govora enega govorca. Referenco, ustvarjeni glasovni profil in ustvarjeni posnetek hranite kot ločene izdelke ter referenčno izvedbo prilagodite predvidenemu scenariju.
Pripravite končno govorjeno besedilo ter ohranite predvideni jezik imen in navedenih odlomkov. Pri pripovedovanem vodniku je uporabna vrstica: »Izberite temo, poslušajte kratek uvod in odprite razdelek, ki ga želite raziskati.« Če blagovna znamka ali strokovni izraz potrebuje določeno branje, lahko proizvajalčeve nastavitve zamenjav zagotovijo izgovorni zapis ali izgovarjavo IPA brez spremembe prikazanega izvornega besedila. Ločena možnost normalizacije besedila pretvarja zapisana števila, okrajšave in simbole v njihovo govorjeno obliko.
Oznake znotraj besedila postavijo dogodek na določeno mesto, na primer premor, smeh, vzdih ali vdih. Ovojne oznake uporabijo način podajanja za celotno frazo, na primer šepetanje, poudarek ali počasnejši odlomek. Oznako postavite, kjer jo zahteva pomen, in ohranite berljive besede. Vodnik priporoča slogovne razpone celotnih fraz in ločila namesto kopičenja nepovezanih oznak.
Za izrazno vrstico lika pripravite govorjeni stavek in izvedbeni premik skupaj. Pri razlagi ohranite jasen ritem, ki poslušalcu pomaga slediti korakom. Dokumentirani razpon hitrosti govora je od 0,7 do 1,5, pri čemer 1,0 pomeni običajno podajanje. Izbira hitrosti spremeni govorni tempo; ne spremeni besed, ki jih mora aplikacija sporočiti.
Proizvajalec dokumentira izhod MP3, WAV, surovi PCM, mu-law in A-law. Podprte izbire frekvence vzorčenja segajo od 8 kHz do 48 kHz, s posebej navedenimi frekvencami med tema vrednostma. Njegova privzeta konfiguracija MP3 je 24 kHz pri 128 kbit/s. Uporabite zvočno predstavitev, ki jo predvideni predvajalnik, stopnja urejanja ali telefonska pot lahko razume.
Neobvezni časovni podatki znakov povežejo vrnjeno zaporedje znakov z začetnimi in končnimi časi. Brez zamenjav izgovarjave to zaporedje zrcali vnos; zamenjave ga lahko spremenijo v govorjeno besedilo. Podpirajo lahko prikaz za spremljanje branja, poudarjanje ali poravnavo z vizualno izvedbo. V poteku celotnega odgovora zahteva po časovnih podatkih spremeni izhod v ovoj, ki vsebuje kodirani zvok in časovne podatke. Časovne podatke in zvok obravnavajte kot povezan rezultat, zlasti kadar normalizacija besedila razširi pisni simbol v več govorjenih besed.
Proizvajalec ponuja pot celotne zahteve in dvosmerno pretakanje, pri katerem prihajajo drobci besedila, zvočni deli pa se vračajo med ustvarjanjem izjave. Dokumentira omejitev 60 000 znakov za celotno zahtevo in za posamezen pretočni drobec besedila. Dokončanje ali praznjenje izjave ima v pretočnem poteku izrecno vlogo.
Za daljšo pripoved izberite povezane meje odlomkov in z vsakim rezultatom ohranite scenarij. Pri interaktivnem predvajanju ločujte besedilo, poslano v sintezo, od zvoka, ki ga je poslušalec že slišal. Uporaben izdelek je ozvočen scenarij s premišljenimi izvedbenimi oznakami, ustreznim zvočnim formatom in časovnimi podatki, kadar jih aplikacija potrebuje. Scenarij, izbrani glas, izvedbene oznake in izhodne nastavitve hranite z zvokom, da poznejši popravki ohranijo želeno podajanje.
", "aboutText": "Grok Text to Speech je zmožnost pretvorbe besedila v zvok v glasovni družini Grok. Proizvajalec dokumentira izrazne vgrajene govorce, glasovne oznake znotraj besedila in izhodne formate, primerne za predvajanje medijev ali telefonski zvok. Njegov vnos je besedilo za izgovarjavo skupaj z izbiro glasu in jezika. Nastali posnetek je govor iz tega besedila; prepoznavanje govora in pogovorni modeli govor-v-govor imajo ločene naloge.\n\n### Glas, jezik in govorjeno besedilo\n\nProizvajalčev katalog vsakemu glasu določa profil podajanja. Glas Ara je topel in prijazen, glas Eve je živahen z britanskim naglasom, glas Rex pa je opisan kot jasen in samozavesten. Glas in jezik sta v dokumentirani družini neodvisna: vgrajeni govorci lahko uporabljajo vsako podprto jezikovno izbiro. Vodnik navaja dvajset možnosti jezikovnih kod, vključno z regionalnimi različicami, in podpira tudi samodejno zaznavanje jezika. Poleg vgrajenih govorcev proizvajalec dokumentira prilagojene glasove za ponovno uporabo, ustvarjene iz referenčnega posnetka in izbrane z voice_id za celotno ali pretočno sintezo. Referenčni zvok lahko traja do 120 sekund; za zajem podajanja in intonacije je priporočenih 90–120 sekund čistega govora enega govorca. Referenco, ustvarjeni glasovni profil in ustvarjeni posnetek hranite kot ločene izdelke ter referenčno izvedbo prilagodite predvidenemu scenariju.\n\nPripravite končno govorjeno besedilo ter ohranite predvideni jezik imen in navedenih odlomkov. Pri pripovedovanem vodniku je uporabna vrstica: »Izberite temo, poslušajte kratek uvod in odprite razdelek, ki ga želite raziskati.« Če blagovna znamka ali strokovni izraz potrebuje določeno branje, lahko proizvajalčeve nastavitve zamenjav zagotovijo izgovorni zapis ali izgovarjavo IPA brez spremembe prikazanega izvornega besedila. Ločena možnost normalizacije besedila pretvarja zapisana števila, okrajšave in simbole v njihovo govorjeno obliko.\n\n### Izvedbene oznake\n\nOznake znotraj besedila postavijo dogodek na določeno mesto, na primer premor, smeh, vzdih ali vdih. Ovojne oznake uporabijo način podajanja za celotno frazo, na primer šepetanje, poudarek ali počasnejši odlomek. Oznako postavite, kjer jo zahteva pomen, in ohranite berljive besede. Vodnik priporoča slogovne razpone celotnih fraz in ločila namesto kopičenja nepovezanih oznak.\n\nZa izrazno vrstico lika pripravite govorjeni stavek in izvedbeni premik skupaj. Pri razlagi ohranite jasen ritem, ki poslušalcu pomaga slediti korakom. Dokumentirani razpon hitrosti govora je od 0,7 do 1,5, pri čemer 1,0 pomeni običajno podajanje. Izbira hitrosti spremeni govorni tempo; ne spremeni besed, ki jih mora aplikacija sporočiti.\n\n### Zvok in časovni podatki\n\nProizvajalec dokumentira izhod MP3, WAV, surovi PCM, mu-law in A-law. Podprte izbire frekvence vzorčenja segajo od 8 kHz do 48 kHz, s posebej navedenimi frekvencami med tema vrednostma. Njegova privzeta konfiguracija MP3 je 24 kHz pri 128 kbit/s. Uporabite zvočno predstavitev, ki jo predvideni predvajalnik, stopnja urejanja ali telefonska pot lahko razume.\n\nNeobvezni časovni podatki znakov povežejo vrnjeno zaporedje znakov z začetnimi in končnimi časi. Brez zamenjav izgovarjave to zaporedje zrcali vnos; zamenjave ga lahko spremenijo v govorjeno besedilo. Podpirajo lahko prikaz za spremljanje branja, poudarjanje ali poravnavo z vizualno izvedbo. V poteku celotnega odgovora zahteva po časovnih podatkih spremeni izhod v ovoj, ki vsebuje kodirani zvok in časovne podatke. Časovne podatke in zvok obravnavajte kot povezan rezultat, zlasti kadar normalizacija besedila razširi pisni simbol v več govorjenih besed.\n\n### Celotno ali pretočno ustvarjanje\n\nProizvajalec ponuja pot celotne zahteve in dvosmerno pretakanje, pri katerem prihajajo drobci besedila, zvočni deli pa se vračajo med ustvarjanjem izjave. Dokumentira omejitev 60 000 znakov za celotno zahtevo in za posamezen pretočni drobec besedila. Dokončanje ali praznjenje izjave ima v pretočnem poteku izrecno vlogo.\n\nZa daljšo pripoved izberite povezane meje odlomkov in z vsakim rezultatom ohranite scenarij. Pri interaktivnem predvajanju ločujte besedilo, poslano v sintezo, od zvoka, ki ga je poslušalec že slišal. Uporaben izdelek je ozvočen scenarij s premišljenimi izvedbenimi oznakami, ustreznim zvočnim formatom in časovnimi podatki, kadar jih aplikacija potrebuje. Scenarij, izbrani glas, izvedbene oznake in izhodne nastavitve hranite z zvokom, da poznejši popravki ohranijo želeno podajanje.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4e3c7f542955c00ecab862dd55e515910e57661bc596c24a6bf8073d2b9055bd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sl", "methods": [ { "html": "x-ai/grok-voice-tts-1.0Grok Text to Speech pretvori pisno besedilo v izrazni zvok z izbirnimi glasovi, izvedbenimi oznakami znotraj besedila in več izhodnimi kodeki. Dokumentirana proizvajalčeva družina podpira celotni in pretočni govor ter neobvezne časovne podatke na ravni znakov.
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
Grok Text to Speech je zmožnost pretvorbe besedila v zvok v glasovni družini Grok. Proizvajalec dokumentira izrazne vgrajene govorce, glasovne oznake znotraj besedila in izhodne formate, primerne za predvajanje medijev ali telefonski zvok. Njegov vnos je besedilo za izgovarjavo skupaj z izbiro glasu in jezika. Nastali posnetek je govor iz tega besedila; prepoznavanje govora in pogovorni modeli govor-v-govor imajo ločene naloge.
Proizvajalčev katalog vsakemu glasu določa profil podajanja. Glas Ara je topel in prijazen, glas Eve je živahen z britanskim naglasom, glas Rex pa je opisan kot jasen in samozavesten. Glas in jezik sta v dokumentirani družini neodvisna: vgrajeni govorci lahko uporabljajo vsako podprto jezikovno izbiro. Vodnik navaja dvajset možnosti jezikovnih kod, vključno z regionalnimi različicami, in podpira tudi samodejno zaznavanje jezika. Poleg vgrajenih govorcev proizvajalec dokumentira prilagojene glasove za ponovno uporabo, ustvarjene iz referenčnega posnetka in izbrane z voice_id za celotno ali pretočno sintezo. Referenčni zvok lahko traja do 120 sekund; za zajem podajanja in intonacije je priporočenih 90–120 sekund čistega govora enega govorca. Referenco, ustvarjeni glasovni profil in ustvarjeni posnetek hranite kot ločene izdelke ter referenčno izvedbo prilagodite predvidenemu scenariju.
Pripravite končno govorjeno besedilo ter ohranite predvideni jezik imen in navedenih odlomkov. Pri pripovedovanem vodniku je uporabna vrstica: »Izberite temo, poslušajte kratek uvod in odprite razdelek, ki ga želite raziskati.« Če blagovna znamka ali strokovni izraz potrebuje določeno branje, lahko proizvajalčeve nastavitve zamenjav zagotovijo izgovorni zapis ali izgovarjavo IPA brez spremembe prikazanega izvornega besedila. Ločena možnost normalizacije besedila pretvarja zapisana števila, okrajšave in simbole v njihovo govorjeno obliko.
Oznake znotraj besedila postavijo dogodek na določeno mesto, na primer premor, smeh, vzdih ali vdih. Ovojne oznake uporabijo način podajanja za celotno frazo, na primer šepetanje, poudarek ali počasnejši odlomek. Oznako postavite, kjer jo zahteva pomen, in ohranite berljive besede. Vodnik priporoča slogovne razpone celotnih fraz in ločila namesto kopičenja nepovezanih oznak.
Za izrazno vrstico lika pripravite govorjeni stavek in izvedbeni premik skupaj. Pri razlagi ohranite jasen ritem, ki poslušalcu pomaga slediti korakom. Dokumentirani razpon hitrosti govora je od 0,7 do 1,5, pri čemer 1,0 pomeni običajno podajanje. Izbira hitrosti spremeni govorni tempo; ne spremeni besed, ki jih mora aplikacija sporočiti.
Proizvajalec dokumentira izhod MP3, WAV, surovi PCM, mu-law in A-law. Podprte izbire frekvence vzorčenja segajo od 8 kHz do 48 kHz, s posebej navedenimi frekvencami med tema vrednostma. Njegova privzeta konfiguracija MP3 je 24 kHz pri 128 kbit/s. Uporabite zvočno predstavitev, ki jo predvideni predvajalnik, stopnja urejanja ali telefonska pot lahko razume.
Neobvezni časovni podatki znakov povežejo vrnjeno zaporedje znakov z začetnimi in končnimi časi. Brez zamenjav izgovarjave to zaporedje zrcali vnos; zamenjave ga lahko spremenijo v govorjeno besedilo. Podpirajo lahko prikaz za spremljanje branja, poudarjanje ali poravnavo z vizualno izvedbo. V poteku celotnega odgovora zahteva po časovnih podatkih spremeni izhod v ovoj, ki vsebuje kodirani zvok in časovne podatke. Časovne podatke in zvok obravnavajte kot povezan rezultat, zlasti kadar normalizacija besedila razširi pisni simbol v več govorjenih besed.
Proizvajalec ponuja pot celotne zahteve in dvosmerno pretakanje, pri katerem prihajajo drobci besedila, zvočni deli pa se vračajo med ustvarjanjem izjave. Dokumentira omejitev 60 000 znakov za celotno zahtevo in za posamezen pretočni drobec besedila. Dokončanje ali praznjenje izjave ima v pretočnem poteku izrecno vlogo.
Za daljšo pripoved izberite povezane meje odlomkov in z vsakim rezultatom ohranite scenarij. Pri interaktivnem predvajanju ločujte besedilo, poslano v sintezo, od zvoka, ki ga je poslušalec že slišal. Uporaben izdelek je ozvočen scenarij s premišljenimi izvedbenimi oznakami, ustreznim zvočnim formatom in časovnimi podatki, kadar jih aplikacija potrebuje. Scenarij, izbrani glas, izvedbene oznake in izhodne nastavitve hranite z zvokom, da poznejši popravki ohranijo želeno podajanje.
POST /v1/audio/speechtextaudio| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve x-ai/grok-voice-tts-1.0 | Privzeto— |
Poljeinput | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve Najmanjša dolžina: 1 Največja dolžina: 15.000 Enota: znaki Unicode | Privzeto— |
Poljevoice | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve eve, ara, rex, sal, leo | Privzeto— |
Poljeresponse_format | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve mp3 | Privzeto— |
text_to_speech · Obvezno: input
| Parameter | Specifikacija |
|---|---|
Parametercontent_type | Specifikacijaapplication/json |
Parameterrequired | Specifikacijamodel, input, voice, response_format |
Parametervoice_ids | Specifikacijaeve, ara, rex, sal, leo |
Parameterresponse_format | Specifikacijamp3 |
Parametermax_input_characters | Specifikacija15000 |
Parameterother_options | Specifikacijafalse |
Parameterinput | Specifikacijanatančno besedilo UTF-8; število znakov Unicode brez normalizacije |
Parametermaterial_types | Specifikacijatext |
Življenjski cikel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Dejansko vrnjeni task_id ali zapis v medijski knjižnici
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Izberite natančen glas iz profila tega modela.
Vhodni znaki in zvočne sekunde so različni merili porabe.
Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.
Vsak strošek povežite s prikazanimi pogoji. Za vsak nabor alternativnih nastavitev uporabite eno ceno.
| Nastavitev | Cenovna lestvica | Obračunana količina | Obračunska enota | Strošek |
|---|---|---|---|---|
| NastavitevOsnovne cene žetonov | Cenovna lestvicaOsnovna cena | Obračunana količina— | Obračunska enota— | Strošek Vhod · Vhodni žetoni — / 1K žetonov Izhod · Izhodni žetoni — / 1K žetonov Vhod · Branje predpomnilnika — / 1K žetonov Vhod · Zapis v predpomnilnik — / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
| NastavitevUltra | Cenovna lestvica— | Obračunana količinaVsaka kodna točka Unicode šteje kot en znak, vključno z znaki Han. | Obračunska enotana 1K vhodnih znakov | Strošek Vhod · vhodni znak $0.03 na 1K vhodnih znakov |
Referenčne lestvice modela ne spreminjajo izbire metode, ocen cen ali stroškov. Veljavni stroški uporabljajo cene izbrane metode Ailoot.
| Nastavitev | Obračunski pogoji | Strošek |
|---|---|---|
| NastavitevSpaceXAI: Grok Voice TTS 1.0 · Privzeta konfiguracija | Obračunski pogojiPrivzeta konfiguracija | Strošek Vhod · Vhodni znaki 0,00003 $ na vhodni znak |
Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
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\nShranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Shranite celoten binarni rezultat in glave. Če so vrnjeni podatki JSON ali več izhodov, shranite vsak podatkovni element in pridobite vsebino z vsakega dejanskega podpisanega URL datoteke.
Shranite izvirni operation_id/X-Client-Request-ID za uskladitev evidenc brez ponovnega pošiljanja; namenska pot za periodično preverjanje zvoka ne obstaja.
| Polje | Vrsta |
|---|---|
Poljebinary audio | Vrstabytes |
Poljeresponse headers | Vrstaheaders |
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametra | Naslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja. |
Odgovorserver_error | PogojVrnjeni odgovor navaja, da je treba operacijo ali rezultat preveriti | Naslednji korakShranite izvirni vrnjeni ID operacije/opravila, glave zahteve in odgovor; nadaljujte s podprtimi branji te izvirne operacije. Zahteve za ustvarjanje ne pošiljajte znova. |
Ailoot Ultra x-ai/grok-voice-tts-1.0
Uporabite zgoraj navedene poti metod.