Grok Text to Speech är Grok-röstfamiljens funktion för text till ljud. Tillverkaren dokumenterar uttrycksfulla inbyggda talare, infogade röstsignaler och utdataformat för medieuppspelning eller telefoniljud. Indata är taltexten som ska läsas upp tillsammans med val av röst och språk. Den resulterande inspelningen är tal från denna text; taligenkänning och samtalsmodeller för tal till tal har separata uppgifter.
Producentkatalogen ger varje röst en framförandeprofil. Ara är varm och vänlig, Eve är munter med brittisk accent och Rex beskrivs som tydlig och självsäker. Röst och språk är oberoende i den dokumenterade familjen: inbyggda talare kan använda varje språkval som stöds. Guiden listar tjugo alternativ för språkkoder, inklusive regionala varianter, och stöder också automatisk språkidentifiering. Vid sidan av inbyggda talare dokumenterar producenten återanvändbara anpassade röster som skapas från en referensinspelning och väljs med voice_id för fullständig eller strömmande syntes. Referensljudet kan vara upp till 120 sekunder; 90–120 sekunder rent tal med en enda talare rekommenderas för att fånga framförande och intonation. Håll referensen, den skapade röstprofilen och den genererade inspelningen som separata leveranser och matcha referensframförandet med det avsedda manuset.
Förbered den slutliga talade ordalydelsen och bevara det avsedda språket för namn och citerade avsnitt. En användbar replik i en uppläst guide är: ”Välj ett ämne, lyssna på den korta introduktionen och öppna avsnittet du vill utforska.” Om ett varumärkesnamn eller en specialistterm behöver en viss läsning kan tillverkarens ersättningskontroller tillhandahålla en omskrivning av stavningen eller ett IPA-uttal utan att ändra den visade källtexten. Ett separat alternativ för textnormalisering omvandlar skrivna tal, förkortningar och symboler mot deras talade form.
Infogade taggar placerar en händelse vid en viss punkt, till exempel en paus, ett skratt, en suck eller ett andetag. Omslutande taggar tillämpar framförande på en hel fras, till exempel viskning, betoning eller ett långsammare avsnitt. Placera signalen där innebörden kräver den och håll orden läsbara. Guiden rekommenderar stilmarkeringar för hela fraser och interpunktion i stället för en stapel orelaterade taggar.
Förbered den talade meningen och skiftet i framförande tillsammans för en uttrycksfull karaktärsreplik. Behåll en tydlig rytm för en förklaring så att lyssnaren kan följa stegen. Det dokumenterade talhastighetsintervallet är 0.7 till 1.5, med 1.0 som normalt framförande. Ett hastighetsval ändrar taltempot; det ändrar inte de ord som applikationen ska förmedla.
Producenten dokumenterar utdata i MP3, WAV, rå PCM, mu-law och A-law. Val av samplingsfrekvens som stöds sträcker sig från 8 kHz till 48 kHz, med specifikt listade frekvenser mellan dessa värden. Standardkonfigurationen för MP3 är 24 kHz vid 128 kbit/s. Använd en ljudrepresentation som den avsedda spelaren, redigeringssteget eller telefonivägen kan tolka.
Valfri teckentiming kopplar den returnerade teckensekvensen till start- och sluttider. Utan uttalsersättningar speglar sekvensen indata; ersättningar kan ändra den till den talade texten. Den kan stödja en medläsningsvy, markering eller synkronisering med ett visuellt framförande. I arbetsflödet med komplett svar ändrar en begäran om tidsinformation utdata till ett svarsobjekt som innehåller kodat ljud och timingdata. Behandla tidsinformationen och ljudet som ett par, särskilt när textnormalisering utvecklar en skriven symbol till flera talade ord.
Tillverkaren erbjuder en väg för kompletta begäranden och dubbelriktad strömning där textfragment kommer in och ljuddelar returneras medan yttrandet genereras. Den dokumenterar en gräns på 60 000 tecken för en komplett begäran och för ett enskilt strömmat textfragment. Att slutföra eller rensa ett yttrande har en uttrycklig roll i strömningsarbetsflödet.
Välj sammanhängande avsnittsgränser för längre berättarröst och spara manuset tillsammans med varje resultat. Skilj text som skickats för syntes från ljud som lyssnaren redan har hört vid interaktiv uppspelning. Den användbara leveransen är ett uppläst manus med avsiktliga framförandesignaler, ett lämpligt ljudformat och timingdata när applikationen behöver det. Spara manus, vald röst, framförandesignaler och utdatainställningar tillsammans med ljudet så att senare revideringar bevarar det avsedda framförandet.
", "aboutText": "Grok Text to Speech är Grok-röstfamiljens funktion för text till ljud. Tillverkaren dokumenterar uttrycksfulla inbyggda talare, infogade röstsignaler och utdataformat för medieuppspelning eller telefoniljud. Indata är taltexten som ska läsas upp tillsammans med val av röst och språk. Den resulterande inspelningen är tal från denna text; taligenkänning och samtalsmodeller för tal till tal har separata uppgifter.\n\n### Röst, språk och taltext\n\nProducentkatalogen ger varje röst en framförandeprofil. Ara är varm och vänlig, Eve är munter med brittisk accent och Rex beskrivs som tydlig och självsäker. Röst och språk är oberoende i den dokumenterade familjen: inbyggda talare kan använda varje språkval som stöds. Guiden listar tjugo alternativ för språkkoder, inklusive regionala varianter, och stöder också automatisk språkidentifiering. Vid sidan av inbyggda talare dokumenterar producenten återanvändbara anpassade röster som skapas från en referensinspelning och väljs med voice_id för fullständig eller strömmande syntes. Referensljudet kan vara upp till 120 sekunder; 90–120 sekunder rent tal med en enda talare rekommenderas för att fånga framförande och intonation. Håll referensen, den skapade röstprofilen och den genererade inspelningen som separata leveranser och matcha referensframförandet med det avsedda manuset.\n\nFörbered den slutliga talade ordalydelsen och bevara det avsedda språket för namn och citerade avsnitt. En användbar replik i en uppläst guide är: ”Välj ett ämne, lyssna på den korta introduktionen och öppna avsnittet du vill utforska.” Om ett varumärkesnamn eller en specialistterm behöver en viss läsning kan tillverkarens ersättningskontroller tillhandahålla en omskrivning av stavningen eller ett IPA-uttal utan att ändra den visade källtexten. Ett separat alternativ för textnormalisering omvandlar skrivna tal, förkortningar och symboler mot deras talade form.\n\n### Framförandesignaler\n\nInfogade taggar placerar en händelse vid en viss punkt, till exempel en paus, ett skratt, en suck eller ett andetag. Omslutande taggar tillämpar framförande på en hel fras, till exempel viskning, betoning eller ett långsammare avsnitt. Placera signalen där innebörden kräver den och håll orden läsbara. Guiden rekommenderar stilmarkeringar för hela fraser och interpunktion i stället för en stapel orelaterade taggar.\n\nFörbered den talade meningen och skiftet i framförande tillsammans för en uttrycksfull karaktärsreplik. Behåll en tydlig rytm för en förklaring så att lyssnaren kan följa stegen. Det dokumenterade talhastighetsintervallet är 0.7 till 1.5, med 1.0 som normalt framförande. Ett hastighetsval ändrar taltempot; det ändrar inte de ord som applikationen ska förmedla.\n\n### Ljud och tidsinformation\n\nProducenten dokumenterar utdata i MP3, WAV, rå PCM, mu-law och A-law. Val av samplingsfrekvens som stöds sträcker sig från 8 kHz till 48 kHz, med specifikt listade frekvenser mellan dessa värden. Standardkonfigurationen för MP3 är 24 kHz vid 128 kbit/s. Använd en ljudrepresentation som den avsedda spelaren, redigeringssteget eller telefonivägen kan tolka.\n\nValfri teckentiming kopplar den returnerade teckensekvensen till start- och sluttider. Utan uttalsersättningar speglar sekvensen indata; ersättningar kan ändra den till den talade texten. Den kan stödja en medläsningsvy, markering eller synkronisering med ett visuellt framförande. I arbetsflödet med komplett svar ändrar en begäran om tidsinformation utdata till ett svarsobjekt som innehåller kodat ljud och timingdata. Behandla tidsinformationen och ljudet som ett par, särskilt när textnormalisering utvecklar en skriven symbol till flera talade ord.\n\n### Fullständig eller strömmande generering\n\nTillverkaren erbjuder en väg för kompletta begäranden och dubbelriktad strömning där textfragment kommer in och ljuddelar returneras medan yttrandet genereras. Den dokumenterar en gräns på 60 000 tecken för en komplett begäran och för ett enskilt strömmat textfragment. Att slutföra eller rensa ett yttrande har en uttrycklig roll i strömningsarbetsflödet.\n\nVälj sammanhängande avsnittsgränser för längre berättarröst och spara manuset tillsammans med varje resultat. Skilj text som skickats för syntes från ljud som lyssnaren redan har hört vid interaktiv uppspelning. Den användbara leveransen är ett uppläst manus med avsiktliga framförandesignaler, ett lämpligt ljudformat och timingdata när applikationen behöver det. Spara manus, vald röst, framförandesignaler och utdatainställningar tillsammans med ljudet så att senare revideringar bevarar det avsedda framförandet.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2143faa457f7f9a09d9c6e9a2345745b52bac53041a5fe5085125a1e0705f256", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "x-ai/grok-voice-tts-1.0Grok Text to Speech omvandlar skriven text till uttrycksfullt ljud med valbara röster, infogade framförandesignaler och flera ljudkodekar. Den dokumenterade producentfamiljen stöder fullständigt och strömmande tal samt valfri tidsinformation på teckennivå.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Grok Text to Speech är Grok-röstfamiljens funktion för text till ljud. Tillverkaren dokumenterar uttrycksfulla inbyggda talare, infogade röstsignaler och utdataformat för medieuppspelning eller telefoniljud. Indata är taltexten som ska läsas upp tillsammans med val av röst och språk. Den resulterande inspelningen är tal från denna text; taligenkänning och samtalsmodeller för tal till tal har separata uppgifter.
Producentkatalogen ger varje röst en framförandeprofil. Ara är varm och vänlig, Eve är munter med brittisk accent och Rex beskrivs som tydlig och självsäker. Röst och språk är oberoende i den dokumenterade familjen: inbyggda talare kan använda varje språkval som stöds. Guiden listar tjugo alternativ för språkkoder, inklusive regionala varianter, och stöder också automatisk språkidentifiering. Vid sidan av inbyggda talare dokumenterar producenten återanvändbara anpassade röster som skapas från en referensinspelning och väljs med voice_id för fullständig eller strömmande syntes. Referensljudet kan vara upp till 120 sekunder; 90–120 sekunder rent tal med en enda talare rekommenderas för att fånga framförande och intonation. Håll referensen, den skapade röstprofilen och den genererade inspelningen som separata leveranser och matcha referensframförandet med det avsedda manuset.
Förbered den slutliga talade ordalydelsen och bevara det avsedda språket för namn och citerade avsnitt. En användbar replik i en uppläst guide är: ”Välj ett ämne, lyssna på den korta introduktionen och öppna avsnittet du vill utforska.” Om ett varumärkesnamn eller en specialistterm behöver en viss läsning kan tillverkarens ersättningskontroller tillhandahålla en omskrivning av stavningen eller ett IPA-uttal utan att ändra den visade källtexten. Ett separat alternativ för textnormalisering omvandlar skrivna tal, förkortningar och symboler mot deras talade form.
Infogade taggar placerar en händelse vid en viss punkt, till exempel en paus, ett skratt, en suck eller ett andetag. Omslutande taggar tillämpar framförande på en hel fras, till exempel viskning, betoning eller ett långsammare avsnitt. Placera signalen där innebörden kräver den och håll orden läsbara. Guiden rekommenderar stilmarkeringar för hela fraser och interpunktion i stället för en stapel orelaterade taggar.
Förbered den talade meningen och skiftet i framförande tillsammans för en uttrycksfull karaktärsreplik. Behåll en tydlig rytm för en förklaring så att lyssnaren kan följa stegen. Det dokumenterade talhastighetsintervallet är 0.7 till 1.5, med 1.0 som normalt framförande. Ett hastighetsval ändrar taltempot; det ändrar inte de ord som applikationen ska förmedla.
Producenten dokumenterar utdata i MP3, WAV, rå PCM, mu-law och A-law. Val av samplingsfrekvens som stöds sträcker sig från 8 kHz till 48 kHz, med specifikt listade frekvenser mellan dessa värden. Standardkonfigurationen för MP3 är 24 kHz vid 128 kbit/s. Använd en ljudrepresentation som den avsedda spelaren, redigeringssteget eller telefonivägen kan tolka.
Valfri teckentiming kopplar den returnerade teckensekvensen till start- och sluttider. Utan uttalsersättningar speglar sekvensen indata; ersättningar kan ändra den till den talade texten. Den kan stödja en medläsningsvy, markering eller synkronisering med ett visuellt framförande. I arbetsflödet med komplett svar ändrar en begäran om tidsinformation utdata till ett svarsobjekt som innehåller kodat ljud och timingdata. Behandla tidsinformationen och ljudet som ett par, särskilt när textnormalisering utvecklar en skriven symbol till flera talade ord.
Tillverkaren erbjuder en väg för kompletta begäranden och dubbelriktad strömning där textfragment kommer in och ljuddelar returneras medan yttrandet genereras. Den dokumenterar en gräns på 60 000 tecken för en komplett begäran och för ett enskilt strömmat textfragment. Att slutföra eller rensa ett yttrande har en uttrycklig roll i strömningsarbetsflödet.
Välj sammanhängande avsnittsgränser för längre berättarröst och spara manuset tillsammans med varje resultat. Skilj text som skickats för syntes från ljud som lyssnaren redan har hört vid interaktiv uppspelning. Den användbara leveransen är ett uppläst manus med avsiktliga framförandesignaler, ett lämpligt ljudformat och timingdata när applikationen behöver det. Spara manus, vald röst, framförandesignaler och utdatainställningar tillsammans med ljudet så att senare revideringar bevarar det avsedda framförandet.
POST /v1/audio/speechtextaudio| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser x-ai/grok-voice-tts-1.0 | Standard— |
Fältinput | Typstring | KravObligatoriskt | Värden & gränser Minsta längd: 1 Maximal längd: 15 000 Enhet: Unicode-tecken | Standard— |
Fältvoice | Typstring | KravObligatoriskt | Värden & gränser eve, ara, rex, sal, leo | Standard— |
Fältresponse_format | Typstring | KravObligatoriskt | Värden & gränser mp3 | Standard— |
text_to_speech · Krävs: input
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input, voice, response_format |
Parametervoice_ids | Avtaleve, ara, rex, sal, leo |
Parameterresponse_format | Avtalmp3 |
Parametermax_input_characters | Avtal15000 |
Parameterother_options | Avtalfalse |
Parameterinput | Avtalexakt UTF-8-text; antal Unicode-tecken utan normalisering |
Parametermaterial_types | Avtaltext |
Livscykel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Det task_id som faktiskt returnerades eller en post i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Välj den exakta rösten från denna modellprofil.
Indatatecken och ljudsekunder är olika mätenheter.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Debiterbar mängd | Debiteringsenhet | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Debiterbar mängd— | Debiteringsenhet— | Avgift Indata · Indatatoken — / 1K token Utdata · Utdatatoken — / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationUltra | Prislista— | Debiterbar mängdVarje Unicode-kodpunkt räknas som ett tecken, även Han-tecken. | Debiteringsenhetper 1K indatatecken | Avgift Indata · indatatecken $0.03 per 1K indatatecken |
Referensprislistor på modellnivå ändrar inte metodval, prisuppgifter eller avgifter. Aktiva avgifter använder priserna för den valda Ailoot-metoden.
| Konfiguration | Debiteringsvillkor | Avgift |
|---|---|---|
| KonfigurationSpaceXAI: Grok Voice TTS 1.0 · Standardkonfiguration | DebiteringsvillkorStandardkonfiguration | Avgift Indata · Indatatecken 0,00003 US$ per indatatecken |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
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\nBehåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela det binära resultatet och dess headers. Om JSON eller flera resultat returneras ska du behålla varje dataobjekt och hämta innehållet via varje faktisk signerad URL till en resurs.
Behåll de ursprungliga värdena för operation_id/X-Client-Request-ID för avstämning utan att skicka förfrågan igen; det finns ingen särskild rutt för statusavläsning av ljud.
| Fält | Typ |
|---|---|
Fältbinary audio | Typbytes |
Fältresponse headers | Typheaders |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Svarserver_error | VillkorDet returnerade svaret anger att operationen eller resultatet behöver kontrolleras | Nästa stegSpara det ursprungliga operations- eller uppgifts-ID som returnerades, förfrågans headers och svaret. Fortsätt att läsa den ursprungliga operationen med de läsmetoder som stöds. Skicka inte skapandeförfrågan igen. |
Ailoot Ultra x-ai/grok-voice-tts-1.0
Använd metodsökvägarna som visas ovan.