SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech เปลี่ยนข้อความเขียนเป็นเสียงที่ถ่ายทอดอารมณ์ ด้วยเสียงที่เลือกได้ คำบอกการแสดงภายในข้อความ และโคเดกเอาต์พุตหลายแบบ ตระกูลของผู้พัฒนาตามเอกสารรองรับเสียงแบบเต็มและสตรีม พร้อมตัวเลือกข้อมูลเวลาระดับอักขระ

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Grok Text to Speech เป็นความสามารถแปลงข้อความเป็นเสียงของตระกูลเสียง Grok ผู้ผลิตระบุผู้พูดในตัวที่ถ่ายทอดอารมณ์ คำบอกการใช้เสียงภายในข้อความ และรูปแบบเอาต์พุตที่เหมาะกับการเล่นสื่อหรือเสียงโทรศัพท์ อินพุตคือข้อความที่จะพูด พร้อมตัวเลือกเสียงและภาษา เสียงบันทึกที่ได้เป็นคำพูดจากข้อความนั้น ส่วนโมเดลรู้จำเสียงและโมเดลแปลงเสียงเป็นเสียงแบบสนทนามีงานแยกกัน

เสียง ภาษา และข้อความที่จะพูด

รายการของผู้พัฒนาระบุลักษณะการถ่ายทอดของแต่ละเสียง Ara อบอุ่นและเป็นมิตร Eve ร่าเริงพร้อมสำเนียงอังกฤษ และ Rex ถูกอธิบายว่าชัดเจนและมั่นใจ ในตระกูลตามเอกสาร เสียงกับภาษาเป็นอิสระต่อกัน ผู้พูดในตัวใช้แต่ละตัวเลือกภาษาที่รองรับได้ คู่มือระบุตัวเลือกรหัสภาษายี่สิบรายการ รวมรูปแบบภูมิภาค และรองรับการตรวจภาษาอัตโนมัติด้วย นอกจากผู้พูดในตัว ผู้พัฒนายังระบุเสียงกำหนดเองที่สร้างจากเสียงบันทึกอ้างอิงแล้วใช้ซ้ำได้ โดยเลือกผ่าน voice_id สำหรับการสังเคราะห์แบบเต็มหรือสตรีม เสียงอ้างอิงยาวได้สูงสุด 120 วินาที แนะนำคำพูดสะอาดจากผู้พูดคนเดียวยาว 90–120 วินาทีเพื่อเก็บวิธีถ่ายทอดและน้ำเสียง เก็บเสียงอ้างอิง โปรไฟล์เสียงที่สร้าง และเสียงบันทึกที่สร้างเป็นผลงานคนละชิ้น และให้การแสดงในเสียงอ้างอิงตรงกับบทที่ต้องการ

เตรียมถ้อยคำสุดท้ายที่จะพูด โดยรักษาภาษาตามตั้งใจของชื่อและย่อหน้าที่ยกมา สำหรับคู่มือบรรยาย ตัวอย่างประโยคคือ “เลือกหัวข้อ ฟังบทนำสั้น ๆ แล้วเปิดส่วนที่ต้องการสำรวจ” หากชื่อแบรนด์หรือศัพท์เฉพาะต้องอ่านแบบใดแบบหนึ่ง ตัวควบคุมการแทนที่ของผู้ผลิตให้การสะกดใหม่หรือการออกเสียง IPA ได้โดยไม่เปลี่ยนข้อความต้นทางที่แสดง ตัวเลือกปรับรูปแบบข้อความอีกส่วนเปลี่ยนตัวเลข คำย่อ และสัญลักษณ์ที่เขียนให้เข้าใกล้รูปที่จะพูด

คำบอกการแสดง

แท็กภายในข้อความวางเหตุการณ์ ณ จุดหนึ่ง เช่น หยุด หัวเราะ ถอนหายใจ หรือหายใจ ส่วนแท็กที่ครอบข้อความใช้วิธีถ่ายทอดกับวลีทั้งวลี เช่น กระซิบ เน้น หรือพูดช้าลง วางคำบอกตรงจุดที่ความหมายต้องการและรักษาคำให้อ่านง่าย คู่มือแนะนำการกำหนดสไตล์ครอบวลีที่สมบูรณ์และใช้เครื่องหมายวรรคตอน แทนการซ้อนแท็กที่ไม่เกี่ยวกัน

สำหรับบทตัวละครที่ถ่ายทอดอารมณ์ ให้เตรียมประโยคพูดและจุดเปลี่ยนการแสดงร่วมกัน สำหรับคำอธิบาย ให้รักษาจังหวะชัดเจนที่ช่วยผู้ฟังตามขั้นตอน ช่วงอัตราการพูดตามเอกสารคือ 0.7 ถึง 1.5 โดย 1.0 คือการถ่ายทอดปกติ การเลือกความเร็วเปลี่ยนจังหวะการพูด ไม่ได้เปลี่ยนคำที่แอปพลิเคชันควรสื่อสาร

เสียงและข้อมูลเวลา

ผู้พัฒนาระบุเอาต์พุต MP3, WAV, PCM ดิบ, mu-law และ A-law ตัวเลือกอัตราสุ่มตัวอย่างที่รองรับครอบคลุม 8 kHz ถึง 48 kHz โดยมีค่าเฉพาะระหว่างนั้นตามรายการ การตั้งค่า MP3 เริ่มต้นคือ 24 kHz ที่ 128 kbit/s ใช้รูปแบบแทนเสียงที่เครื่องเล่น ขั้นแก้ไข หรือเส้นทางโทรศัพท์ปลายทางตีความได้

ข้อมูลเวลาระดับอักขระที่เลือกใช้ได้เชื่อมลำดับอักขระที่คืนมากับเวลาเริ่มและจบ หากไม่มีการแทนที่การออกเสียง ลำดับนั้นตรงกับอินพุต การแทนที่อาจเปลี่ยนเป็นข้อความที่พูดจริง ข้อมูลนี้ใช้กับการแสดงให้อ่านตาม การไฮไลต์ หรือการจัดแนวกับการแสดงภาพได้ ในเวิร์กโฟลว์คำตอบแบบเต็ม การขอข้อมูลเวลาจะเปลี่ยนเอาต์พุตเป็นโครงสร้างห่อหุ้มข้อมูลที่มีเสียงเข้ารหัสและข้อมูลเวลา ให้ถือข้อมูลเวลากับเสียงเป็นผลลัพธ์คู่กัน โดยเฉพาะเมื่อการปรับรูปแบบข้อความขยายสัญลักษณ์ที่เขียนหนึ่งตัวเป็นคำพูดหลายคำ

การสร้างแบบเต็มหรือสตรีม

ผู้ผลิตมีเส้นทางคำขอแบบเต็มและสตรีมมิงสองทาง โดยชิ้นข้อความส่งเข้ามาและชังก์เสียงส่งกลับระหว่างสร้างคำพูด เอกสารระบุขีดจำกัด 60,000 อักขระสำหรับคำขอเต็มและสำหรับชิ้นข้อความแต่ละชิ้นที่สตรีม การจบหรือเคลียร์ชุดคำพูดมีบทบาทชัดเจนในเวิร์กโฟลว์สตรีมมิง

สำหรับการบรรยายยาว ให้เลือกขอบเขตย่อหน้าที่ต่อเนื่องและเก็บบทกับแต่ละผลลัพธ์ สำหรับการเล่นเชิงโต้ตอบ ให้แยกข้อความที่ส่งไปสังเคราะห์จากเสียงที่ผู้ฟังได้ยินแล้ว ผลงานที่มีประโยชน์คือบทที่ถ่ายทอดเป็นเสียง พร้อมคำบอกการแสดงอย่างตั้งใจ รูปแบบเสียงเหมาะสม และข้อมูลเวลาเมื่อแอปพลิเคชันต้องใช้ เก็บบท เสียงที่เลือก คำบอกการแสดง และการตั้งค่าเอาต์พุตคู่กับเสียง เพื่อให้การแก้ภายหลังรักษาวิธีถ่ายทอดตามตั้งใจ

Ailoot Ultra · การสังเคราะห์เสียงพูด 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

เริ่มต้น

อินพุตที่รองรับ: ข้อความ
ผลลัพธ์: เสียง

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech

ขาเข้า: text
ขาออก: audio
รูปแบบเอาต์พุต: mp3

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด x-ai/grok-voice-tts-1.0	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 ความยาวสูงสุด: 15,000 หน่วย: อักขระ Unicode	ค่าเริ่มต้น—
ฟิลด์`voice`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด eve, ara, rex, sal, leo	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด mp3	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

text_to_speech · จำเป็น: input

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input, voice, response_format
พารามิเตอร์`voice_ids`	ข้อกำหนดeve, ara, rex, sal, leo
พารามิเตอร์`response_format`	ข้อกำหนดmp3
พารามิเตอร์`max_input_characters`	ข้อกำหนด15000
พารามิเตอร์`other_options`	ข้อกำหนดfalse
พารามิเตอร์`input`	ข้อกำหนดข้อความ UTF-8 ที่ตรงตามต้นฉบับ นับอักขระ Unicode โดยไม่ปรับรูปแบบมาตรฐาน
พารามิเตอร์`material_types`	ข้อกำหนดtext

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

เลือกเสียงที่ตรงตามโปรไฟล์ของโมเดลนี้

อักขระขาเข้าและวินาทีเสียงเป็นหน่วยวัดคนละแบบ

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	ปริมาณที่ใช้คิดค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	ปริมาณที่ใช้คิดค่าบริการ—	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าUltra	ตารางอัตราค่าบริการ—	ปริมาณที่ใช้คิดค่าบริการนับแต่ละโค้ดพอยต์ Unicode เป็นหนึ่งอักขระ รวมถึงอักษรฮั่น	หน่วยคิดค่าบริการต่ออักขระอินพุต 1K ตัว	ค่าบริการ ขาเข้า · อักขระขาเข้า $0.03 ต่ออักขระอินพุต 1K ตัว

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

SpaceXAI: Grok Voice TTS 1.0

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าSpaceXAI: Grok Voice TTS 1.0 · การตั้งค่าเริ่มต้น	เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น	ค่าบริการ ขาเข้า · อักขระอินพุต US$0.00003 ต่ออักขระอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การสังเคราะห์เสียงพูด

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

รับและบันทึกผลลัพธ์

Ailoot Ultra · การสังเคราะห์เสียงพูด

mp3

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

การอ่านเนื้อหาแบบอื่น

คลังสื่อสถานะงานรายละเอียดไฟล์สื่อ

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

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`binary audio`	ประเภทbytes
ฟิลด์`response headers`	ประเภทheaders

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง	ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่
การตอบกลับ`server_error`	เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์	ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

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

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

x-ai/grok-voice-tts-1.0

FAQ · SpaceXAI: Grok Voice TTS 1.0

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: model, input, voice, response_format
มีข้อจำกัดใดบ้าง?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: input.maximum_length: 15000

SpaceXAI: Grok Voice TTS 1.0