SpaceXAI: Grok Voice TTS 1.0

Grok Text to Speech chuyển văn bản viết thành âm thanh giàu biểu cảm với các giọng đọc có thể lựa chọn, chỉ dẫn diễn xuất chèn trực tiếp và nhiều bộ mã hóa đầu ra. Họ sản phẩm được nhà sản xuất mô tả hỗ trợ giọng nói hoàn chỉnh và truyền trực tuyến, cùng tùy chọn mốc thời gian ở cấp ký tự.

Ailoot Ultra · Tổng hợp giọng nói POST /v1/audio/speech x-ai/grok-voice-tts-1.0

Về mô hình

Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.

Grok Text to Speech là khả năng chuyển văn bản thành âm thanh của họ giọng nói Grok. Nhà sản xuất mô tả các giọng có sẵn giàu biểu cảm, chỉ dẫn thể hiện giọng chèn trực tiếp và các định dạng đầu ra phù hợp để phát nội dung đa phương tiện hoặc âm thanh điện thoại. Đầu vào là lời thoại cần đọc, kèm lựa chọn giọng và ngôn ngữ. Bản ghi thu được là giọng nói đọc lời thoại đó; nhận dạng giọng nói và các mô hình hội thoại chuyển giọng nói thành giọng nói đảm nhận những tác vụ riêng.

Giọng, ngôn ngữ và lời đọc

Danh mục của nhà sản xuất cung cấp hồ sơ cách thể hiện cho từng giọng. Ara ấm áp và thân thiện, Eve vui tươi với giọng Anh, còn Rex được mô tả là rõ ràng và tự tin. Trong họ sản phẩm được mô tả, giọng và ngôn ngữ độc lập với nhau: các giọng có sẵn có thể sử dụng từng lựa chọn ngôn ngữ được hỗ trợ. Hướng dẫn liệt kê hai mươi lựa chọn mã ngôn ngữ, gồm các biến thể khu vực, và còn hỗ trợ tự động phát hiện ngôn ngữ. Ngoài các giọng có sẵn, nhà sản xuất mô tả giọng tùy chỉnh có thể tái sử dụng, được tạo từ bản ghi tham chiếu và chọn bằng voice_id để tổng hợp hoàn chỉnh hoặc truyền trực tuyến. Âm thanh tham chiếu có thể dài đến 120 giây; nhà sản xuất khuyến nghị 90–120 giây lời nói sạch của một người để nắm bắt cách thể hiện và ngữ điệu. Lưu bản tham chiếu, hồ sơ giọng đã tạo và bản ghi được sinh thành các sản phẩm riêng, đồng thời chọn cách thể hiện trong bản tham chiếu phù hợp với kịch bản dự kiến.

Chuẩn bị lời đọc chính xác, giữ nguyên ngôn ngữ dự kiến của tên riêng và các đoạn trích dẫn. Với một hướng dẫn có thuyết minh, có thể dùng câu: “Chọn một chủ đề, nghe phần giới thiệu ngắn và mở mục bạn muốn tìm hiểu.” Nếu tên thương hiệu hoặc thuật ngữ chuyên môn cần cách đọc cụ thể, các tùy chọn thay thế của nhà sản xuất có thể cung cấp cách viết gợi phát âm hoặc phiên âm IPA mà không thay đổi văn bản gốc được hiển thị. Một tùy chọn chuẩn hóa văn bản riêng chuyển số, chữ viết tắt và ký hiệu trong văn bản về dạng lời nói.

Chỉ dẫn diễn xuất

Thẻ chèn trực tiếp đặt một sự kiện tại vị trí cụ thể, chẳng hạn khoảng dừng, tiếng cười, tiếng thở dài hoặc nhịp thở. Thẻ bao quanh áp dụng cách thể hiện cho cả một cụm từ, ví dụ nói thầm, nhấn mạnh hoặc đọc chậm hơn một đoạn. Đặt chỉ dẫn ở nơi ý nghĩa đòi hỏi và giữ cho câu chữ dễ đọc. Hướng dẫn khuyến nghị áp dụng một phong cách cho trọn cụm từ và dùng dấu câu thay vì chồng nhiều thẻ không liên quan.

Với một câu thoại nhân vật giàu biểu cảm, chuẩn bị đồng thời lời nói và sự chuyển đổi cách thể hiện. Với phần giải thích, giữ nhịp rõ ràng để người nghe dễ theo dõi các bước. Phạm vi tốc độ nói được mô tả là từ 0.7 đến 1.5, trong đó 1.0 là tốc độ bình thường. Lựa chọn tốc độ thay đổi nhịp đọc; nó không thay đổi những từ mà ứng dụng cần truyền đạt.

Âm thanh và mốc thời gian

Nhà sản xuất mô tả đầu ra MP3, WAV, PCM thô, mu-law và A-law. Các lựa chọn tần số lấy mẫu được hỗ trợ trải từ 8 kHz đến 48 kHz, với những mức cụ thể được liệt kê giữa hai giá trị này. Cấu hình MP3 mặc định là 24 kHz ở 128 kbit/s. Dùng dạng biểu diễn âm thanh mà trình phát, công đoạn biên tập hoặc đường truyền điện thoại dự kiến có thể xử lý.

Mốc thời gian ký tự tùy chọn liên kết chuỗi ký tự trả về với thời điểm bắt đầu và kết thúc. Khi không có thay thế phát âm, chuỗi này phản ánh đầu vào; phép thay thế có thể đổi nó thành văn bản thực sự được đọc. Những mốc này có thể hỗ trợ giao diện đọc theo, tô sáng hoặc căn chỉnh với phần trình diễn trực quan. Trong quy trình phản hồi hoàn chỉnh, yêu cầu mốc thời gian làm đầu ra chuyển thành gói chứa âm thanh đã mã hóa và dữ liệu thời gian. Xem mốc thời gian và âm thanh là một cặp kết quả, đặc biệt khi chuẩn hóa văn bản mở rộng một ký hiệu viết thành nhiều từ được đọc.

Tạo hoàn chỉnh hoặc truyền trực tuyến

Nhà sản xuất cung cấp quy trình yêu cầu hoàn chỉnh và truyền trực tuyến hai chiều, trong đó các đoạn văn bản được gửi đến và các khối âm thanh được trả về trong lúc phát ngôn được tạo. Tài liệu quy định giới hạn 60,000 ký tự cho một yêu cầu hoàn chỉnh và cho từng đoạn văn bản truyền trực tuyến. Việc hoàn tất hoặc xóa một phát ngôn có vai trò tường minh trong quy trình truyền trực tuyến.

Với thuyết minh dài, chọn ranh giới đoạn có ý nghĩa và lưu kịch bản cùng từng kết quả. Với phát tương tác, phân biệt văn bản đã gửi để tổng hợp với âm thanh mà người nghe đã nghe. Sản phẩm hữu ích là kịch bản có giọng đọc với chỉ dẫn diễn xuất có chủ đích, định dạng âm thanh phù hợp và dữ liệu thời gian khi ứng dụng cần. Lưu kịch bản, giọng đã chọn, chỉ dẫn diễn xuất và thiết lập đầu ra cùng âm thanh để những lần sửa sau giữ được cách thể hiện dự kiến.

Ailoot Ultra · Tổng hợp giọng nói 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

Bắt đầu

Đầu vào được chấp nhận: Văn bản
Kết quả: Âm thanh

Có trên Ailoot · đầu vào & phương thức

Ailoot Ultra · Tổng hợp giọng nói POST /v1/audio/speech

Đầu vào: text
Đầu ra: audio
Định dạng đầu ra: mp3

Trường	Loại	Yêu cầu	Giá trị & giới hạn	Mặc định
Trường`model`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn x-ai/grok-voice-tts-1.0	Mặc định—
Trường`input`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn Độ dài tối thiểu: 1 Độ dài tối đa: 15.000 Đơn vị: ký tự Unicode	Mặc định—
Trường`voice`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn eve, ara, rex, sal, leo	Mặc định—
Trường`response_format`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn mp3	Mặc định—

Tổ hợp tư liệu đầu vào

text_to_speech · Bắt buộc: input

Tham số phương thức và vòng đời

Tham số	Hợp đồng
Tham số`content_type`	Hợp đồngapplication/json
Tham số`required`	Hợp đồngmodel, input, voice, response_format
Tham số`voice_ids`	Hợp đồngeve, ara, rex, sal, leo
Tham số`response_format`	Hợp đồngmp3
Tham số`max_input_characters`	Hợp đồng15000
Tham số`other_options`	Hợp đồngfalse
Tham số`input`	Hợp đồngvăn bản UTF-8 nguyên dạng; đếm ký tự Unicode mà không chuẩn hóa
Tham số`material_types`	Hợp đồngtext

Vòng đời: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Giá trị task_id thực tế đã trả về hoặc bản ghi trong thư viện nội dung đa phương tiện

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Chọn giọng nói chính xác từ hồ sơ mô hình này.

Ký tự đầu vào và giây âm thanh là các đơn vị đo tính phí khác nhau.

Bảng giá

Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.

Chế độ nhanh: Chưa chỉ định Khi chọn chế độ nhanh
Chế độ Flex: Chưa chỉ định Khi chọn chế độ flex
Mức độ suy luận tối đa: Chưa chỉ định Khi áp dụng mức điều chỉnh mặc định (default) cho mức độ suy luận tối đa

Mức phí Ailoot

Giá theo cấu hình

Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.

Cấu hình	Biểu mức phí	Lượng tính phí	Đơn vị tính phí	Phí
Cấu hìnhGiá cơ sở cho token	Biểu mức phíMức phí cơ bản	Lượng tính phí—	Đơn vị tính phí—	Phí Đầu vào · Token đầu vào — / 1K token Đầu ra · Token đầu ra — / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token
Cấu hìnhUltra	Biểu mức phí—	Lượng tính phíMỗi điểm mã Unicode được tính là một ký tự, bao gồm ký tự Hán (Han).	Đơn vị tính phímỗi 1K ký tự đầu vào	Phí Đầu vào · Ký tự đầu vào $0.03 mỗi 1K ký tự đầu vào

Chi tiết giá cước tham chiếu

Biểu tham chiếu cấp mô hình không thay đổi việc chọn phương thức, báo giá hoặc khoản phí. Khoản phí đang áp dụng dùng mức phí phương thức Ailoot đã chọn.

SpaceXAI: Grok Voice TTS 1.0

Giá theo cấu hình

Cấu hình	Điều kiện tính phí	Phí
Cấu hìnhSpaceXAI: Grok Voice TTS 1.0 · Cấu hình mặc định	Điều kiện tính phíCấu hình mặc định	Phí Đầu vào · Ký tự đầu vào 0,00003 US$ mỗi ký tự đầu vào

Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →

Ví dụ yêu cầu

Ailoot Ultra · Tổng hợp giọng nói

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

Nhận và lưu kết quả

Ailoot Ultra · Tổng hợp giọng nói

mp3

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

Lượt đọc nội dung khác

Thư viện phương tiệnTrạng thái tác vụChi tiết tài nguyên

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

Lưu tất cả kết quả đã hoàn tất

Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.

Giữ lại toàn bộ kết quả nhị phân và các header. Nếu phản hồi ở dạng JSON hoặc chứa nhiều đầu ra, giữ lại mọi phần tử dữ liệu và tải từng tài nguyên từ URL có chữ ký thực tế.

Nếu cần kiểm tra phản hồi gốc

Giữ lại operation_id/X-Client-Request-ID gốc để đối soát mà không gửi lại yêu cầu; không có tuyến truy vấn trạng thái riêng cho âm thanh.

Trường phản hồi

Trường	Loại
Trường`binary audio`	Loạibytes
Trường`response headers`	Loạiheaders

Lỗi và bước tiếp theo

Phản hồi	Điều kiện	Bước tiếp theo
Phản hồi400 · `invalid_request_error`	Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ	Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới.
Phản hồi`server_error`	Điều kiệnPhản hồi trả về cho biết thao tác hoặc kết quả cần được kiểm tra	Bước tiếp theoGiữ lại ID thao tác/tác vụ gốc đã trả về, các header của yêu cầu và toàn bộ phản hồi; tiếp tục truy xuất thao tác gốc đó bằng các phương thức được hỗ trợ. Không gửi lại yêu cầu tạo.

Bí danh

Bí danh mô hình

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

Bí danh đường dẫn phương thức

Dùng các đường dẫn phương thức hiển thị ở trên.

ID gọi liên quan

x-ai/grok-voice-tts-1.0

FAQ · SpaceXAI: Grok Voice TTS 1.0

Có những đầu vào và kết quả nào?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: text → audio
Yêu cầu sử dụng những trường nào?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: model, input, voice, response_format
Áp dụng những giới hạn nào?: POST /v1/audio/speech · x-ai/grok-voice-tts-1.0: input.maximum_length: 15000

SpaceXAI: Grok Voice TTS 1.0