SpaceXAI: Grok Voice TTS 1.0

SpaceXAI: Grok Voice TTS 1.0 ist ein Text-zu-Sprache-Modell von xAI, das auf api14 unter der Kategorie speech gelistet ist. Es nimmt geschriebenen Text und wandelt ihn in gesprochenes Audio um, was es für jede Arbeitslast geeignet macht, bei der bereits Text vorliegt und eine Sprachspur statt einer Textantwort benötigt wird. Die Modell-ID ist x-ai/grok-voice-tts-1.0, und es wurde vom Anbieter am 2026-05-15 veröffentlicht.

Das Modell akzeptiert Text als einzige Eingabemodalität und erzeugt Sprache als einzige Ausgabemodalität. Es unterstützt automatische Spracherkennung und kann über mehr als 20 Sprachen sprechen, sodass Sie für gemischte oder unbekannte Eingaben keine Sprache im Voraus angeben müssen. Fünf integrierte Stimmen sind verfügbar: eve, ara, rex, sal und leo. Das Kontextfenster beträgt 15.000 Tokens, mit einer maximalen Ausgabe von 13.500 Tokens, was begrenzt, wie viel Text Sie in einer einzelnen Anfrage übergeben können.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungen hin. Narration und Voiceover für Artikel, Dokumentation oder Produkttexte sind die offensichtlichen, da Sie den Quelltext direkt einspeisen und Audio zurückerhalten können. Da die Spracherkennung automatisch erfolgt, kann dieselbe Integration mehrsprachige Inhalte bedienen, ohne Anfragen nach Locale weiterzuleiten. Die fünf Stimmen ermöglichen es Ihnen, jedem Projekt, Kanal oder Charakter einen konsistenten Sprecher zuzuweisen. Barrierefreiheitsfunktionen wie Vorlesen für Langtext und Audioversionen von Chat- oder Assistentenantworten ergeben sich ebenfalls direkt aus einem Text-in-Sprache-out-Modell mit großzügiger Eingabemenge.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID x-ai/grok-voice-tts-1.0 auf, sodass vorhandener Client-Code im OpenAI-Stil mit einer Änderung des Modellnamens und der Basis-URL funktioniert. Das Modell bietet keine abstimmbaren Anfrageparameter über das hinaus, was der Endpunkt selbst definiert, sodass es keine temperature, top_p oder ähnliche Sampling-Oberfläche zu konfigurieren gibt. Die Stimmauswahl ist der wichtigste Hebel, den Sie haben, gezogen aus den fünf aufgeführten Stimmen. Planen Sie Ihre Anfragen um den Kontext von 15.000 Tokens und die Ausgabeobergrenze von 13.500 Tokens herum.

Wenn Ihre Aufgabe Textgenerierung, Klassifizierung, Reasoning oder irgendetwas ist, das Wörter statt Audio zurückgibt, ist dies das falsche Modell, da Sprache seine einzige Ausgabe ist. Es hilft auch nicht, wenn Sie vorhandenes Audio transkribieren müssen, da Text seine einzige Eingabe ist. Für diese Fälle sollten Sie stattdessen ein Text- oder Speech-to-Text-Modell in Betracht ziehen. Innerhalb seines Anwendungsbereichs ist es jedoch eine unkomplizierte Wahl, wenn Sie gesprochene Ausgabe in einer der unterstützten Stimmen und Sprachen benötigen.