SpaceXAI: Grok Voice TTS 1.0

SpaceXAI: Grok Voice TTS 1.0 es un modelo de texto a voz de xAI, listado en api14 dentro de la categoría speech. Toma texto escrito y lo convierte en audio hablado, lo que lo hace adecuado para cualquier carga de trabajo en la que ya tengas texto y necesites una pista de voz en lugar de una respuesta de texto. El id del modelo es x-ai/grok-voice-tts-1.0, y fue lanzado por el proveedor el 2026-05-15.

El modelo acepta texto como su única modalidad de entrada y produce habla como su única modalidad de salida. Admite detección automática de idioma y puede hablar en más de 20 idiomas, así que no tienes que declarar un idioma de antemano para entradas mixtas o desconocidas. Hay cinco voces integradas disponibles: eve, ara, rex, sal y leo. La ventana de contexto es de 15.000 tokens, con una salida máxima de 13.500 tokens, lo que limita cuánto texto puedes entregar en una sola solicitud.

Esas capacidades apuntan a un conjunto de usos bastante específico. La narración y la locución para artículos, documentación o textos de producto son los más obvios, ya que puedes introducir el texto de origen directamente y obtener audio de vuelta. Como la detección de idioma es automática, la misma integración puede servir contenido multilingüe sin enrutar solicitudes por configuración regional. Las cinco voces te permiten asignar un hablante consistente por proyecto, canal o personaje. Las funciones de accesibilidad, como la lectura en voz alta para texto de formato largo, y las versiones de audio de respuestas de chat o asistente, también se derivan directamente de un modelo de entrada de texto y salida de habla con un amplio margen de entrada.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id del modelo x-ai/grok-voice-tts-1.0, así que el código de cliente de estilo OpenAI existente funciona con un cambio de nombre de modelo y URL base. El modelo no expone parámetros de solicitud ajustables más allá de lo que define el propio endpoint, así que no hay temperature, top_p ni una superficie de muestreo similar que configurar. La selección de voz es la palanca principal que tienes, extraída de las cinco voces listadas. Planifica tus solicitudes en torno al contexto de 15.000 tokens y al límite de salida de 13.500 tokens.

Si tu tarea es generación de texto, clasificación, razonamiento o cualquier cosa que devuelva palabras en lugar de audio, este es el modelo equivocado, ya que el habla es su única salida. Tampoco te ayudará cuando necesites transcribir audio existente, porque el texto es su única entrada. Para esos casos, busca un modelo de texto o de voz a texto. Dentro de su alcance, sin embargo, es una elección sencilla cuando necesitas salida hablada en una de las voces e idiomas admitidos.