SpaceXAI: Grok Voice TTS 1.0

SpaceXAI : Grok Voice TTS 1.0 est un modèle de synthèse vocale de xAI, répertorié sur api14 dans la catégorie speech. Il prend du texte écrit et le transforme en audio parlé, ce qui le rend adapté à toute charge de travail où vous disposez déjà de texte et avez besoin d'une piste vocale plutôt que d'une réponse textuelle. L'identifiant du modèle est x-ai/grok-voice-tts-1.0, et il a été publié par le fournisseur le 2026-05-15.

Le modèle accepte le texte comme seule modalité d'entrée et produit de la parole comme seule modalité de sortie. Il prend en charge la détection automatique de la langue et peut parler dans plus de 20 langues, vous n'avez donc pas à déclarer une langue au préalable pour une entrée mixte ou inconnue. Cinq voix intégrées sont disponibles : eve, ara, rex, sal et leo. La fenêtre de contexte est de 15 000 tokens, avec une sortie maximale de 13 500 tokens, ce qui limite la quantité de texte que vous pouvez transmettre en une seule requête.

Ces capacités renvoient à un ensemble d'usages assez spécifique. La narration et la voix off pour des articles, de la documentation ou des textes produits sont les plus évidents, puisque vous pouvez injecter directement le texte source et récupérer l'audio. Comme la détection de la langue est automatique, la même intégration peut servir du contenu multilingue sans acheminer les requêtes par locale. Les cinq voix vous permettent d'attribuer un locuteur cohérent par projet, canal ou personnage. Les fonctionnalités d'accessibilité telles que la lecture à voix haute pour du texte long, et les versions audio des réponses de chat ou d'assistant, découlent aussi directement d'un modèle texte en entrée, parole en sortie avec une large allowance d'entrée.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle x-ai/grok-voice-tts-1.0, donc le code client existant de style OpenAI fonctionne avec un changement de nom de modèle et d'URL de base. Le modèle n'expose aucun paramètre de requête ajustable au-delà de ce que le point de terminaison lui-même définit, il n'y a donc pas de température, de top_p ou de surface d'échantillonnage similaire à configurer. La sélection de la voix est le principal levier dont vous disposez, parmi les cinq voix listées. Planifiez vos requêtes en fonction du contexte de 15 000 tokens et du plafond de sortie de 13 500 tokens.

Si votre tâche est la génération de texte, la classification, le raisonnement ou tout ce qui renvoie des mots plutôt que de l'audio, ce n'est pas le bon modèle, car la parole est sa seule sortie. Il ne vous aidera pas non plus lorsque vous devez transcrire de l'audio existant, car le texte est sa seule entrée. Pour ces cas, tournez-vous plutôt vers un modèle de texte ou de speech-to-text. Dans son périmètre, cependant, c'est un choix simple lorsque vous avez besoin d'une sortie parlée dans l'une des voix et langues prises en charge.