SpaceXAI: Grok Voice TTS 1.0

SpaceXAI: Grok Voice TTS 1.0, xAI का एक text-to-speech मॉडल है, जो api14 पर speech श्रेणी के अंतर्गत सूचीबद्ध है। यह लिखित text लेता है और उसे बोले गए audio में बदल देता है, जो इसे ऐसे किसी भी workload के लिए उपयुक्त बनाता है जहाँ आपके पास पहले से text हो और आपको text प्रतिक्रिया के बजाय voice track चाहिए। मॉडल id x-ai/grok-voice-tts-1.0 है, और इसे provider ने 2026-05-15 को जारी किया था।

मॉडल अपने एकमात्र input modality के रूप में text स्वीकार करता है और अपने एकमात्र output modality के रूप में speech उत्पन्न करता है। यह स्वचालित भाषा पहचान का समर्थन करता है और 20 से अधिक भाषाओं में बोल सकता है, इसलिए मिश्रित या अज्ञात input के लिए आपको पहले से भाषा घोषित करने की आवश्यकता नहीं है। पाँच अंतर्निहित voices उपलब्ध हैं: eve, ara, rex, sal और leo। context window 15,000 tokens है, अधिकतम output 13,500 tokens के साथ, जो यह सीमित करता है कि आप एक ही request में कितना text सौंप सकते हैं।

ये क्षमताएँ उपयोगों के काफी विशिष्ट समूह की ओर संकेत करती हैं। लेखों, दस्तावेज़ीकरण या product copy के लिए narration और voiceover स्पष्ट उदाहरण हैं, क्योंकि आप source text सीधे दे सकते हैं और audio वापस पा सकते हैं। चूँकि भाषा पहचान स्वचालित है, वही integration बहुभाषी content की सेवा locale के अनुसार requests को route किए बिना कर सकता है। पाँच voices आपको प्रति project, channel या character एक सुसंगत speaker निर्दिष्ट करने देती हैं। Accessibility सुविधाएँ जैसे long-form text के लिए read-aloud, और chat या assistant replies के audio संस्करण, भी बड़े input allowance वाले text-in, speech-out मॉडल से सीधे निकलती हैं।

आप इसे api14 के OpenAI-compatible API के माध्यम से मॉडल id x-ai/grok-voice-tts-1.0 का उपयोग करके कॉल करते हैं, इसलिए मौजूदा OpenAI-style client code मॉडल नाम और base URL बदलने के साथ काम करता है। मॉडल endpoint द्वारा स्वयं परिभाषित किए गए के अलावा कोई tunable request parameter उजागर नहीं करता, इसलिए configure करने के लिए कोई temperature, top_p या समान sampling surface नहीं है। Voice चयन आपके पास मुख्य lever है, जो सूचीबद्ध पाँच voices से लिया जाता है। अपनी requests की योजना 15,000 token context और 13,500 token output सीमा के आसपास बनाएँ।

यदि आपका कार्य text generation, classification, reasoning या ऐसा कुछ भी है जो audio के बजाय शब्द लौटाता है, तो यह गलत मॉडल है, क्योंकि speech इसका एकमात्र output है। यह तब भी मदद नहीं करेगा जब आपको मौजूदा audio को transcribe करना हो, क्योंकि text इसका एकमात्र input है। उन मामलों के लिए, बजाय इसके किसी text या speech-to-text मॉडल को देखें। हालाँकि, अपने दायरे के भीतर, यह एक सीधा विकल्प है जब आपको समर्थित voices और भाषाओं में से किसी एक में spoken output चाहिए।