SpaceXAI: Grok Voice TTS 1.0

SpaceXAI: Grok Voice TTS 1.0 adalah model text-to-speech dari xAI, yang terdaftar di api14 dalam kategori speech. Model ini menerima teks tertulis dan mengubahnya menjadi audio lisan, sehingga cocok untuk beban kerja apa pun di mana Anda sudah memiliki teks dan membutuhkan trek suara alih-alih respons teks. Id modelnya adalah x-ai/grok-voice-tts-1.0, dan dirilis oleh penyedia pada 2026-05-15.

Model ini menerima teks sebagai satu-satunya modalitas input dan menghasilkan speech sebagai satu-satunya modalitas output. Model ini mendukung deteksi bahasa otomatis dan dapat berbicara dalam lebih dari 20 bahasa, jadi Anda tidak perlu mendeklarasikan bahasa di awal untuk input campuran atau yang tidak diketahui. Lima suara bawaan tersedia: eve, ara, rex, sal dan leo. Context window-nya adalah 15.000 token, dengan output maksimum 13.500 token, yang membatasi berapa banyak teks yang dapat Anda serahkan dalam satu permintaan.

Kemampuan tersebut mengarah pada serangkaian penggunaan yang cukup spesifik. Narasi dan voiceover untuk artikel, dokumentasi atau copy produk adalah yang paling jelas, karena Anda dapat memasukkan teks sumber langsung dan mendapatkan audio kembali. Karena deteksi bahasa bersifat otomatis, integrasi yang sama dapat melayani konten multibahasa tanpa merutekan permintaan berdasarkan locale. Kelima suara memungkinkan Anda menetapkan pembicara yang konsisten per proyek, kanal atau karakter. Fitur aksesibilitas seperti read-aloud untuk teks panjang, dan versi audio dari balasan chat atau asisten, juga langsung mengikuti dari model text-in, speech-out dengan alokasi input yang besar.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan id model x-ai/grok-voice-tts-1.0, sehingga kode klien bergaya OpenAI yang ada dapat bekerja dengan mengubah nama model dan base URL. Model ini tidak mengekspos parameter permintaan yang dapat disetel di luar apa yang didefinisikan oleh endpoint itu sendiri, jadi tidak ada temperature, top_p atau permukaan sampling serupa untuk dikonfigurasi. Pemilihan suara adalah tuas utama yang Anda miliki, diambil dari lima suara yang terdaftar. Rencanakan permintaan Anda dengan mempertimbangkan context 15.000 token dan batas output 13.500 token.

Jika tugas Anda adalah pembuatan teks, klasifikasi, penalaran atau apa pun yang mengembalikan kata-kata alih-alih audio, ini adalah model yang salah, karena speech adalah satu-satunya outputnya. Model ini juga tidak akan membantu ketika Anda perlu mentranskripsikan audio yang ada, karena teks adalah satu-satunya inputnya. Untuk kasus tersebut, lihat model teks atau speech-to-text sebagai gantinya. Namun dalam cakupannya, model ini adalah pilihan yang lugas ketika Anda membutuhkan output lisan dalam salah satu suara dan bahasa yang didukung.