SpaceXAI: Grok Voice TTS 1.0

SpaceXAI: Grok Voice TTS 1.0 è un modello text-to-speech di xAI, elencato su api14 nella categoria speech. Prende testo scritto e lo trasforma in audio parlato, il che lo rende adatto a qualsiasi workload in cui si dispone già di testo e si necessita di una traccia vocale anziché di una risposta testuale. L'id del modello è x-ai/grok-voice-tts-1.0, ed è stato rilasciato dal provider il 2026-05-15.

Il modello accetta testo come unica modalità di input e produce parlato come unica modalità di output. Supporta il rilevamento automatico della lingua e può parlare in più di 20 lingue, quindi non è necessario dichiarare una lingua in anticipo per input misti o sconosciuti. Sono disponibili cinque voci integrate: eve, ara, rex, sal e leo. La finestra di contesto è di 15.000 token, con un output massimo di 13.500 token, il che limita la quantità di testo che è possibile inviare in una singola richiesta.

Queste capacità indicano un insieme piuttosto specifico di utilizzi. Narrazione e voiceover per articoli, documentazione o testi di prodotto sono quelli più ovvi, dato che è possibile inserire direttamente il testo di origine e ottenere l'audio indietro. Poiché il rilevamento della lingua è automatico, la stessa integrazione può servire contenuti multilingue senza instradare le richieste in base alla locale. Le cinque voci permettono di assegnare un parlante coerente per progetto, canale o personaggio. Funzionalità di accessibilità come la lettura ad alta voce per testi lunghi, e versioni audio di risposte di chat o assistenti, derivano anch'esse direttamente da un modello text-in, speech-out con una generosa capacità di input.

Lo si chiama tramite l'API compatibile con OpenAI di api14 usando l'id del modello x-ai/grok-voice-tts-1.0, quindi il codice client in stile OpenAI esistente funziona con un cambio di nome del modello e di base URL. Il modello non espone parametri di richiesta regolabili oltre a quelli definiti dall'endpoint stesso, quindi non c'è temperatura, top_p o una superficie di campionamento simile da configurare. La selezione della voce è la leva principale a disposizione, scelta tra le cinque voci elencate. Pianifica le tue richieste tenendo conto del contesto di 15.000 token e del limite di output di 13.500 token.

Se il tuo compito è la generazione di testo, la classificazione, il ragionamento o qualsiasi cosa che restituisca parole anziché audio, questo è il modello sbagliato, poiché il parlato è il suo unico output. Non sarà utile nemmeno quando devi trascrivere audio esistente, perché il testo è il suo unico input. Per quei casi, considera invece un modello di testo o speech-to-text. Nel suo ambito, tuttavia, è una scelta semplice quando hai bisogno di output parlato in una delle voci e lingue supportate.