SpaceXAI: Grok Voice TTS 1.0

SpaceXAI: Grok Voice TTS 1.0 は xAI のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。書き起こされたテキストを受け取り、それを音声に変換します。そのため、すでにテキストがあり、テキスト応答ではなく音声トラックが必要なあらゆるワークロードに適しています。モデル id は x-ai/grok-voice-tts-1.0 で、プロバイダーによって 2026-05-15 にリリースされました。

このモデルはテキストを唯一の入力モダリティとして受け取り、音声を唯一の出力モダリティとして生成します。自動言語検出をサポートし、20 を超える言語で話すことができるため、混在した入力や不明な入力に対して事前に言語を宣言する必要はありません。5 つの組み込み音声が利用できます: eve、ara、rex、sal、leo です。コンテキストウィンドウは 15,000 トークンで、最大出力は 13,500 トークンであり、これが 1 回のリクエストで渡せるテキスト量の上限を定めます。

これらの機能は、かなり特定の用途群を示しています。記事、ドキュメント、製品コピーのナレーションやボイスオーバーは明白な用途です。ソーステキストをそのまま入力して音声を返せるからです。言語検出が自動であるため、同じ統合でロケールごとにリクエストを振り分けることなく多言語コンテンツに対応できます。5 つの音声により、プロジェクト、チャネル、キャラクターごとに一貫した話者を割り当てられます。長文テキストの読み上げや、チャットやアシスタントの返信の音声版といったアクセシビリティ機能も、大きな入力許容量を持つテキスト入力、音声出力のモデルから直接導かれます。

これは api14 の OpenAI 互換 API を通じて、モデル id x-ai/grok-voice-tts-1.0 を使って呼び出します。そのため、既存の OpenAI 形式のクライアントコードは、モデル名とベース URL を変更すれば動作します。このモデルは、エンドポイント自体が定義するものを超えた調整可能なリクエストパラメータを公開していないため、temperature、top_p、または同様のサンプリング設定面はありません。音声の選択が主な調整手段であり、一覧にある 5 つの音声から選びます。15,000 トークンのコンテキストと 13,500 トークンの出力上限を前提にリクエストを計画してください。

タスクがテキスト生成、分類、推論、または音声ではなく言葉を返すものである場合、音声が唯一の出力であるため、これは誤ったモデルです。また、既存の音声を文字起こしする必要がある場合にも役立ちません。テキストが唯一の入力だからです。そのような場合は、テキストモデルまたは音声認識モデルを検討してください。ただし、その範囲内では、対応している音声と言語のいずれかで音声出力が必要な場合に、わかりやすい選択肢です。