SpaceXAI: Grok Voice TTS 1.0

SpaceXAI: Grok Voice TTS 1.0 to model zamiany tekstu na mowę od xAI, wymieniony na api14 w kategorii speech. Przyjmuje pisany tekst i zamienia go na mowę, co czyni go odpowiednim dla każdego zadania, w którym masz już tekst i potrzebujesz ścieżki audio, a nie odpowiedzi tekstowej. Identyfikator modelu to x-ai/grok-voice-tts-1.0, a został wydany przez dostawcę 2026-05-15.

Model przyjmuje tekst jako jedyny modalność wejściową i produkuje mowę jako jedyny modalność wyjściową. Obsługuje automatyczne wykrywanie języka i może mówić w ponad 20 językach, więc nie musisz z góry deklarować języka dla mieszanego lub nieznanego wejścia. Dostępnych jest pięć wbudowanych głosów: eve, ara, rex, sal i leo. Okno kontekstu wynosi 15 000 tokenów, z maksymalnym wyjściem 13 500 tokenów, co ogranicza ilość tekstu, jaką możesz przekazać w jednym żądaniu.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Narracja i voiceover do artykułów, dokumentacji lub tekstów produktowych są oczywiste, ponieważ możesz podać tekst źródłowy bezpośrednio i otrzymać audio z powrotem. Ponieważ wykrywanie języka jest automatyczne, ta sama integracja może obsługiwać treści wielojęzyczne bez kierowania żądań według lokalizacji. Pięć głosów pozwala przypisać spójnego mówcę dla projektu, kanału lub postaci. Funkcje dostępności, takie jak czytanie na głos długich tekstów oraz wersje audio odpowiedzi czatu lub asystenta, również wynikają bezpośrednio z modelu tekst na wejściu, mowa na wyjściu z dużym limitem wejścia.

Wywołujesz go przez API zgodne z OpenAI na api14, używając identyfikatora modelu x-ai/grok-voice-tts-1.0, więc istniejący kod klienta w stylu OpenAI działa po zmianie nazwy modelu i bazowego URL. Model nie udostępnia żadnych konfigurowalnych parametrów żądania poza tym, co definiuje sam endpoint, więc nie ma temperatury, top_p ani podobnej powierzchni próbkowania do skonfigurowania. Wybór głosu to główna dźwignia, jaką masz, czerpana z pięciu wymienionych głosów. Planuj swoje żądania wokół kontekstu 15 000 tokenów i limitu wyjścia 13 500 tokenów.

Jeśli twoim zadaniem jest generowanie tekstu, klasyfikacja, rozumowanie lub cokolwiek, co zwraca słowa, a nie audio, to jest zły model, ponieważ mowa jest jego jedynym wyjściem. Nie pomoże również, gdy potrzebujesz transkrypcji istniejącego audio, ponieważ tekst jest jego jedynym wejściem. W takich przypadkach spójrz na model tekstowy lub zamiany mowy na tekst. W swoim zakresie jest to jednak prosty wybór, gdy potrzebujesz wyjścia mówionego w jednym z obsługiwanych głosów i języków.