SpaceXAI: Grok Voice TTS 1.0

SpaceXAI: Grok Voice TTS 1.0 é um modelo de texto para fala da xAI, listado na api14 sob a categoria speech. Ele recebe texto escrito e o transforma em áudio falado, o que o torna adequado para qualquer carga de trabalho em que você já tenha texto e precise de uma faixa de voz em vez de uma resposta em texto. O id do modelo é x-ai/grok-voice-tts-1.0, e foi lançado pelo provedor em 2026-05-15.

O modelo aceita texto como sua única modalidade de entrada e produz fala como sua única modalidade de saída. Ele suporta detecção automática de idioma e consegue falar em mais de 20 idiomas, então você não precisa declarar um idioma de antemão para entradas mistas ou desconhecidas. Cinco vozes integradas estão disponíveis: eve, ara, rex, sal e leo. A janela de contexto é de 15.000 tokens, com saída máxima de 13.500 tokens, o que limita quanto texto você pode entregar em uma única requisição.

Essas capacidades apontam para um conjunto bastante específico de usos. Narração e voiceover para artigos, documentação ou textos de produto são os mais óbvios, já que você pode inserir o texto de origem diretamente e receber o áudio de volta. Como a detecção de idioma é automática, a mesma integração pode atender conteúdo multilíngue sem rotear requisições por localidade. As cinco vozes permitem atribuir um falante consistente por projeto, canal ou personagem. Recursos de acessibilidade, como leitura em voz alta para textos longos, e versões em áudio de respostas de chat ou assistente, também decorrem diretamente de um modelo de entrada em texto e saída em fala com uma grande margem de entrada.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo x-ai/grok-voice-tts-1.0, então código de cliente no estilo OpenAI existente funciona com uma mudança de nome de modelo e URL base. O modelo não expõe parâmetros de requisição ajustáveis além do que o próprio endpoint define, então não há temperatura, top_p ou superfície de amostragem semelhante para configurar. A seleção de voz é a principal alavanca que você tem, extraída das cinco vozes listadas. Planeje suas requisições em torno do contexto de 15.000 tokens e do teto de saída de 13.500 tokens.

Se sua tarefa é geração de texto, classificação, raciocínio ou qualquer coisa que retorne palavras em vez de áudio, este é o modelo errado, já que fala é sua única saída. Ele também não ajudará quando você precisar transcrever áudio existente, porque texto é sua única entrada. Para esses casos, procure um modelo de texto ou de fala para texto. Dentro de seu escopo, porém, é uma escolha direta quando você precisa de saída falada em uma das vozes e idiomas suportados.