SpaceXAI: Grok Voice TTS 1.0

SpaceXAI: Grok Voice TTS 1.0 är en text-till-tal-modell från xAI, listad på api14 under kategorin speech. Den tar skriven text och omvandlar den till talat ljud, vilket gör den lämplig för alla arbetsbelastningar där du redan har text och behöver ett röstspår istället för ett textsvar. Modell-id är x-ai/grok-voice-tts-1.0, och den släpptes av leverantören 2026-05-15.

Modellen accepterar text som sin enda indatamodalitet och producerar tal som sin enda utdatamodalitet. Den stöder automatisk språkidentifiering och kan tala över 20 språk, så du behöver inte ange ett språk i förväg för blandad eller okänd indata. Fem inbyggda röster finns tillgängliga: eve, ara, rex, sal och leo. Kontextfönstret är 15 000 tokens, med en maximal utdata på 13 500 tokens, vilket begränsar hur mycket text du kan skicka in i en enskild begäran.

Dessa funktioner pekar mot en ganska specifik uppsättning användningsområden. Berättarröst och voiceover för artiklar, dokumentation eller produkttexter är de uppenbara, eftersom du kan mata in källtexten direkt och få ljud tillbaka. Eftersom språkidentifieringen är automatisk kan samma integration betjäna flerspråkigt innehåll utan att dirigera begäranden efter språk. De fem rösterna låter dig tilldela en konsekvent talare per projekt, kanal eller karaktär. Tillgänglighetsfunktioner som uppläsning för lång text, och ljudversioner av chatt- eller assistentsvar, följer också direkt av en modell med text in och tal ut med en stor indatagräns.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id x-ai/grok-voice-tts-1.0, så befintlig klientkod i OpenAI-stil fungerar med ett byte av modellnamn och bas-URL. Modellen exponerar inga justerbara begärandeparametrar utöver vad slutpunkten själv definierar, så det finns ingen temperatur, top_p eller liknande samplingsyta att konfigurera. Röstval är den främsta hävstången du har, hämtad från de fem listade rösterna. Planera dina begäranden kring kontexten på 15 000 tokens och utdatataket på 13 500 tokens.

Om din uppgift är textgenerering, klassificering, resonemang eller något som returnerar ord istället för ljud, är detta fel modell, eftersom tal är dess enda utdata. Den hjälper inte heller när du behöver transkribera befintligt ljud, eftersom text är dess enda indata. För dessa fall, titta på en text- eller tal-till-text-modell istället. Inom sitt område är den dock ett enkelt val när du behöver talad utdata i en av de stödda rösterna och språken.