xAI: Grok Voice TTS

Grok Voice TTS crea voz a partir de texto escrito con una voz e idioma elegidos. Se adapta a la narración localizada, notificaciones habladas y aplicaciones que necesitan renderizar texto preparado como una respuesta de audio.

Comparar modelos

grok-voice-tts

DisponiblexAITexto a vozSíncrono

Entrada / Salida: $15.00 / $0.00
Modalidades: Audio

Sobre Grok Voice TTS

Grok Voice TTS es el modelo de texto a voz de xAI, que convierte texto escrito en audio hablado con una voz e idioma seleccionados. Las etiquetas integradas como pausas, risas y susurros moldean la entrega. Úselo para narraciones, notificaciones habladas y respuestas de audio localizadas donde el texto ya está escrito y no se requiere una conversación en vivo.

Puntos fuertes

Las etiquetas de voz integradas como [pause] y [laugh], además de etiquetas envolventes como 'whisper', permiten controlar la entrega dentro del propio texto.
Todas las voces integradas hablan los idiomas compatibles, por lo que una misma identidad de voz puede utilizarse en versiones localizadas del mismo contenido.
Las voces personalizadas pueden clonarse a partir de un clip de referencia corto para obtener voces de marca o de personajes.
Se pueden devolver marcas de tiempo a nivel de carácter para sincronizar subtítulos o el movimiento de los labios con el audio.

Cuándo buscar otra opción

Habla texto fijo; un interlocutor que interrumpe o responde necesita un modelo de voz conversacional en su lugar.
La calidad de salida para guiones largos depende de la puntuación y las etiquetas en el texto fuente, por lo que el texto generado por máquina sin editar puede sonar monótono.

Primeros pasos

Crear clave API
Genera una clave en Console y úsala con cualquier modelo de la plataforma.

Envía tu primera solicitud

Copia el ejemplo para tu lenguaje y ejecútalo contra el endpoint.

Texto a vozEndpoint de TokenLab

POST/v1/audio/speech

curl -X POST "https://api.tokenlab.sh/v1/audio/speech" \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{
  "language_code": "en",
  "operation": "tts",
  "response_format": "mp3",
  "voice": "eve",
  "model": "grok-voice-tts",
  "input": "Hello from TokenLab."
}'

Precios

El precio oficial es la línea base pública del creador del modelo. El precio de TokenLab es lo que pagas por este modelo en TokenLab.

Precios

Por millón de caracteres

Official: Entrada$15.00/1 M de caracteresSalida$0.00/1 M de caracteres
Precio Official: Entrada$15.00/1 M de caracteresSalida$0.00/1 M de caracteres

	Precio OfficialPor millón de caracteres	OfficialPor millón de caracteres	Descuento
Entrada	$15.00	$15.00	—
Salida	$0.00	$0.00	—

Uso y actividad

La tasa de éxito es la proporción de solicitudes completadas. La latencia es cuánto tarda una respuesta completa; P95 significa que el 95 % de las solicitudes terminaron dentro de ese tiempo.

Uso y disponibilidad

Últimas 24 horas

Solicitudes
Tasa de éxito
Latencia P95
Total de tokens

Desempeño del modelo

Última actualización 3 oct 2026, 19:21 UTC

Las métricas aparecerán una vez que se alcancen los umbrales de privacidad y volumen de datos.

Los datos se basan en solicitudes de usuario agregadas, excluyendo las comprobaciones de estado.

Abrir en Console

Abre Grok Voice TTS en Console con un prompt listo para editar o enviar.

Ayúdame a probar grok-voice-tts con una solicitud de audio breve en /v1/audio/speech. Muestra el resultado y el coste.

Casos de uso

Artículos y lecciones narradas
Convierta un artículo terminado o un guion de curso en una pista de audio, utilizando pausas para separar secciones.
Alertas habladas
Lea actualizaciones de pedidos o avisos de seguridad en el idioma del usuario a través de un códec de telefonía.
Videos de productos localizados
Ponga voz al mismo guion en varios idiomas con una voz elegida y luego utilice las marcas de tiempo para alinear los subtítulos.

Ejemplos de prompts

Lee este párrafo con una voz cálida y constante, y añade una breve [pause] después de cada frase.

Habla el siguiente aviso en francés y luego repítelo en alemán, usando la misma voz.

<whisper>Tu paquete ha sido enviado.</whisper> [pause] Debería llegar el jueves.

FAQ

¿Qué hace Grok Voice TTS?

Convierte texto en audio hablado. Usted elige una voz, opcionalmente un código de idioma y un formato de salida, y devuelve el audio del texto, incluyendo cualquier etiqueta expresiva que haya escrito en línea.

¿Qué formatos de audio puede producir?

MP3, WAV y PCM sin procesar, además de códecs de telefonía mu-law y A-law, con frecuencias de muestreo de 8 kHz a 48 kHz. Los códecs de telefonía se adaptan a los sistemas telefónicos; el MP3 es adecuado para la reproducción web y móvil.

¿Cuántos idiomas puede hablar?

xAI documenta veinte idiomas seleccionados por código BCP-47, con detección automática de idioma como alternativa. Cada voz integrada puede hablar todos los idiomas compatibles, por lo que cambiar de idioma no requiere una nueva voz.

¿Puedo transmitir audio mientras el texto aún está llegando?

Sí. Un endpoint WebSocket genera audio en tiempo real a medida que se envía el texto, lo cual ayuda cuando otro modelo aún está escribiendo la respuesta que será hablada.

¿Puedo corregir palabras mal pronunciadas?

Sí. Los reemplazos de pronunciación le permiten asignar un término escrito a cómo debería sonar, de modo que los nombres de marca y acrónimos se escuchen correctamente sin editar el texto mostrado.

¿Cuánto cuesta Grok Voice TTS?

En TokenLab, Grok Voice TTS cuesta Entrada $15.00 / Salida $0.00 Por millón de caracteres. La tabla de precios arriba muestra el desglose completo.

¿Qué endpoint debe usar Grok Voice TTS?

Utiliza https://api.tokenlab.sh/v1/audio/speech para Grok Voice TTS. El ejemplo de solicitud a continuación muestra la estructura de código correspondiente.

¿Qué operaciones soporta Grok Voice TTS?

Grok Voice TTS admite Texto a voz. Selecciona una operación arriba para ver su endpoint y ejemplo de solicitud.