每次请求可选择 Auto、TokenLab Verified 或 Official,并查看对应价格。 查看更新

xAI: Grok Voice TTS

Grok Voice TTS 按所选音色与语言将文字合成为语音,适合本地化旁白、语音通知,以及把预先准备的文字转成音频回复的应用。
对比模型
grok-voice-tts
可用xAI文本转语音同步
输入 / 输出
$15.00 / $0.00
模态
音频

Grok Voice TTS 简介

Grok Voice TTS 是 xAI 的语音合成模型,用选定的声音和语言把书面文字渲染成语音。停顿、笑声、耳语等行内标签可以调整表达方式。文本已经写好、不需要实时对话的旁白、语音通知和本地化音频回答,可以用它。

擅长的任务

  • [pause]、[laugh] 等行内语音标签,以及 whisper 这类包裹式标签,让你在文本内部控制表达。
  • 内置声音都能说支持的语言,所以同一内容的各本地化版本可以沿用同一个声音形象。
  • 可以用一小段参考音频克隆自定义声音,用作品牌或角色的声音。
  • 可以返回字符级时间戳,用来让字幕或口型与音频同步。

什么情况换别的模型

  • 它朗读固定的文本;来电者要打断或回话的场景,需要用对话式语音模型。
  • 长脚本的输出质量取决于源文本中的标点和标签,未经编辑的机器文本听起来可能平淡。

快速上手

  1. 创建 API 密钥

    在 Console 生成一把密钥,平台上的模型都能用。

  2. 发送第一个请求

    复制你所用语言的示例代码,向该端点发起请求。

    文本转语音TokenLab 端点
    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."
    }'

参数

文本转语音

参数可选值与限制默认值说明
input未提供未提供未提供
language_code未提供未提供This field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified.
operation未提供未提供未提供
response_formatmp3, wav, pcm未提供未提供
speed≥ 0.7, ≤ 1.5未提供The gateway accepts numbers from 0.25 to 4.0. The selected supplier can impose a narrower range. A uniform omitted-field default is not verified.
voicecarina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora, liora, ara, eve, leo, rex, sal未提供未提供
voice_id未提供未提供This field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified.

价格

Verified 价格用于 Verified,多数模型更便宜;Official 价格是模型厂商公布的价格,用于更稳定的 Official。Auto 按最终完成请求的线路计价。

价格

每百万字符
Verified 价格
—
Official 价格
输入$15.00/百万字符输出$0.00/百万字符

用量与动态

成功率是请求完成的比例;延迟是拿到一次完整响应要花的时间,P95 表示 95% 的请求都在这个时间内完成。

用量与可用性

最近 24 小时
请求
成功率
P95 延迟
总 token 数
模型表现
达到隐私和数据量阈值后,指标才会显示。

数据来自汇总的用户请求,不含状态检查。

直接在 Console 里试

Grok Voice TTS 已在 Console 备好,提示词已填好,可以直接修改或发送。

帮我用 grok-voice-tts 发起一条简短的音频请求,接口是 /v1/audio/speech。返回结果和费用。

使用场景

  • 文章与课程旁白

    把写好的文章或课程脚本转成音轨,用停顿分隔各个章节。

  • 语音提醒

    通过电话编解码器,用用户的语言朗读订单更新或安全通知。

  • 本地化产品视频

    用选定的同一种声音配音多种语言的同一份脚本,再用时间戳对齐字幕。

提示词示例

用温暖、平稳的声音朗读这一段,每句话后加一个短的 [pause]。

先用法语播报下面的通知,再用德语重复一遍,使用同一个声音。

<whisper>您的包裹已发出。</whisper> [pause] 预计周四送达。

FAQ

Grok Voice TTS 是做什么的?

它把文字转成语音音频。你选择声音,可选语言代码,再选输出格式,它就返回该文本的音频,包括你在行内写的各种表达标签。

它能输出哪些音频格式?

MP3、WAV 和原始 PCM,以及电话编解码器 mu-law 和 A-law,采样率 8 kHz 到 48 kHz。电话编解码器适合电话系统;MP3 适合网页和移动端播放。

它能说多少种语言?

xAI 文档标明有二十种语言,通过 BCP-47 代码选择,也可以改用自动语言检测。每种内置声音都能说所有支持的语言,所以切换语言不需要换声音。

文字还在陆续到达时,能同时流式输出音频吗?

能。WebSocket 端点会在文字发送过来的同时实时生成音频,当另一个模型还在写要朗读的回复时,这很有用。

可以纠正读错的词吗?

可以。发音替换让你把书面术语映射为它应有的读音,所以品牌名和缩写能读对,而不必修改显示的文本。

Grok Voice TTS 的费用是多少?

在 TokenLab 上,Grok Voice TTS 的价格为 输入 $15.00 / 输出 $0.00 每百万字符。完整明细见上方价格表。

Grok Voice TTS 应该使用哪个端点?

Grok Voice TTS 使用 https://api.tokenlab.sh/v1/audio/speech。代码写法见下方的请求示例。

Grok Voice TTS 支持哪些操作?

Grok Voice TTS 支持 文本转语音。选了操作,上面会显示对应的端点和请求示例。

Grok Voice TTS 对比

资料来源

审阅于 2026年10月2日

更多 Grok Voice 模型

相关模型