原生透传层

文生音 TTS

把文本合成为语音，直接返回音频流。请求体原样转发给 Grok，报错是官方原文。

POST/xai/v1/tts

端点

http

POST /xai/v1/tts
GET  /xai/v1/tts/voices              # 音色列表
GET  /xai/v1/tts/voices/{voice_id}   # 单个音色详情
WSS  /xai/v1/tts                     # 流式合成，见总览

这是 原生透传路径。同一能力在 OpenAI 兼容层的写法见文生音 TTS（OpenAI 兼容）。

同字段的无前缀路径

/v1/tts 用的是完全相同的字段名（不转换），区别只是报错会被包成 OpenAI 信封 {"error":{"message":...}}。

想要 xAI 原文报错 → 用本页的 /xai/v1/tts
想要统一错误格式、又不想改字段名 → 用 /v1/tts

请求

bash

curl -X POST https://api.wxiai.com/xai/v1/tts \
  -H "Authorization: Bearer $WXIAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "你好，这是一段语音合成测试。",
    "voice_id": "eve",
    "language": "zh"
  }' \
  --output speech.mp3

请求参数

参数	必填	说明
`text`	是	要合成的文本，最长 15,000 字符。支持语音标签
`language`	是	BCP-47 语言码（`en`、`zh`、`pt-BR`）或 `auto` 自动识别。大小写不敏感
`voice_id`	否	音色 ID，不传默认 `eve`。大小写不敏感
`speed`	否	语速倍率，0.7–1.5，默认 `1.0`
`output_format`	否	输出编码，见总览。不传默认 MP3 / 24 kHz / 128 kbps
`with_timestamps`	否	为 `true` 时返回 JSON 信封，含 base64 音频 + 逐字符时间戳
`text_normalization`	否	为 `true` 时先把数字、缩写、符号转成口语形式再合成
`optimize_streaming_latency`	否	流式合成的延迟档位：`0`（默认，不做优化、音质最好）、`1`（首包更小、块边界有轻微音质损失）。官方指南另提到 `2`
`replace`	否	发音替换表，见 TTS 总览

原生路径不认 OpenAI 的字段名

input、voice、response_format 只兼容层有效。原生层写它们会被原样转发给 Grok 并报缺字段。

官方字段是 text、voice_id、output_format。

成功时返回音频二进制流，Content-Type 取决于 output_format.codec：

curl 用 --output speech.mp3 存文件
别用 response.json()，会解析失败

例外：传了 with_timestamps: true 时改成返回 application/json：

json

{
  "audio": "<base64 音频>",
  "content_type": "audio/mpeg",
  "duration": 0.92,
  "audio_timestamps": {
    "graph_chars": ["H", "e", "l", "l", "o"],
    "graph_times": [
      [0.00, 0.06], [0.06, 0.12], [0.12, 0.18], [0.18, 0.24], [0.24, 0.34]
    ]
  }
}

graph_chars[i] 与 graph_times[i] 按下标一一对应。按下标遍历 graph_chars，不要用下标去切原始文本——开了 text_normalization 时一个符号可能被读成好几个词，时间只记在它的第一个字符上。

音色

说明
默认音色	`eve`
内置音色	至少 26 个，常用示例值：`eve`、`ara`、`rex`、`leo`
大小写	不敏感，`eve` / `Eve` / `EVE` 都能用

bash

curl https://api.wxiai.com/xai/v1/tts/voices \
  -H "Authorization: Bearer $WXIAI_API_KEY"

返回每个音色的 voice_id、name、language。完整清单、语言表、语音标签、输出格式、发音替换与自定义音色见音频处理总览。

这一层的注意点

language 是必填的：不传直接报参数错误。不想指定就传 auto。
voice_id 不是 voice：写错了在原生层是「字段缺失」，不是「音色不存在」。
传了 text 之外的字段不会本地报错：原生层不做校验，错误由 Grok 返回。
url 类参数没有：TTS 是同步返回音频流，不产生临时链接。

文生音 TTS

端点 ​

请求 ​

请求参数 ​

返回 ​

音色 ​

这一层的注意点 ​

相关页 ​

端点

请求

请求参数

返回

音色

这一层的注意点

相关页