


xAI TTS v1 是 xAI 的高保真文本转语音模型,可将书面内容转换为自然且富有表现力的音频。它支持 20 种语言,并提供精细的语音表达控制,帮助您根据不同应用定制语音效果。通过 Atlas Cloud,使用一个 OpenAI-compatible 密钥即可访问该模型,并享受透明的按量付费价格。立即开始构建。
xAI TTS V1 由 xAI 开发。Atlas Cloud(由 Atlas Cloud AI LLC 运营)仅提供接入服务,并不拥有该模型。所有商标均归其各自所有者所有。
Atlas Cloud 为您提供最新的行业领先创意模型。
探索该系列面向多语言语音应用的文本转语音和语音转文本能力。
| 模态 | 描述 |
|---|---|
| xAI TTS v1 API(文本转语音) | 在 20 种语言和超过 80 种声音之间,以亚秒级延迟将文本转换为自然、富有表现力的语音。精细的表达控制使该端点适用于语音助手、本地化旁白和响应迅速的音频体验。 |
| xAI STT v1 API(语音转文本) | 音频可转换为准确且格式规范的文本,并支持超过 24 种语言的自动语言检测。借助词级时间戳、说话人分离、多声道转录和逆文本规范化,可用于会议记录、字幕和通话分析。 |
xAI TTS v1 结合了富有表现力的语音标签、20 种受支持的语言、最长 15,000 个字符的脚本、5 种输出编解码器、可调节的流式延迟,以及通过一个 Atlas Cloud API 密钥实现的透明按字符计费。

使用 [pause] 等内联标签,以及 <whisper> 等包裹式风格标签,直接调用 xAI TTS v1 来塑造脚本中的语音表达。语音提示会在合成过程中解析,因此情绪、节奏和重音无需单独进行后期编辑。这种控制方式适合角色对白、品牌旁白、客服提示,以及任何需要富有表现力的时间节奏的生产场景。

从当前 Atlas Cloud schema 中超过 70 个音色标识符里进行选择,其中包含 5 个旨在覆盖所有受支持语言的多语言音色。你可以设置 20 个 BCP-47 语言选项之一,也可以使用自动检测;其他音色则针对其原生语言进行了优化。无需针对每个市场重建语音合成流程,即可本地化助手、教程、营销活动和服务消息。

单次请求支持最长 15,000 个字符的脚本,并可将语速设置为 0.7× 至 1.5×。可选的文本规范化功能会在合成前将书面数字、缩写和符号转换为口语形式。使用这些控制项,可以在保持长篇旁白清晰易懂的同时,匹配讲解视频、课程或配音的节奏,并统一在一个 API 工作流中完成。

将音频导出为 MP3、WAV、PCM、μ-law 或 A-law,采样率范围为 8 kHz 至 48 kHz。MP3 输出还支持 32 kbps 至 192 kbps 的比特率,让你能够在音质和文件大小之间取得平衡。你可以为媒体制作选择录音棚级设置,也可以为呼叫流程和嵌入式语音系统选择电话通信格式,以适配下游应用。

3 个延迟优化级别让 xAI TTS v1 在流式合成中权衡首个音频块大小与输出质量。Level 0 优先保证音频质量,而 Levels 1 和 2 则逐步缩短首个音频的生成时间,同时带来更明显的边界取舍。根据响应式语音代理、实时朗读或其他对延迟敏感的体验进行选择,因为这些场景都非常重视启动延迟。

通过一个 Atlas Cloud endpoint 和一个 API 密钥运行 xAI TTS v1,标准用量按每 1,000 个输入字符 $0.015 计费。Unicode 字符(包括 CJK 字符)均采用一致的计数方式,因此跨语言进行成本估算依然简单明了。这种按需付费模式既适合原型开发,也适合生产工作负载,并能让大规模使用时的支出与请求量保持相称。
了解三个 Atlas Cloud 视频模型如何解读完全相同的提示词,并比较它们在电影化对话、运动、构图、连贯性和视觉叙事方面的表现。
创建一个完整、精致、可交互的单文件 HTML 网页,标题为“云端热气球调度”。仅输出最终 HTML 文档,所有 CSS 和 JavaScript 必须内联。页面必须能在现代浏览器中直接打开并运行,无需构建步骤,也不得使用外部依赖、库、字体、CDN、图片 URL、API 或其他文件。这是一个响应式网页,而不是固定的 16:9 画面。 设计一个沉浸式的黎明时代热气球舰队控制站,将复古航空仪表、丝网印刷风格的地形图、触感纸张纹理、黄铜控制器和现代实时模拟相结合。使用由钴蓝、奶油黄、珊瑚红、暖白、炭黑和低饱和黄铜组成的精心分层配色。温暖的晨光应从左上角逐渐变亮。通过颜色、线条粗细、图案和清晰图例一致地表达高度、风层和危险等级。所有视觉元素都应使用 HTML、CSS、Canvas,并在适合的地方使用内联 SVG 以程序化方式生成。 中央区域必须是一个大型动态俯视空域地图,显示峡谷、等高线、至少十二个可独立识别的热气球、多个不断变化的风层、移动中的积雨云风暴系统、湍流区域,以及作为目的地的浮空灯塔。实现真正的轻量级物理模拟:每个热气球都必须跟踪位置、速度、高度、燃料、压舱物、温度、风险和航线历史;风向和风力必须随高度变化并随时间演化;燃烧器增加升力的同时消耗燃料;释放压舱物会使热气球上升,但会永久减少压舱物;冷却会导致下降;峡谷壁和风暴单元必须形成有实际影响的危险。热气球应持续移动,并留下可见且逐渐淡出的飞行轨迹。目标是在资源或时间耗尽前,引导整个舰队安全抵达灯塔。 在黎明时分加入醒目的发射倒计时,以及开始、暂停、继续、重置和模拟速度控制。发射前,热气球应轻微摇摆,仪器指针应抖动。发射后,动态展示风粒子、热气球运动、风暴增长、轨迹绘制、警告脉冲和光照变化。用户必须能够直接在地图上拖动风向节点,实时改变局部气流,并立即获得视觉和物理反馈。点击热气球后必须选中它、高亮其航线、在整个界面中集中显示其数据,并打开紧凑的详细检查器。为选中的热气球提供具有触感反馈的燃烧器和压舱物控制,包括按住不放的燃烧器行为、具有明确后果的压舱物释放操作、键盘快捷键和无障碍按钮。支持多选或舰队级指令,以满足高级玩法需求。 安排一个垂直侧边栏,使用任务卡片展示舰队目标、活动警报、天气简报和每个热气球的状态摘要。任务卡片应实时更新,并支持按安全、警告、危急、已抵达和已失联状态筛选。在底部放置密集但易读的遥测条,使用平滑滚动的 Canvas 图表展示高度、垂直速度、燃料、风暴距离和舰队进度。悬停或拖动图表时,应显示同步数值,并高亮选中热气球航线上的对应时刻。加入复古仪表、旋转指针、数字读数、警示灯、盖章标签、地图坐标、高度带、紧凑的小地图或概览图,以及清晰的图例。 使用响应式布局行为,而不是简单缩小桌面构图。在宽屏上同时显示侧边栏、中央地图、检查器和遥测面板。在平板上,将次要卡片折叠为标签页或抽屉。在移动设备上,优先显示地图和选中热气球的控制器,提供较大的触控目标,堆叠遥测面板,并保留拖动交互。确保页面能够在不同宽高比下优雅地填充视口,并支持鼠标、触摸和键盘操作。 让模拟体验完整:包括成功和失败条件、浮空灯塔处的动态抵达停靠、碰撞或风暴损失反馈、上下文提示、首次使用引导、空状态和禁用状态、不可逆压舱物释放的确认、重启流程、状态播报,以及包含抵达数、损失数、燃料效率、平均风险和耗时等统计数据的最终任务报告。为初始状态设置合理种子,让场景一开始就有趣,同时仍然可以获胜。适当使用 requestAnimationFrame 实现流畅动画,并使用 Canvas 绘制地图和遥测图表。保持渲染性能,使用 devicePixelRatio 确保 Canvas 清晰,正确处理 resize 事件,并避免控制台错误。 优先保证出色的视觉层级、细腻的微交互、可信的仪器行为、所有面板之间联动的状态,以及充分的细节打磨。不要创建静态模型图。不要使用占位矩形、将通用渐变作为完整设计、虚假的非功能控件、外部资源、外部字体、alert() 对话框、过多解释性文字、横向溢出、难以阅读的微小标签,或仅支持鼠标的交互。不要强制使用 16:9 Canvas 或固定尺寸视口。每个主要可见控件都必须正常工作,所有显示数据都必须来源于实时模拟状态。
Generated with Grok Imagine Video v1.5 Text-to-Video on Atlas Cloud
Generated with Seedance 2.0 Text-to-Video on Atlas Cloud
Generated with Grok Imagine Video v1.5 Developer Text-to-Video on Atlas Cloud
创建一个完整、精致的单文件交互式 HTML 网页,标题为“午夜自动化面包坊”,仅使用内联 HTML、CSS 和原生 JavaScript。输出完整且可运行的 HTML 文档,不要输出其他内容。不得使用外部库、框架、CDN、字体、图片、SVG 文件、音频文件、API 或网络请求;所有视觉元素、图标、类声音反馈、特效和游戏逻辑都必须使用本地 HTML/CSS/JS 生成。 构建一个以午夜自动化面包坊为背景、完全可游玩的订单调度游戏。面团块必须持续进入等距传送带系统,并明确区分形状、配方、所需烘烤温度、烘烤时长、新鲜度限制和分值。围绕大型中央工业烤箱、带可切换轨道的循环传送带网络,以及安装在侧面的实时仪表面板来组织界面。玩家必须能够在烤箱队列中拖动并重新排列面团,在适用时将面团拖到兼容的槽位,点击轨道开关重新规划进入中的面团路径,点击烤箱控制器调节温度或启用系统,并使用清晰说明的键盘控制临时加速传送带和紧急冷却。所有鼠标、触摸、点击、拖动和键盘交互都必须立即并以可见方式响应。 实现真正有状态的游戏玩法,而不是静态模型图。包括多个同时进行的面团订单、传送带移动、轨道路径规划、拖放碰撞与吸附验证、容量限制、每个物品的计时器、烤箱温度惯性、烘烤进度、未熟/完美/烤焦状态、分数、连击倍率、生命或声誉值、逐步升级的难度、暂停/继续、重启,以及简洁的交互式教程或帮助覆盖层。让配方制造有意义的调度冲突:不同产品需要不同温度和时长,从而鼓励重新安排队列,并策略性地进行冷却或加速。完美烘烤的面包应呈现诱人的金黄色,触发令人满足的粒子爆发,点亮面包坊展示窗,增加连击,并更新订单日志。失误应产生明显的焦黑面包、升起的烟雾和余烬粒子、警示灯、仪器抖动、连击丢失以及清晰的非音频反馈。提供可选的声音开关;启用时,使用完全由 JavaScript 生成的 Web Audio 模拟音频反馈,但即使静音,游戏也必须完全易于理解。 使用原创且统一的视觉语言,将细致的等距像素艺术与精密的工业仪表相结合。以深靛蓝午夜环境为背景,突出温暖的琥珀色炉火、铜色高光、发光面包和柔和的奶油色标签。通过 CSS 绘制的机械装置、砖格地面、管道、通风口、阴影、高光、像素阶梯边缘、细微扫描线、指示灯、分段显示屏、仪表、警示条纹和动态机械细节来营造景深。让中央烤箱充满生命感,具备闪烁的炉腔、炉门、温度旋钮、热浪和状态灯。使用高性能 CSS 和 JavaScript 动态呈现传送带、齿轮、面团移动、烟雾、火花、冷却蒸汽、窗口照明、连击反馈和面板过渡。即使在密集的控制室美学下,也要保持清晰易读和鲜明层级。 加入大量经过精心编排的内容:可游玩的面包坊地面、待处理订单队列、烤箱队列、配方参考、实时分数/连击显示、温度与吞吐量仪表、事件日志、控制说明、状态通知,以及包含详细结果和重玩操作的游戏结束或班次总结模态框。添加无障碍标签、清晰可见的焦点状态、键盘操作支持、减少动态效果支持,以及不依赖颜色的状态提示。让布局能够响应桌面、平板和移动浏览器,智能地重新排列面板并缩放面包坊,同时保持可用性。这是一个网页,因此不要强制使用固定的 16:9 Canvas 或硬编码的视口尺寸;使用流式响应式布局,让页面在常见宽屏显示器上尤其出色,同时也能优雅适配竖屏。 优先保证内容完整、游戏手感良好、状态管理可靠、计时准确、拖放处理稳健、碰撞规则清晰、过渡效果精致以及视觉反馈充分。页面必须在保存为单个 .html 文件并本地打开后立即运行。 避免使用:静态概念图、无功能仪表盘、占位控件、虚假的拖动交互、损坏的计时器、相互重叠的文字、难以阅读的微小标签、过多解释性文案、通用的扁平卡片、写实图像、外部资源、外部依赖、嵌入式 base64 图片、网络访问、构建步骤、多个文件、固定 16:9 尺寸、强制声音、自动播放音频、浏览器警告框、仅在控制台显示的反馈,以及未完成的 TODO 部分。
Generated with Grok Imagine Video v1.5 Text-to-Video on Atlas Cloud
Generated with Kling V3.0 Turbo Text-to-Video on Atlas Cloud
Generated with Grok Imagine Video v1.5 Developer Text-to-Video on Atlas Cloud
从响应迅速的语音代理到多语言旁白,xAI TTS v1 将产品文本转化为自然且富有表现力的语音,适用于客服、故事讲述、游戏、无障碍和商业体验。
xAI TTS v1 可将文本转换为自然语音,延迟低于一秒,为对响应速度要求较高的对话式代理提供支持。产品团队可以将其用于虚拟助手、客服流程和语音交互界面。
通过自然语音和超过 80 种声音,覆盖使用 20 种语言的用户。经过本地化的应用可以用适合不同受众的声音呈现引导流程、更新信息和操作指南。
通过精细的表达控制和富有表现力的语音塑造旁白,使其贴合每个场景的预期氛围。出版商、播客创作者和学习平台可以制作个性鲜明的故事、课程和长篇听觉内容体验。
从超过 80 种声音中为游戏角色赋予独特声线,再针对每个时刻调整其表达方式。游戏工作室可以为对白、教程、伙伴角色和动态叙事片段配音。
将书面内容转换为自然语音,服务于偏好或需要通过音频获取信息的人群。教育团队、出版商和产品设计师可以大规模添加语音文章、课程、说明和界面操作指引。
利用富有表现力的语音和精细的表达控制,以一致的声音呈现产品、促销活动和订单更新。电商团队可以为购物助手和客户沟通创建音频触点。
按语言覆盖范围、请求容量、交付控制能力和标准价格,对比 Atlas Cloud 上提供的主流文本转语音模型。
| 模型 | 语言 | 单次请求最大文本量 | 交付控制 | 标准价格 |
|---|---|---|---|---|
| xAI TTS v1 | 20 | 15,000 个字符 | 语音标签和速度控制 | $0.015/1K 个字符 |
| MiniMax Speech 2.6 Turbo | 40+ | 10,000 个字符 | 情绪、速度和音调控制 | $0.06/1K 个字符 |
| ElevenLabs v3 Text-to-Speech | 70+ | 5,000 个字符 | 音频标签和稳定性控制 | $0.10/1K 个字符 |
几分钟即可上手 — 按照以下简单步骤,通过 Atlas Cloud 平台集成和部署模型。
在 atlascloud.ai 注册并完成验证。新用户可获得免费额度,用于探索平台和测试模型。
将先进的 xAI TTS V1 模型与 Atlas Cloud 的 GPU 加速平台相结合,提供无与伦比的性能、可扩展性和开发体验。
低延迟:
GPU 优化推理,实现实时响应。
统一 API:
一次集成,畅用 xAI TTS V1、GPT、Gemini 和 DeepSeek。
透明定价:
按 Token 计费,支持 Serverless 模式。
开发者体验:
SDK、数据分析、微调工具和模板一应俱全。
可靠性:
99.99% 可用性、RBAC 权限控制、合规日志。
安全与合规:
SOC 2 Type II 认证、HIPAA 合规、美国数据主权。
xAI TTS v1 是 xAI 推出的高保真文本转语音模型,可将书面内容转换为自然、富有表现力的音频。Atlas Cloud 通过模型 ID xai/tts-v1 提供该模型。
你可以使用它为对话式智能体、旁白、教育内容、无障碍工具、本地化媒体和自动化客户体验创建语音。其富有表现力的语音控制也适用于角色对白和脚本化音频。
创建 Atlas Cloud API 密钥,并向统一的音频生成 endpoint 发送 POST 请求,同时将模型指定为 xai/tts-v1。请求中需包含文本和必填的语言值;如果希望自动检测语言,可使用 auto。
Atlas Cloud 支持 20 种语言和 80 多种声音。为获得稳定、可预测的发音,请明确选择语言;如果输入语言可能变化,也可以使用自动检测。
在文本中加入受支持的内联和包裹式语音标签,即可添加停顿、笑声、耳语或放慢语速等效果。你还可以将说话速度调整为 0.7 到 1.5,并启用文本规范化来处理数字、缩写和符号。
根据播放和处理需求,可选择 MP3、WAV、PCM、μ-law 或 A-law 输出。支持的采样率范围为 8 kHz 到 48 kHz;MP3 请求可使用 32 到 192 kbps 的比特率。
适合。该模型专为亚秒级合成而设计,并提供三个流式延迟优化级别,分别侧重最高音频质量,或使用更小的首个音频块以换取更大的质量折中。
Atlas Cloud 按即用即付模式收费,标准价格为每 1,000 个输入字符 $0.015。字符数按 Unicode 字符计算,因此一个 CJK 字符与一个 Latin 字符的计数方式相同。
首先确认请求使用了有效的 Atlas Cloud API 密钥、xai/tts-v1 模型 ID 和受支持的语言值。然后确保文本不超过 Atlas Cloud 的 15,000 字符限制,并检查 voice、codec、sample rate、bit rate 和 speed 的值是否符合文档定义的 schema。
指南、教程与产品动态,助你充分发挥 Atlas Cloud 的价值。