Grok's Text to Speech API

APIには5種類の声があり、それぞれに個性と幅がある。温かく会話的なものもあれば、よりフォーマルや活気のあるものもある。声を選ぶと基準が決まる。リクエストごとに切り替えられる。チュートリアルには落ち着いたナレーター、プロモーションのクリップには活発なトーンが必要なとき、これが効く。録音のパイプラインを組む代わりに、パラメータを一つ変えれば別の話者になる。

Grokのテキスト読み上げAPIは20以上の言語を扱い、一つのプロダクトが世界中のユーザーに語りかけられる。これが実用的な多言語TTSの選択肢にする。市場ごとに別の声を採用するのではなく、台本を一つ保ち、対応する言語で書き出す。発音は対象言語に従うので、非英語の出力は翻訳調でなくネイティブに聞こえる。新しい地域へ広げるチームにとって、これは実際のボトルネックを取り除く。

スピーチタグは、テキスト内に印を付けてフレーズの読み方を形作る。キーワードに強調を寄せ、明瞭さのために文をゆっくりにし、息継ぎが落ちる場所に間を足せる。そうした小さな合図が、聞き手の意味の取り方を変える。素のテキストにはできない芸当だ。興奮のタグを付けたプロダクトデモの一行は、同じ言葉を素で読むのとは大きく違って聞こえる。この機能がAPIに、変換の工程だけでなく編集の層を与える。

課金は文字単位で、100万文字あたり15ドルだ。この仕組みは音声に合う。コストが実際にどれだけ話すかを追うからだ。月に数千文字を生成する試作は、ほぼ無料で済む。数百万まで拡大する大きなアプリは、自らのテキスト量から支出を予測できる。席ごとの課金も隠れた声の料金もないため、台本の長さだけで予算を組める。

テキスト読み上げは、音声認識や音声エージェントのツールと同じAPIファミリーに並ぶ。すでにxAIのモデルを使う開発者は、キー一つ、コンソール一つ、請求行一つを保つ。この一貫性が設定を短くする。チームが管理するベンダーの数も減らす。後でプロダクトが話すだけでなく聞く必要が出ても、隣のエンドポイントはすでにそこにある。