Découvrir l'API Text-to-Speech — Grok Voice & Audio

Leçon corrigée le 3 novembre 2026 d’après les pages Text to Speech et Pricing de xAI : 15 $ par million de caractères et non 4,20 $, 60 000 caractères par requête et non 15 000, 28 voix intégrées et non cinq ; paramètre speed ajouté. Sources : Text to Speech · Pricing.

Du texte, de l’audio, rien d’autre

L’API Text-to-Speech de Grok fait une chose et la fait bien : elle transforme du texte en audio de haute qualité. Là où le Voice Agent gère un dialogue avec ses tours de parole et ses interruptions, le TTS est strictement unidirectionnel — vous envoyez du texte, vous récupérez du son. Cette simplicité en fait l’outil des usages où personne ne répond à la machine : narration d’articles, messages d’accueil téléphoniques, doublage de modules e-learning, notifications sonores.

$15

par million de caractères

langues supportées

voix intégrées

60 000

caractères max par requête

HTTP ou WebSocket : deux façons d’appeler le service

Le mode HTTP est le plus direct. Une requête POST part avec votre texte, la réponse contient le fichier audio complet, au format MP3 par défaut :

curl -X POST "https://api.x.ai/v1/tts" \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -H "Content-Type: application/json" \
  -o sortie.mp3 \
  -d '{
    "text": "Bonjour et bienvenue sur Corsen Academy.",
    "voice_id": "ara",
    "language": "fr"
  }'

Notez le -o sortie.mp3 : le corps de la réponse est directement du binaire audio, pas du JSON encapsulant un lien. Ce mode convient parfaitement à une génération en arrière-plan — un batch nocturne qui produit les fichiers audio de vos articles, par exemple — puisque personne n’attend devant l’écran.

Le mode WebSocket répond à un autre besoin : commencer à entendre le son avant que le texte entier soit synthétisé. Vous ouvrez une connexion en passant les paramètres dans l’URL :

wss://api.x.ai/v1/tts?language=fr&voice=ara&codec=mp3

Le texte part ensuite par morceaux via text.delta, vous signalez la fin avec text.done, et l’audio revient en chunks base64 sur audio.delta. Ce fonctionnement en flux lève la contrainte de longueur du mode HTTP et permet surtout de synthétiser au fil de l’eau, ce qui est indispensable quand le texte lui-même est encore en train d’être produit par un modèle.

Les paramètres de la requête HTTP

Paramètre	Type	Requis	Description
`text`	string	Oui	Le texte à convertir, max 60 000 caractères
`voice_id`	string	Non	La voix à utiliser (défaut : `eve`)
`language`	string	Oui	Code BCP-47 (`fr`, `en`, `de`…) ou `auto`
`output_format`	object	Non	Codec, sample rate et bit rate
`speed`	number	Non	Vitesse de lecture, de 0,7 à 1,5 (défaut : 1,0)

Deux points appellent l’attention. language est obligatoire, ce qui surprend souvent : le service ne devine pas la langue de votre texte à moins que vous ne le lui demandiez explicitement avec la valeur auto. Et voice_id reprend exactement les voix du Voice Agent — 28 voix intégrées au 3 novembre 2026, dont eve, ara, rex, sal et leo, plus vos voix personnalisées — sans se soucier de la casse. Un même personnage sonore peut donc animer votre agent conversationnel et vos contenus enregistrés, ce qui vaut la peine d’être exploité pour la cohérence de marque.

Choisir le format de sortie

Le champ output_format prend la main sur le codec et la qualité :

{
  "text": "Texte a convertir.",
  "voice_id": "rex",
  "language": "fr",
  "output_format": {
    "codec": "wav",
    "sample_rate": 44100
  }
}

Le choix du codec découle de ce que devient le fichier ensuite. Le mp3 convient à l’usage général : bien compressé, lisible partout, c’est le défaut raisonnable pour un site web ou un podcast. Le wav est sans perte, donc plus lourd, mais c’est celui qu’il faut quand un monteur va retravailler la piste. Le pcm livre de l’audio brut, destiné aux pipelines de traitement qui n’ont que faire d’un conteneur. Enfin mulaw et alaw correspondent au G.711 de la téléphonie, à réserver aux systèmes télécom qui l’exigent.

Les sample rates s’échelonnent de 8000 à 48000 Hz, avec 24000 Hz par défaut, valeur qui satisfait la grande majorité des usages. Pour le MP3, le bit rate se règle entre 32000 et 192000 bps, à 128000 par défaut. Monter à 192000 sur une voix parlée n’apporte pratiquement rien à l’oreille et alourdit vos fichiers d’un tiers : gardez cette marge pour les contenus où la musique se mêle à la voix.

Interroger le catalogue de voix

L’API expose deux endpoints en lecture seule qui complètent la génération. GET /v1/tts/voices retourne la liste de toutes les voix disponibles avec leurs métadonnées, tandis que GET /v1/tts/voices/{voice_id} renvoie les mêmes champs (voice_id, name, language) pour une voix précise ; le ton et les usages de chaque voix sont décrits sur la page Text to Speech de xAI. Plutôt que de coder en dur les noms dans votre interface, alimentez votre sélecteur de voix à partir de ces endpoints : votre application restera juste le jour où le catalogue évoluera.

Points clés à retenir

Le TTS convertit du texte en audio via HTTP (simple) ou WebSocket (streaming)
Le coût est de $15 par million de caractères, avec un maximum de 60 000 caractères par requête HTTP
28 voix intégrées, cinq codecs et six sample rates offrent une grande flexibilité
Le mode WebSocket est illimité en longueur de texte (deltas de 60 000 caractères max)
Le code BCP-47 est obligatoire pour spécifier la langue (ou auto pour la détection automatique)