Paramètres de la requête TTS — Text-to-Speech API

Leçon corrigée le 3 novembre 2026 d’après la page Text to Speech et la référence de l’API Voice de xAI : 60 000 caractères par requête et non 15 000, 28 voix intégrées et non 5, paramètre speed ajouté. Sources : Text to Speech · Voice API.

Configurer précisément votre synthèse vocale

L’endpoint POST /v1/tts s’articule autour de quatre paramètres principaux dans le corps JSON de la requête, complétés par quelques réglages facultatifs. Chacun vous donne un contrôle précis sur la sortie audio générée. Comprendre ces paramètres vous permet d’adapter la synthèse à votre cas d’usage.

Le paramètre text

Le champ text est le seul paramètre requis avec language. Il accepte une chaîne de caractères d’une longueur maximale de 60 000 caractères. Ce texte peut contenir du texte brut ou des tags expressifs (que vous découvrirez dans la section suivante).

{
  "text": "Bonjour et bienvenue. Aujourd'hui, nous allons parler de l'intelligence artificielle."
}

Au-delà de 60 000 caractères, la requête HTTP est refusée. Pour les textes plus longs, xAI recommande le WebSocket, sans limite de longueur totale (leçons 9 à 12), ou un découpage en segments dont vous concaténez l’audio. Pensez à découper aux frontières naturelles (fins de phrases, fins de paragraphes) pour obtenir un résultat fluide.

Le paramètre voice_id

Ce paramètre définit la voix utilisée pour la synthèse. Il est optionnel et vaut eve par défaut. Les identifiants sont insensibles à la casse : Eve, EVE et eve sont équivalents.

xAI propose 28 voix intégrées (relevé du 3 novembre 2026), les mêmes que pour l’agent vocal, plus les voix personnalisées créées avec l’API Custom Voices. Les cinq voix d’origine, avec la description qu’en donne xAI :

eve : énergique et enjouée, accent britannique
ara : chaleureuse et amicale
rex : confiant et clair
sal : doux et équilibré
leo : autoritaire et puissant, accent britannique

Les 23 autres — carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora et liora — sont décrites, avec leurs usages, sur la page Text to Speech de xAI ; GET /v1/tts/voices renvoie la liste à jour (leçon 3).

{
  "text": "Bienvenue dans ce tutoriel.",
  "voice_id": "rex",
  "language": "fr"
}

D’après xAI, toutes les voix parlent toutes les langues prises en charge. Le choix de la voix n’affecte pas le prix, calculé sur le nombre de caractères.

Le paramètre language

Ce paramètre est requis. Il accepte un code BCP-47 ou la valeur spéciale auto pour la détection automatique de la langue.

Les 20 langues supportées sont :

Code	Langue	Code	Langue
`en`	Anglais	`ko`	Coréen
`fr`	Français	`hi`	Hindi
`de`	Allemand	`bn`	Bengali
`es-ES`	Espagnol (Espagne)	`ar-EG`	Arabe (Égypte)
`es-MX`	Espagnol (Mexique)	`ar-SA`	Arabe (Arabie S.)
`pt-BR`	Portugais (Brésil)	`ar-AE`	Arabe (EAU)
`pt-PT`	Portugais (Portugal)	`tr`	Turc
`it`	Italien	`id`	Indonésien
`ru`	Russe	`vi`	Vietnamien
`zh`	Chinois	`ja`	Japonais

La détection automatique (auto) fonctionne bien pour les textes monolingues, mais pour les textes qui mélangent plusieurs langues, spécifiez explicitement la langue principale.

Le paramètre output_format

Ce paramètre optionnel est un objet JSON qui contrôle le format de sortie audio. Il contient trois sous-paramètres :

codec

Le codec définit le format d’encodage :

mp3 (défaut) : format compressé, idéal pour le web et le streaming
wav : format sans perte, meilleure qualité mais fichiers plus volumineux
pcm : audio brut sans en-tête, pour le traitement en pipeline
mulaw / ulaw : codec G.711 mu-law pour la téléphonie
alaw : codec G.711 A-law pour la téléphonie

sample_rate

La fréquence d’échantillonnage en hertz. Les valeurs acceptées sont : 8000, 16000, 22050, 24000 (défaut), 44100, 48000.

bit_rate

Le débit binaire en bits par seconde, applicable uniquement au codec MP3. Les valeurs acceptées sont : 32000, 64000, 96000, 128000 (défaut), 192000.

{
  "text": "Audio haute qualité pour la production.",
  "voice_id": "ara",
  "language": "fr",
  "output_format": {
    "codec": "wav",
    "sample_rate": 48000
  }
}

Le paramètre speed

speed règle la vitesse de lecture : 1.0 est la vitesse normale (valeur par défaut), et la plage va de 0.7 à 1.5. Un débit légèrement ralenti aide pour un contenu pédagogique dense ; au-delà de 1.2, réécoutez toujours le résultat.

Combinaisons recommandées

Cas d’usage	codec	sample_rate	bit_rate
Web / streaming	`mp3`	`24000`	`128000`
Production audio	`wav`	`48000`	—
Téléphonie VoIP	`mulaw`	`8000`	—
Pipeline ML	`pcm`	`16000`	—

Points clés à retenir

text et language sont les seuls paramètres requis
voice_id est optionnel (défaut : eve) et insensible à la casse
output_format permet de contrôler codec, sample rate et bit rate ; speed règle la vitesse (0,7 à 1,5)
Le format MP3 à 24 kHz / 128 kbps est un bon compromis qualité/taille par défaut
Pour la téléphonie, utilisez mulaw ou alaw à 8 kHz