xAI TTS v1

Коротко

Разработчик

xAI, озвучка вышла в апреле 2026 года

На входе

текст до 15 000 символов, теги входят в счёт

Голоса

28 готовых: 10 женских и 18 мужских, у каждого образец в форме

На выходе

запись MP3, моно, 24 кГц

Русский язык

«Русский» стоит в поле «Язык» по умолчанию, ещё 15 языков в списке

Подача

14 тегов звуков и 12 манер чтения, теги пишутся по-английски

Цена

3 ₽ за 1000 символов

Обычно готово

≈ 10 с после отправки

API

есть, документация

Что умеет: 13 наших записей

Голос Grok для своего ролика или объявления здесь получают файлом: xAI выпустила озвучку отдельной моделью, без чат-бота. Для статьи мы озвучили в xAI TTS v1 тринадцать текстов, от фразы в полторы сотни символов до рассказа почти на девятьсот. Короткие приходили за 8–16 секунд, рассказ за 24. Нас интересовало, на что способна озвучка Grok по-русски: где модель шепчет, смеётся и замедляется по тегам, а заодно как она читает обычный текст с цифрами и английскими словами. Все записи мы прогнали через распознавание речи: оно показывает, все ли слова на месте и где модель держала паузу. Интонацию так не измерить, поэтому слушайте сами, плееры ниже. Все тринадцать проб вместе стоили дешевле одной полной записи на 15 000 символов.

Одна фраза четырьмя голосами

У каждого голоса в форме есть русский образец, одна и та же фраза-приветствие. Мы дали четырём голосам свою фразу, с вопросом выбора и маленькой шуткой в конце: два женских голоса и два мужских.

Все четыре прочитали фразу без пропусков и уложились в 9,5–10,5 секунды. Eve, голос по умолчанию, читает чуть медленнее остальных. Ara звучит выше всех, Rex ниже всех: средний тон у него вдвое ниже, чем у Ara. Sal тоже мужской, но заметно светлее Rex.

Сказка: шёпот, вздох и напев

Здесь почти все приёмы детской сказки сразу. Голос Luna.

<slow>Жил-был ёжик, который боялся темноты.</slow> [sigh] Каждый вечер он брал фонарик и считал звёзды: одна, две, три… [giggle] А однажды звёзды начали считать его. <whisper>Тише, он уже засыпает.</whisper> [hum-tune]

Ни один тег не прозвучал словами. Первую фразу в <slow> модель прочитала примерно на пятую часть медленнее следующей. Вздох и смешок заняли по 0,7 секунды между словами, а напев после последней фразы длится почти две секунды. Шёпот слышно сразу: эта фраза тише остальных в несколько раз.

Комментатор: громко, тихо и смех

Манеры чтения задают парными тегами: начало перед куском текста, конец после него. Голос Rex.

<build-intensity>Мяч у десятого номера, он обходит одного, второго, выходит один на один и бьёт!</build-intensity> [pause] <loud>Го-о-ол!</loud> [laugh] <slow>Девяностая минута.</slow> <soft>Трибуны просто не верят своим глазам.</soft>

«Гол» вышел громче и выше остального, с протяжным «о», а распознавание записало его большими буквами. Дальше три секунды без слов на месте [laugh]: смех распознавание не записывает, его послушайте сами. Последняя фраза в <soft> тише и ниже. А вот <slow> на двух словах «Девяностая минута» мы почти не услышали: замедление заметнее на целом предложении, как в сказке выше.

Один голос за двух персонажей

Сценку на двоих можно озвучить одним голосом: реплики ребёнка обёрнуты в <higher-pitch>, а мамины стоят внутри <lower-pitch>. Голос Ara.

— <higher-pitch>Мам, а можно ещё пять минуточек?</higher-pitch> [pause] — <lower-pitch>Пять минут назад тоже было «ещё пять минуточек».</lower-pitch> [pause] — <higher-pitch>Ну ма-ам!</higher-pitch> [pause] — <lower-pitch><emphasis>Встаём.</emphasis></lower-pitch>

Разница большая: «ребёнок» говорит почти на октаву выше «мамы». Для настоящего диалога двух разных голосов удобнее Gemini 3.1 Flash TTS, а для шутки или короткой сценки хватит и этого приёма.

Песенка про понедельник

Тег <singing> просит спеть кусок текста, с <sing-song> он звучит нараспев, как детская считалка. Голос Celeste.

Утро понедельника. [sigh] <singing>Будильник прозвенел, а я опять проспал, и кофе убежал, и тапок не достал.</singing> [laugh] <sing-song>Ну и ладно, ну и ладно, всё равно сегодня пятница!</sing-song> [pause] Ой. Нет. Понедельник.

Слова в поющих строчках распознавание разобрало целиком, а тянет их модель заметно дольше обычной речи. Это напев голосом без музыки, не песня. Готовый трек с мелодией и аккомпанементом делают музыкальные нейросети, например Suno.

Рассказ почти на минуту

Длинный текст с диалогом мы дали без единого тега, голосом Orion: 898 символов.

Поезд пришёл на станцию в половине шестого утра, когда над лесом только начинало светлеть. Андрей вышел на пустую платформу с одним рюкзаком и сразу пожалел, что не взял тёплую куртку… — Ну здравствуй, городской, — сказал он, тормозя ногой. — Чего стоишь? Самовар стынет.

Запись длится 59 секунд, все предложения на месте и идут по порядку. Распознавание споткнулось на двух словах, например услышало «лед» вместо «дед». Такие места стоит переслушать, прежде чем ставить запись в ролик. По этой пробе 1000 символов дают чуть больше минуты речи.

Как это работает

Вставьте текст в поле Текст, выберите голос и язык и нажмите Отправить: цена зависит от числа символов, теги считаются вместе с буквами, а сумма видна на кнопке ещё до запуска. Через несколько секунд запись появится в ленте под формой. Кнопка Скачать сохраняет MP3, Изменить возвращает текст и настройки в форму, чтобы поправить их, а Повторить сразу запускает то же задание ещё раз.

Подачу задают теги двух видов. Звук ставят в нужное место текста в квадратных скобках: [pause] делает паузу, [laugh] вставляет смех, [sigh] вздох. Манеру чтения задают парным тегом в угловых скобках вокруг куска текста: <whisper>…</whisper> читается шёпотом. Полный список открывается подсказкой у поля Текст. Записи хранятся в Моих результатах 7 дней, удачные стоит сохранить в библиотеку.

Настройки: что выбрать

• Переключатель Голоса только сужает список: «Все», «Женские» или «Мужские». На саму запись он не влияет.
• В поле Голос 28 вариантов с английскими именами, по умолчанию Eve. Кнопка воспроизведения у каждого играет русский образец. По имени не угадать ни возраст, ни манеру, поэтому послушайте два-три подходящих образца, а потом озвучьте ими одну свою фразу, как мы выше.
• В поле Язык для русского текста так и оставьте «Русский»: от языка зависит произношение. «Определить автоматически» нужен, если в тексте несколько языков, а русская фраза с парой английских слов к таким не относится, подробнее ниже.
• В поле Текст помещается до 15 000 символов вместе с тегами. Первую пробу делайте на одном абзаце: так дешевле проверить голос и разметку.

Как размечать текст тегами

Удобный порядок: сначала текст с обычной пунктуацией, потом 2–4 звука там, где их издал бы живой человек, и одна-две манеры на целые фразы. По словам xAI, парные теги лучше работают вокруг законченной фразы, а не одного слова. Это совпало с нашим комментатором: два слова в <slow> почти не замедлились.

Шаблоны, в которые остаётся подставить свои слова:

Числа и английские слова

Напоминание из салона мы написали цифрами: дата, время, цена и телефон. Голос Ara.

Здравствуйте! Это салон «Ножницы». Напоминаем: вы записаны на стрижку в субботу, 18 октября, в 11:30. Мастер — Ольга, стоимость — 1 800 рублей. Если не получается прийти, позвоните по номеру 8 912 405-07-33 или ответьте на это сообщение до 20:00 пятницы.

По распознаванию дата прозвучала в нужном падеже, «восемнадцатого октября», время как «одиннадцать тридцать», а ноль в телефоне модель назвала словом. Цену она прочитала как «одна тысяча восемьсот», а «20:00» как «двадцати ноль ноль». Ошибки тут нет, но живой человек сказал бы «тысяча восемьсот» и «до восьми вечера». Хотите так — напишите словами.

Английские слова внутри русского текста модель произносит по-английски и с выбранным языком «Русский»:

Созвон в Zoom перенесли на четверг: дедлайн по iPhone-версии сдвинулся, а фидбек от product manager мы так и не получили. Update пришлю в Slack, как только будет понятно с релизом.

Zoom, iPhone, Slack и product manager распознавание записало латиницей, так их и слышно. Тот же текст с «Определить автоматически» прозвучал почти так же и на секунду дольше, так что переключать язык ради пары слов не нужно.

Частые ошибки

Больше всего портит запись избыток тегов. Мы поставили десять тегов на две короткие фразы, и последние два слова растянулись почти на три секунды:

[cough] Простите. [yawn] Совсем не выспалась. [laugh] <whisper>Ладно,</whisper> [sigh] <emphasis>начинаем</emphasis> [pause] <fast>планёрку</fast> [giggle] <loud>прямо</loud> [breath] <slow>сейчас</slow>.

В этом же тексте есть вторая ошибка: [cough] и [yawn] нет в подсказке формы. Вслух модель их не произнесла, но что она с ними сделала, мы не знаем, поэтому надёжнее брать теги из списка. И третья, частая при ручной разметке: забытый закрывающий тег. Без </whisper> непонятно, где шёпот кончается, так что перед запуском проверьте пары.

Сколько стоит

Платите за символы текста, теги тоже считаются. Голос и язык на цену не влияют, подписки нет.

Для первой пробы голоса хватит одной фразы: в наших сравнениях это было 150 символов, около десяти секунд речи.

Для чего подойдёт

• Рекламное объявление или анонс события с паузой перед главным и шёпотом «по секрету».
• Сказка на ночь с замедлением, вздохами и тихим напевом в конце, как у ёжика выше.
• Закадровый голос для ролика или сторис, где нужен смех, азарт или удивление.
• Сценка с двумя персонажами одним голосом: выше и ниже тоном.
• Медитация или дыхательная практика: тихий голос, вдохи, выдохи и долгие паузы.
• Голосовое напоминание или автоответчик с датами и телефоном.
• Глава рассказа или статьи целиком: до 15 000 символов за один запуск.

Как выбрать озвучку под задачу и подготовить текст, по шагам разобрано в инструкции по озвучке текста.

Ограничения

• Только готовые голоса: своего голоса или клона здесь нет. Клон по записи делают Мега и MiniMax Speech 2.8.
• Голоса подписаны английскими именами, по которым не понять ни возраст, ни манеру. Выбирайте по образцу и по своей фразе.
• Один голос на запись. Диалог двух собеседников разными голосами делает Gemini 3.1 Flash TTS.
• Поёт модель голосом, без музыки. Для песни с аккомпанементом нужна музыкальная нейросеть.
• Распознавание не слышит звуков без слов, поэтому смех, вздохи и напев в наших пробах мы проверяли по паузам и громкости. Перед публикацией послушайте запись целиком.

Другие озвучки сайта

У xAI на сайте одна озвучка, другие её нейросети рисуют картинки и снимают видео, о них рассказывает обзор нейросетей Grok. Если не подходят голоса или нужен клон, посмотрите эти озвучки, а одну фразу во всех озвучках сайта можно сравнить в разделе «Озвучка текста».

Частые вопросы