xAI、Grok Text to SpeechとVoice Agent API向けにCustom Voicesを発表

Custom Voicesは、xAI consoleで約1分の自然な発話を録音して作成する。パイプラインが声の所有者であることを検証し、録音を処理して、2分以内に本番利用できる音声モデルを返す。作成した声は、speech tags、多言語出力、RESTとWebSocketの両方のストリーミングといったTTSの機能をそのまま引き継ぐ。

利用方法は、組み込みの音声と同じである。任意のTTSエンドポイントに `voice_id` を渡すか、リアルタイムの会話型エージェントを作るVoice Agent APIで使う。Text to SpeechおよびVoice Agent APIでカスタム音声を使う際の追加料金はないと説明されている。