WebSocket връзка за TTS
На тази страница
Обновено на 3 ноември 2026 г., въз основа на страницата Text to Speech на xAI: делти до 60 000 знака, без изчакване на връзката и „разрешение за сесия“ от 600 секунди. Източник: Text to Speech.
Синтез на реч в реално време чрез WebSocket
API на Grok TTS предлага режим WebSocket за потоково предаване на синтезирана реч. За разлика от унарния HTTP режим, който изчаква приключването на обработката, за да върне целия аудио файл, WebSocket изпраща аудио парчета веднага щом бъдат генерирани. Това го прави идеален за интерактивни приложения, при които възприеманото забавяне трябва да бъде минимално.
Крайна точка на WebSocket
Свързвате се към wss://api.x.ai/v1/tts. Параметрите за конфигурация се предават в низа на заявката (query string) при първоначалното свързване.
Параметри на връзката
| Параметър | Задължителен | По подразбиране | Описание |
|---|---|---|---|
language | Да | — | Код по BCP-47 или auto |
voice | Не | — | ИД на вграден или персонализиран глас |
codec | Не | mp3 | mp3, wav, pcm, mulaw (или ulaw), alaw |
sample_rate | Не | 24000 | Честота на дискретизация |
bit_rate | Не | 128000 | Битрейт (само за MP3) |
Пълен URL за връзка
wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3&sample_rate=24000
Отваряне на връзката
В JavaScript (браузър или Node.js)
const ws = new WebSocket(
"wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3",
{
headers: {
"Authorization": `Bearer ${API_KEY}`
}
}
);
ws.onopen = () => {
console.log("TTS connection established");
};
ws.onerror = (error) => {
console.error("WebSocket error:", error);
};
Важно: в браузър нативният WebSocket API не поддържа персонализирани хедъри. Ще трябва да осъществите връзката чрез вашия бекенд (вижте урока за продукционна среда).
В Python с websockets
import asyncio
import websockets
import json
async def connect_tts():
uri = "wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3"
headers = {"Authorization": f"Bearer {api_key}"}
async with websockets.connect(uri, additional_headers=headers) as ws:
print("TTS connection established")
# Изпращане на текст и получаване на аудио...
Управление на сесията
Продължителност
Страницата Text to Speech на xAI посочва две неща, които трябва да разглеждате заедно: WebSocket връзката няма таймаут за заявка (остава отворена), а „разрешението за сесия“ има срок на валидност от 600 секунди, без документацията да обяснява какво се случва при изтичането му. За сигурност Вашето приложение трябва да:
- Засича затварянето на връзката
- Да се свързва автоматично отново, ако е необходимо
- Да възобнови изпращането на текста от мястото, където е спряло
Едновременни сесии
Според страницата Text to Speech, Вашият екип е ограничен до 50 едновременни WebSocket сесии (страницата Rate limits брои TTS сесиите според нивото, започвайки от 100). Отвъд този лимит новите връзки се отхвърлят. Управлявайте пул от връзки за приложения с висок трафик.
Няколко текста в една връзка
За разлика от унарния HTTP режим, където заявките изтичат след 15 минути, връзката остава отворена след всяко audio.done: можете да изпращате един текст след друг, без да се свързвате отново, и да отмените текущия с text.clear (урок 10).
Унарен HTTP срещу WebSocket
| Аспект | Унарен HTTP | WebSocket |
|---|---|---|
| Забавяне | Цялото аудио след обработката | Първите байтове веднага |
| Макс. текст | 60 000 знака на заявка | Неограничен (делти до макс. 60 000) |
| Таймаут | 15 минути | Няма; разрешение за сесия от 600 секунди |
| Сесии | Н/П | 50 на екип |
| Случаи на употреба | Пакетна обработка, аудио файлове | Реално време, потоково предаване |
Кога да използвате WebSocket
WebSocket е правилният избор веднага щом става въпрос за работа в реално време. Когато потребителят чака незабавен гласов отговор от чатбот или гласов асистент, всяка секунда тишина преди първия звук влошава възприеманото качество на услугата. WebSocket позволява възпроизвеждането да започне с първите аудио фрагменти, още преди генерирането да е приключило. Това е и естествената архитектура, когато самият текст пристига постепенно: потоковият изход на LLM се включва директно в TTS, делта по делта, без изчакване на целия текст. Освен това се премахва ограничението за дължина: няма общ лимит за целия текст, само отделните делти са ограничени до 60 000 знака, което е достатъчно за озвучаване на цял документ като непрекъснат поток.
Унарният HTTP режим все още има своето място там, където работата в реално време не носи полза: генериране на аудио файлове на пакети, процеси, които изискват целия файл преди действие (пост-обработка, съхранение, изпращане) и, по-просто казано, всяка архитектура, която предпочита Stateless заявка пред управлението на постоянна връзка.
Ключови изводи
- TTS WebSocket е достъпен на
wss://api.x.ai/v1/tts - Параметрите се предават в низа на заявката при свързване
- Връзката не изтича сама по себе си, но документацията споменава разрешение за сесия от 600 секунди: планирайте повторно свързване
- Лимитът е 50 едновременни сесии на екип
- Текстът е неограничен (изпраща се на делти до 60 000 знака)
- Използвайте WebSocket за реално време, HTTP за пакетна обработка