Премини към основното съдържание
Български— Изберете език
Меню

Крайната точка на WebSocket и връзката в реално време

Урок 1 от 16 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Voice Agent API в реално време
  2. Отваряне на WebSocket връзката
  3. Жизнен цикъл на сесията
  4. Ключови изводи

Обновено на 3 ноември 2026 г. въз основа на страниците на xAI за Speech to Speech, Ценообразуване и Ограничения на честотата: 0,08 щ.д. на минута, едновременни сесии според нивото и grok-voice-3.0 като текущ модел. Източници: Speech to Speech · Pricing · Rate limits.

Voice Agent API в реално време

API на Grok Voice Agent Ви позволява да изградите разговорни гласови агенти, които общуват с Вашите потребители в реално време. За разлика от класическите REST API, които работят заявка по заявка, този API използва протокола WebSocket, за да поддържа постоянна двупосочна връзка между Вашето приложение и сървърите на xAI.

Документация на Voice Agent API

Има само една крайна точка:

wss://api.x.ai/v1/realtime

Вие избирате модела чрез URL параметъра model, например wss://api.x.ai/v1/realtime?model=grok-voice-latest. grok-voice-latest сочи към grok-voice-3.0, който е текущият модел, и също така е стойността по подразбиране. В производствена среда xAI препоръчва да фиксирате конкретно именувана версия.

Тази единствена крайна точка управлява целия жизнен цикъл на гласовия разговор: получаване на аудио, откриване на реч, генериране на отговор и изпращане обратно на синтезираното аудио.

WebSocket
Протокол в реално време
grok-voice-3.0
Текущ модел
10
Едновременни сесии на начално ниво
$0.08/min
Ценообразуване

Отваряне на WebSocket връзката

За да се свържете, поставете Вашия API ключ на xAI в заглавката за оторизация. Ето един пример на JavaScript:

const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
  headers: {
    "Authorization": "Bearer " + process.env.XAI_API_KEY
  }
});

ws.on("open", () => {
  console.log("WebSocket connection established");
});

ws.on("message", (data) => {
  const event = JSON.parse(data);
  console.log("Event received:", event.type);
});

ws.on("close", (code, reason) => {
  console.log("Connection closed:", code, reason);
});

ws.on("error", (err) => {
  console.error("WebSocket error:", err);
});

На Python можете да използвате библиотеката websockets:

import asyncio
import websockets
import json
import os

async def connect():
    uri = "wss://api.x.ai/v1/realtime"
    headers = {
        "Authorization": f"Bearer {os.environ['XAI_API_KEY']}"
    }

    async with websockets.connect(uri, additional_headers=headers) as ws:
        async for message in ws:
            event = json.loads(message)
            print(f"Event: {event['type']}")

asyncio.run(connect())

Жизнен цикъл на сесията

Веднага щом WebSocket връзката се отвори, сървърът изпраща събитие session.created, което потвърждава, че сесията е активна. След това Вие изпращате събитие session.update, за да конфигурирате разговора (глас, инструкции, инструменти, откриване на ред).

Типичният цикъл изглежда така:

  1. Връзка: отваряне на WebSocket с удостоверяване
  2. Конфигурация: изпращане на session.update с Вашите настройки
  3. Потвърждение: получаване на session.updated от сървъра
  4. Разговор: размяна на аудио и текстови събития
  5. Затваряне: чисто прекъсване на WebSocket връзката

Обработка на грешки при връзката

Сървърът може да затвори или откаже връзката по няколко причини: грешка при удостоверяване, надхвърляне на лимита за едновременни сесии за Вашето ниво (10 на началното ниво, до 200 на най-високото) или инцидент. Текущата документация не определя максимална продължителност на сесията, а възобновяването на сесията (урок 4) Ви позволява да подновите разговора след прекъсване. Вашето приложение трябва да включва логика за повторно свързване с експоненциално забавяне (exponential backoff).

Цените са проверени на 3 ноември 2026 г. Цените се променят често: преди да планирате бюджет, проверете текущите тарифи на официалната страница за ценообразуване на xAI.

Ключови изводи

  • WebSocket крайната точка wss://api.x.ai/v1/realtime е единственият вход за всички гласови разговори
  • Удостоверявате се чрез заглавката Authorization: Bearer {API ключ}
  • Броят на едновременните сесии зависи от Вашето ниво: 10 на началното ниво, до 200
  • Сървърът изпраща session.created при свързване, след което очаква Вашето session.update, за да конфигурира разговора
  • Цената е 0,08 щ.д. на минута, или 4,80 щ.д. на час, плюс 0,004 щ.д. за текстов вход