Конфигуриране на сесията със session.update
На тази страница
Обновено на 3 ноември 2026 г., въз основа на страниците на xAI за Speech to Speech и Text to Speech: 28 вградени гласа, като
turn_detectionсе задава само чрез неговияtype(с опционаленidle_timeout_ms). Източници: Speech to Speech · Text to Speech.
Конфигуриране на Вашия гласов агент
След като WebSocket връзката е установена и сте получили събитието session.created, конфигурирайте сесията, като изпратите съобщение session.update. Тук дефинирате поведението на Вашия гласов агент: неговата личност, глас, инструментите, които може да използва, и начина, по който открива смяната на говорещия.
Пълната структура на session.update
Ето един подробен пример за конфигурация:
{
"type": "session.update",
"session": {
"instructions": "You are a professional voice assistant for a law firm. Answer concisely and precisely. Use a formal tone.",
"voice": "Rex",
"tools": [
{"type": "web_search"},
{
"type": "function",
"name": "look_up_case",
"description": "Looks up a client case by number",
"parameters": {
"type": "object",
"properties": {
"case_number": {
"type": "string",
"description": "Client case number"
}
},
"required": ["case_number"]
}
}
],
"turn_detection": {
"type": "server_vad"
},
"audio": {
"input": {
"format": {"type": "audio/pcm", "rate": 24000}
},
"output": {
"format": {"type": "audio/pcm", "rate": 24000}
}
}
}
}
Настройките в детайли
Инструкции (системен промпт)
Полето instructions е еквивалентът на системния промпт в текстовите API: то дефинира личността, контекста и ограниченията на Вашия гласов агент. Съставянето му обаче идва със специфично за гласа ограничение: краткост. Всеки токен от промпта се обработва преди първия отговор, а един разпокъсан промпт Ви коства забележима латентност в момента на свързване на обаждането. Придържайте се към същественото и преместете детайлите във Вашата приложна логика. В рамките на този ограничен бюджет три неща заслужават място. Тонът (официален, приятелски, технически), защото гласовият агент буквално въплъщава Вашата марка в ухото на клиента. Езикът: уточнете го („отговаряйте на английски“), иначе агентът може да последва езика на потребителя или въпроса. И границите: какво може да прави агентът и най-вече какво трябва да откаже или да прехвърли на човек, защото по телефона отговор извън обхвата излиза, преди някой да може да го прегледа.
Глас
Настройката voice приема един от 28-те вградени гласа на xAI (към 3 ноември 2026 г.), споделени от гласовия агент и текста в реч, или ID на персонализиран глас, създаден чрез Custom Voices API. ID-тата на гласовете не правят разлика между главни и малки букви: eve, Eve и EVE се отнасят до един и същи глас. Всеки глас говори всеки поддържан език.
Петте оригинални гласа, както ги описва xAI:
- eve: енергичен и позитивен, с британски акцент
- ara: топъл и приятелски
- rex: уверен и ясен
- sal: плавен и балансиран
- leo: авторитетен и мощен, с британски акцент
Към тях се присъединяват двадесет и три нови гласа: carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora и liora. Можете да получите актуалния списък, с тона и случаите на употреба за всеки глас, чрез GET /v1/tts/voices или на страницата на xAI за Text to Speech.
Инструменти
Масивът tools дефинира инструментите, които агентът може да извика по време на разговора. Можете да комбинирате няколко типа: уеб търсене, търсене в X, персонализирани функции, RAG колекции и MCP сървъри. Следващите уроци разглеждат инструментите в детайли.
Аудио конфигурация
Обектът audio задава входните и изходните формати. Можете да използвате различни формати за вход и изход, ако архитектурата Ви го изисква (например получаване на G.711 от телефонна система и изпращане на PCM към браузър).
Актуализиране на сесията по време на разговор
Можете да изпращате session.update няколко пъти по време на разговор. Това Ви позволява да променяте поведението на агента в реално време:
// Промяна на гласа по време на разговор
ws.send(JSON.stringify({
type: "session.update",
session: {
voice: "Ara"
}
}));
// Добавяне на друг инструмент
ws.send(JSON.stringify({
type: "session.update",
session: {
tools: [
{ type: "web_search" },
{ type: "x_search" }
]
}
}));
Документацията на xAI изрично поддържа промени по време на сесията за няколко настройки (език на транскрипция, ключови думи, замествания на произношението, аудио транспорт), а session.updated ги потвърждава: проверете го, за да удостоверите приложената конфигурация.
Ключови изводи
session.updateе първото съобщение, което трябва да изпратите следsession.created- Полето
instructionsдефинира личността и ограниченията на агента - Налични са 28 вградени гласа (включително eve, ara, rex, sal и leo), плюс персонализирани гласове
- Аудио конфигурацията и инструментите са персонализируеми
- Можете да изпращате
session.updateняколко пъти, за да промените поведението по време на разговор