Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Připojení TTS přes WebSocket

Lekce 9 z 14 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Syntéza řeči v reálném čase přes WebSocket
  2. Koncový bod WebSocket
  3. Otevření připojení
  4. Správa relace
  5. Unární HTTP versus WebSocket
  6. Kdy použít WebSocket
  7. Klíčové poznatky

Aktualizováno 3. listopadu 2026 na základě stránky xAI Text to Speech: delty až 60 000 znaků, žádný časový limit připojení a „povolení relace“ (session permit) na 600 sekund. Zdroj: Text to Speech.

Syntéza řeči v reálném čase přes WebSocket

API Grok TTS nabízí režim WebSocket pro streamování syntézy řeči. Na rozdíl od unárního režimu HTTP, který čeká na dokončení zpracování, než vrátí kompletní zvuk, WebSocket odesílá zvukové úseky (chunky) ihned při jejich generování. Je ideální pro interaktivní aplikace, kde musí být vnímaná latence co nejnižší.

wss://
Bezpečný protokol
50
Relací na tým
600 s
Povolení relace
∞
Neomezený text

Koncový bod WebSocket

Připojíš se na wss://api.x.ai/v1/tts. Konfigurační parametry uvedeš v řetězci dotazu (query string) při inicializaci připojení.

Parametry připojení

ParametrPovinnýVýchozí hodnotaPopis
languageAno—Kód BCP-47 nebo auto
voiceNe—ID vestavěného nebo vlastního hlasu
codecNemp3mp3, wav, pcm, mulaw (nebo ulaw), alaw
sample_rateNe24000Vzorkovací frekvence
bit_rateNe128000Datový tok (pouze MP3)

Kompletní URL připojení

wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3&sample_rate=24000

Otevření připojení

V JavaScriptu (prohlížeč nebo 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);
};

Důležité: V prohlížeči nativní API WebSocket nepodporuje vlastní hlavičky. Pro připojení budeš muset projít přes svůj backend (viz lekce o produkčním nasazení).

V Pythonu s knihovnou 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")
        # Odeslání textu a přijetí zvuku...

Správa relace

Životnost

Stránka xAI Text to Speech uvádí dvě věci, které je třeba číst společně: připojení WebSocket nemá žádný časový limit požadavku (zůstává otevřené) a „povolení relace“ má životnost 600 sekund, přičemž stránka nevysvětluje, co se stane po jeho vypršení. Pro jistotu by tvoje aplikace měla:

  1. Detekovat uzavření připojení
  2. V případě potřeby se automaticky znovu připojit
  3. Pokračovat v odesílání textu tam, kde skončila

Souběžné relace

Podle stránky Text to Speech je tvůj tým omezen na 50 souběžných relací WebSocket (stránka Rate limits počítá relace TTS podle úrovně, počínaje 100). Po překročení tohoto limitu jsou nová připojení odmítnuta. Pro aplikace s vysokým provozem spravuj pool připojení.

Více textů na jednom připojení

Na rozdíl od unárního režimu HTTP, kde požadavky vyprší po 15 minutách, připojení zůstává otevřené i po každém audio.done: můžeš odesílat jeden text za druhým bez opětovného připojení a aktuální zrušit pomocí text.clear (lekce 10).

Unární HTTP versus WebSocket

AspektUnární HTTPWebSocket
LatenceKompletní zvuk po zpracováníPrvní bajty okamžitě
Max. text60 000 znaků na požadavekNeomezeno (delty max. 60 000)
Časový limit15 minutŽádný; povolení relace 600 sekund
RelaceN/A50 na tým
PoužitíDávkové zpracování, zvukové souboryReálný čas, streamování

Kdy použít WebSocket

WebSocket je volbou číslo jedna, jakmile jde o reálný čas. Když uživatel čeká na okamžitou mluvenou odpověď od chatbota nebo hlasového asistenta, každá sekunda ticha před prvním zvukem zhoršuje vnímaný zážitek. WebSocket umožňuje spustit přehrávání u prvních zvukových fragmentů, ještě před dokončením generování. Je to také přirozená architektura, když samotný text přichází postupně: streamovaný výstup LLM se zapojí přímo do TTS, delta po deltě, bez čekání na kompletní text. Odstraňuje také omezení délky: neexistuje žádný celkový limit na celkový text, pouze jednotlivé delty jsou omezeny na 60 000 znaků, což stačí k namluvení celého dokumentu jako nepřetržitého streamu.

Unární režim HTTP má stále své místo všude tam, kde reálný čas nic nepřináší: generování zvukových souborů v dávkách, procesy, které potřebují před dalším postupem kompletní soubor (post-processing, ukládání, odesílání), a jednodušeji řečeno, jakákoli architektura, která upřednostňuje bezstavové round-trip před správou trvalého připojení.

Klíčové poznatky

  • TTS WebSocket je dostupný na wss://api.x.ai/v1/tts
  • Parametry se při připojení uvádějí v řetězci dotazu
  • Připojení samo o sobě nevyprší, ale dokumentace zmiňuje 600sekundové povolení relace: naplánuj si opětovné připojení
  • Limit je 50 souběžných relací na tým
  • Text je neomezený (odesílán v deltách až do 60 000 znaků)
  • Pro reálný čas použij WebSocket, pro dávkové zpracování HTTP