Připojení TTS přes WebSocket
Na této stránce
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.
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
| Parametr | Povinný | Výchozí hodnota | Popis |
|---|---|---|---|
language | Ano | — | Kód BCP-47 nebo auto |
voice | Ne | — | ID vestavěného nebo vlastního hlasu |
codec | Ne | mp3 | mp3, wav, pcm, mulaw (nebo ulaw), alaw |
sample_rate | Ne | 24000 | Vzorkovací frekvence |
bit_rate | Ne | 128000 | Datový 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:
- Detekovat uzavření připojení
- V případě potřeby se automaticky znovu připojit
- 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
| Aspekt | Unární HTTP | WebSocket |
|---|---|---|
| Latence | Kompletní zvuk po zpracování | První bajty okamžitě |
| Max. text | 60 000 znaků na požadavek | Neomezeno (delty max. 60 000) |
| Časový limit | 15 minut | Žádný; povolení relace 600 sekund |
| Relace | N/A | 50 na tým |
| Použití | Dávkové zpracování, zvukové soubory | Reálný 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