Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Konfigurace relace pomocí session.update

Lekce 3 z 16 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Nakonfiguruj svého hlasového agenta
  2. Kompletní struktura session.update
  3. Podrobný popis nastavení
  4. Aktualizace relace uprostřed konverzace
  5. Klíčové poznatky

Aktualizováno 3. listopadu 2026 na základě stránek xAI Speech to Speech a Text to Speech: 28 vestavěných hlasů a turn_detection nastavené pouze podle jeho type (s volitelným idle_timeout_ms). Zdroje: Speech to Speech · Text to Speech.

Nakonfiguruj svého hlasového agenta

Jakmile je WebSocket připojení otevřené a obdržíš událost session.created, nakonfiguruj relaci odesláním zprávy session.update. Zde definuješ chování svého hlasového agenta: jeho osobnost, hlas, nástroje, které může používat, a způsob detekce střídání řečníků.

Kompletní struktura session.update

Zde je podrobný příklad konfigurace:

{
  "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}
      }
    }
  }
}

Podrobný popis nastavení

Instrukce (systémový prompt)

Pole instructions odpovídá systémovému promptu v textových API: definuje osobnost, kontext a omezení tvého hlasového agenta. Při jeho psaní však musíš dodržet specifické omezení pro hlas: stručnost. Každý token promptu se zpracuje před první odpovědí a rozvláčný prompt ti v okamžiku připojení hovoru způsobí znatelnou latenci. Drž se toho podstatného a detaily přesuň do logiky své aplikace. V rámci tohoto těsného rozpočtu si zaslouží místo tři věci. Tón (formální, přátelský, technický), protože hlasový agent doslova ztělesňuje tvou značku v uchu zákazníka. Jazyk: specifikuj ho („odpovídej anglicky“), jinak může agent následovat jazyk uživatele nebo otázky. A limity: co agent může dělat a především co musí odmítnout nebo předat člověku, protože při telefonátu se odpověď mimo rámec vydá ven dříve, než ji kdokoli stihne zkontrolovat.

Hlas

Nastavení voice přijímá jeden z 28 vestavěných hlasů xAI (k 3. listopadu 2026), které sdílí hlasový agent i převod textu na řeč, nebo ID vlastního hlasu vytvořeného pomocí Custom Voices API. ID hlasů nerozlišují velká a malá písmena: eve, Eve i EVE odkazují na stejný hlas. Každý hlas umí všechny podporované jazyky.

Pět původních hlasů, jak je popisuje xAI:

  • eve: energický a veselý, britský přízvuk
  • ara: vřelý a přátelský
  • rex: sebevědomý a srozumitelný
  • sal: plynulý a vyvážený
  • leo: autoritativní a mocný, britský přízvuk

Doplňuje je dvacet tři novějších hlasů: carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora a liora. Aktuální seznam včetně tónu a případů použití pro každý hlas získáš pomocí GET /v1/tts/voices nebo na stránce xAI Text to Speech.

Nástroje

Pole tools definuje nástroje, které může agent během konverzace volat. Můžeš kombinovat různé typy: webové vyhledávání, vyhledávání na X, vlastní funkce, kolekce RAG a servery MCP. Následující lekce se nástroji věnují podrobně.

Konfigurace zvuku

Objekt audio nastavuje vstupní a výstupní formáty. Pokud to tvá architektura vyžaduje, můžeš pro vstup a výstup použít různé formáty (například přijímat G.711 z telefonního systému a odesílat PCM do prohlížeče).

Aktualizace relace uprostřed konverzace

Během konverzace můžeš session.update odeslat několikrát. To ti umožňuje měnit chování agenta za běhu:

// Změna hlasu uprostřed konverzace
ws.send(JSON.stringify({
  type: "session.update",
  session: {
    voice: "Ara"
  }
}));

// Přidání dalšího nástroje
ws.send(JSON.stringify({
  type: "session.update",
  session: {
    tools: [
      { type: "web_search" },
      { type: "x_search" }
    ]
  }
}));

Dokumentace xAI explicitně podporuje změny některých nastavení uprostřed relace (jazyk přepisu, klíčová slova, náhrady výslovnosti, audio transport) a událost session.updated je potvrzuje: zkontroluj ji pro ověření aplikované konfigurace.

Klíčové poznatky

  • session.update je první zpráva, kterou odešleš po session.created
  • Pole instructions definuje osobnost a omezení agenta
  • K dispozici je 28 vestavěných hlasů (včetně eve, ara, rex, sal a leo) plus vlastní hlasy
  • Konfigurace zvuku a nástroje jsou přizpůsobitelné
  • session.update můžeš odeslat několikrát a změnit tak chování uprostřed konverzace