Konfigurace relace pomocí session.update
Na této stránce
Aktualizováno 3. listopadu 2026 na základě stránek xAI Speech to Speech a Text to Speech: 28 vestavěných hlasů a
turn_detectionnastavené pouze podle jehotype(s volitelnýmidle_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.updateje první zpráva, kterou odešleš posession.created- Pole
instructionsdefinuje 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.updatemůžeš odeslat několikrát a změnit tak chování uprostřed konverzace