WebSocket-forbindelsen til TTS
På denne side
Opdateret 3. november 2026 baseret på xAI-siden Text to Speech: deltas på op til 60.000 tegn, ingen tidsudløb for forbindelsen og en “sessionstilladelse” på 600 sekunder. Kilde: Text to Speech.
Talesyntese i realtid via WebSocket
Grok TTS-API’et tilbyder en WebSocket-tilstand til streaming af talesyntese. I modsætning til den unære HTTP-tilstand, der venter på, at behandlingen er færdig, før den returnerer den komplette lyd, sender WebSocket lydbidder, efterhånden som de genereres. Det er ideelt til interaktive apps, hvor den oplevede ventetid skal være så lav som muligt.
WebSocket-endepunkt
Du forbinder til wss://api.x.ai/v1/tts. Konfigurationsparametre angives i forespørgselsstrengen ved den indledende forbindelse.
Forbindelsesparametre
| Parameter | Påkrævet | Standard | Beskrivelse |
|---|---|---|---|
language | Ja | — | BCP-47-kode eller auto |
voice | Nej | — | ID på en indbygget eller brugerdefineret stemme |
codec | Nej | mp3 | mp3, wav, pcm, mulaw (eller ulaw), alaw |
sample_rate | Nej | 24000 | Samplingfrekvens |
bit_rate | Nej | 128000 | Bitrate (kun MP3) |
Komplet forbindelses-URL
wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3&sample_rate=24000
Åbn forbindelsen
I JavaScript (browser eller 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-forbindelse etableret");
};
ws.onerror = (error) => {
console.error("WebSocket-fejl:", error);
};
Vigtigt: I en browser understøtter den native WebSocket-API ikke brugerdefinerede headere. Du skal gå gennem din backend for at oprette forbindelsen (se lektionen om produktion).
I Python med 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-forbindelse etableret")
# Send tekst og modtag lyd...
Sessionstyring
Levetid
xAI-siden Text to Speech nævner to ting, du skal læse sammen: WebSocket-forbindelsen har ingen anmodningstidsudløb (den forbliver åben), og “sessionstilladelsen” har en levetid på 600 sekunder, uden at siden forklarer, hvad der sker, når den udløber. For en sikkerheds skyld bør din app:
- Registrere, når forbindelsen lukkes
- Genoprette forbindelsen automatisk, hvis det er nødvendigt
- Genoptage afsendelsen af tekst, hvor den slap
Samtidige sessioner
Ifølge siden Text to Speech er dit team begrænset til 50 samtidige WebSocket-sessioner (siden Rate limits tæller TTS-sessioner efter niveau, startende ved 100). Derudover afvises nye forbindelser. Håndter en forbindelsespulje til apps med høj trafik.
Flere tekster på én forbindelse
I modsætning til den unære HTTP-tilstand, hvor anmodninger udløber efter 15 minutter, forbliver forbindelsen åben efter hver audio.done: du kan sende én tekst efter en anden uden at genoprette forbindelsen og annullere den aktuelle med text.clear (lektion 10).
Unær HTTP kontra WebSocket
| Aspekt | Unær HTTP | WebSocket |
|---|---|---|
| Ventetid | Komplet lyd efter behandling | Første bytes med det samme |
| Maks. tekst | 60.000 tegn pr. anmodning | Ubegrænset (deltas på maks. 60.000) |
| Tidsudløb | 15 minutter | Ingen; sessionstilladelse på 600 sekunder |
| Sessioner | Ikke relevant | 50 pr. team |
| Brugstilfælde | Batch, lydfiler | Realtid, streaming |
Hvornår skal du bruge WebSocket?
WebSocket er vejen frem, så snart realtid er involveret. Når en bruger venter på et øjeblikkeligt talt svar fra en chatbot eller en voice-assistent, koster hvert sekunds stilhed før den første lyd på den oplevede brugeroplevelse, og WebSocket lader afspilningen starte på de første lydbidder, før genereringen overhovedet er færdig. Det er også den naturlige arkitektur, når selve teksten ankommer gradvist: LLM’ens streamede output kobles direkte til TTS, delta for delta, uden at vente på den komplette tekst. Og det fjerner længdebegrænsningen: Der er ingen samlet grænse for den samlede tekst, kun individuelle deltas er begrænset til 60.000 tegn, hvilket er nok til at oplæse et helt dokument som en kontinuerlig strøm.
Den unære HTTP-tilstand har stadig sin plads, hvor realtid ikke tilfører noget: generering af lydfiler i batches, processer der kræver den komplette fil, før de handler (efterbehandling, lagring, afsendelse), og mere simpelt enhver arkitektur, der foretrækker en stateless roundtrip frem for at håndtere en vedvarende forbindelse.
Vigtige pointer
- TTS WebSocket er tilgængelig på
wss://api.x.ai/v1/tts - Parametre angives i forespørgselsstrengen, når du opretter forbindelsen
- Forbindelsen udløber ikke af sig selv, men dokumentationen nævner en sessionstilladelse på 600 sekunder: planlæg genforbindelse
- Grænsen er 50 samtidige sessioner pr. team
- Tekst er ubegrænset (sendt i deltas på op til 60.000 tegn)
- Brug WebSocket til realtid, HTTP til batch