Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Streaming af TTS over WebSocket

Lektion 9 af 14 Opdateret 3. november 2026 Mellem
På denne side
  1. Hvorfor streaming ændrer oplevelsen
  2. Åbn forbindelsen
  3. Message-protokollen
  4. En komplet implementering
  5. Grænser du skal kende
  6. HTTP eller WebSocket
  7. Vigtige pointer

Opdateret 3. november 2026, baseret på xAI-siden Text to Speech. Kilde: Text to Speech.

Hvorfor streaming ændrer oplevelsen

I HTTP-mode får du først kontrol tilbage, når alt lydet er genereret. Ved en besked på to sætninger lægger ingen mærke til ventetiden. Men ved et blogindlæg, et bogkapitel eller et nyhedsfeed, der scroller løbende, bliver ventetiden dit produkts største svaghed: Brugeren klikker og stirrer derefter på et loadingsymbol i flere sekunder.

WebSocket-mode fjerner denne ventetid ved at push’e lyd ud, efterhånden som den syntetiseres. Afspilningen starter ved de første ord, mens slutningen af teksten endnu ikke er behandlet. Det er forskellen på en side, der virker frosset, og lyd, der spiller med det samme.

Åbn forbindelsen

Forbindelsen åbnes på wss://api.x.ai/v1/tts, og al konfiguration sker via URL’ens query string i stedet for i en initialiseringsbesked.

const ws = new WebSocket(
  "wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3&sample_rate=24000",
  {
    headers: {
      "Authorization": "Bearer " + XAI_API_KEY
    }
  }
);

Disse parametre accepteres:

  • language (påkrævet): En BCP-47-kode eller auto
  • voice (valgfri, standard: eve): Stemme-ID’et
  • codec (valgfri, standard: mp3): Formatet for output-lyden
  • sample_rate (valgfri, standard: 24000): Sample rate i Hz
  • bit_rate (valgfri, standard: 128000): Bit rate i bps (kun MP3)

Disse indstillinger gælder for hele sessionen: Du kan ikke ændre stemme eller codec undervejs. Hvis din app skal skifte mellem to oplæsere, skal du åbne to forbindelser.

Message-protokollen

På afsendersiden behøver du kun to typer beskeder for at styre syntesen. Den første sender en tekstblok; den anden annoncerer, at teksten er fuldført.

{ "type": "text.delta", "delta": "Hello and welcome " }
{ "type": "text.done" }

Du kan sende så mange text.delta-beskeder, som du har brug for, hver på op til 60.000 tegn. Det er dog bedst ikke at maksimere denne grænse: Ved at opdele teksten i bidder på få sætninger får du den første lydblok meget hurtigere, hvilket er hele pointen med streaming. En enkelt delta på flere tusinde tegn bringer dig tilbage til adfærden i HTTP-mode.

På modtagersiden indeholder hver audio.delta en fragment af base64-kodet lyd i det codec, du angav ved forbindelsen. Dekod den og tilføj den til din afspilningsbuffer.

{ "type": "audio.delta", "delta": "<base64 audio>" }
{ "type": "audio.done", "trace_id": "trace-uuid" }

Hændelsen audio.done markerer slutningen på syntesen. Dens trace_id er det identifikator, du skal oplyse til support eller logge, hvis en generering fejler. Hvis teksten er ugyldig, eller du har overskredet din kvote, modtager du i stedet en fejlmeddelelse.

{ "type": "error", "message": "description of the error" }

En komplet implementering

Eksemplet nedenfor opdeler en lang tekst i afsnit, sender dem alle og samler derefter de modtagne lydfragmenter til en MP3-fil.

const WebSocket = require("ws");
const fs = require("fs");

const ws = new WebSocket(
  "wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3",
  { headers: { "Authorization": "Bearer " + process.env.XAI_API_KEY } }
);

const audioChunks = [];

ws.on("open", () => {
  const paragraphs = longText.split("\n\n");
  for (const para of paragraphs) {
    ws.send(JSON.stringify({
      type: "text.delta",
      delta: para + " "
    }));
  }
  ws.send(JSON.stringify({ type: "text.done" }));
});

ws.on("message", (data) => {
  const msg = JSON.parse(data);
  if (msg.type === "audio.delta") {
    audioChunks.push(Buffer.from(msg.delta, "base64"));
  } else if (msg.type === "audio.done") {
    fs.writeFileSync("output.mp3", Buffer.concat(audioChunks));
    ws.close();
  }
});

Bemærk para + " ": Uden det mellemrum løber slutningen af ét afsnit sammen med starten af det næste, og motoren læser de to ord sammen uden at trække vejret.

Grænser du skal kende

MålingVærdi
Tekst pr. deltaMaks. 60.000 tegn
Samlet tekstUbegrænset
Samtidige sessioner50 pr. team
Sessionstilladelse600 sekunder
Timeout for forbindelseIngen

xAI-siden angiver, at forbindelsen ikke har nogen timeout, og nævner separat en „sessionstilladelse” på 600 sekunder uden at forklare, hvad der sker, når den udløber. For en sikkerheds skyld bør du oprette forbindelsen, når du har tekst at sende, snarere end når siden loader, og planlægge genoprettelse af forbindelsen. Planlæg også omkring grænsen på 50 samtidige sessioner pr. team på samme måde: Et lydbibliotek, der konverterer sit katalog i baggrunden, bør køe sine jobs i stedet for at åbne to hundrede forbindelser parallelt.

HTTP eller WebSocket

HTTP-mode er stadig det rigtige valg til korte tekster, engangsgenereringer og overalt, hvor enkel integration vægtes højest: Én anmodning, ét svar, ingen tilstand at administrere. WebSocket er vejen frem, når teksten bliver lang, når lyden skal afspilles, mens den produceres, eller når selve indholdet ankommer som en stream – typisk outputtet fra en sprogmodel, som du giver stemme, mens den genererer.

Vigtige pointer

  • WebSocket-TTS lader dig modtage streamet lyd uden at vente på, at genereringen bliver færdig
  • Konfigurationsparametre placeres i query string’en i forbindelses-URL’en
  • Protokollen er simpel: text.delta til at sende tekst, audio.delta til at modtage lyd
  • WebSocket-sessioner er begrænset til 50 samtidige pr. team; planlæg genoprettelse af forbindelsen
  • Foretræk WebSocket til lange tekster og oplevelser med lytning i realtid