Die WebSocket-Verbindung für Text-to-Speech
Auf dieser Seite
Aktualisiert am 3. November 2026, basierend auf der xAI-Text-to-Speech-Seite: Deltas von bis zu 60.000 Zeichen, kein Verbindungs-Timeout und ein „Session Permit” von 600 Sekunden. Quelle: Text to Speech.
Echtzeit-Sprachsynthese über WebSocket
Die Grok TTS API bietet einen WebSocket-Modus für die Streaming-Sprachsynthese. Im Gegensatz zum unären HTTP-Modus, der erst nach Abschluss der Verarbeitung das vollständige Audio zurückgibt, sendet WebSocket Audio-Schnipsel, sobald sie generiert werden. Dies ist ideal für interaktive Anwendungen, bei denen die wahrgenommene Latenz so gering wie möglich sein muss.
WebSocket-Endpunkt
Sie verbinden Sie sich mit wss://api.x.ai/v1/tts. Die Konfigurationsparameter werden in der Abfragezeichenfolge der initialen Verbindung angegeben.
Verbindungsparameter
| Parameter | Erforderlich | Standardwert | Beschreibung |
|---|---|---|---|
language | Ja | — | BCP-47-Code oder auto |
voice | Nein | — | ID einer integrierten oder benutzerdefinierten Stimme |
codec | Nein | mp3 | mp3, wav, pcm, mulaw (oder ulaw), alaw |
sample_rate | Nein | 24000 | Abtastfrequenz |
bit_rate | Nein | 128000 | Bitrate (nur MP3) |
Vollständige Verbindungs-URL
wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3&sample_rate=24000
Verbindung öffnen
In JavaScript (Browser oder 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-Verbindung hergestellt");
};
ws.onerror = (error) => {
console.error("WebSocket-Fehler:", error);
};
Wichtig: Im Browser unterstützt die native WebSocket-API keine benutzerdefinierten Header. Sie müssen die Verbindung über Ihren Backend-Server aufbauen (siehe Lektion zur Produktion).
In Python mit 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-Verbindung hergestellt")
# Text senden und Audio empfangen...
Sitzungsmanagement
Lebensdauer
Die xAI-Text-to-Speech-Seite enthält zwei Aussagen, die Sie gemeinsam lesen sollten: Die WebSocket-Verbindung hat keinen Anforderungs-Timeout (sie bleibt offen), und das „Session Permit” hat eine Lebensdauer von 600 Sekunden, ohne dass die Seite erläutert, was passiert, wenn es abläuft. Um auf der sicheren Seite zu sein, sollte Ihre Anwendung:
- Erkennen, wann die Verbindung geschlossen wird
- Automatisch neu verbinden, falls erforderlich
- Das Senden von Text fortsetzen, wo es aufgehört hat
Gleichzeitige Sitzungen
Laut der Text-to-Speech-Seite ist Ihr Team auf 50 gleichzeitige WebSocket-Sitzungen begrenzt (die Seite Ratenbegrenzungen zählt TTS-Sitzungen nach Tarif, beginnend bei 100). Darüber hinaus werden neue Verbindungen abgelehnt. Verwalten Sie für hochfrequentierte Anwendungen einen Verbindungspool.
Mehrere Texte auf einer Verbindung
Im Gegensatz zum unären HTTP-Modus, bei dem Anforderungen nach 15 Minuten timeouten, bleibt die Verbindung nach jedem audio.done offen: Sie können nacheinander einen Text nach dem anderen senden, ohne neu zu verbinden, und die aktuelle Anforderung mit text.clear abbrechen (Lektion 10).
Unärer HTTP versus WebSocket
| Aspekt | Unärer HTTP | WebSocket |
|---|---|---|
| Latenz | Vollständiges Audio nach Verarbeitung | Erste Bytes sofort |
| Maximaler Text | 60.000 Zeichen pro Anforderung | Unbegrenzt (Deltas maximal 60.000) |
| Timeout | 15 Minuten | Keine; Session Permit von 600 Sekunden |
| Sitzungen | N/A | 50 pro Team |
| Anwendungsfälle | Batch, Audio-Dateien | Echtzeit, Streaming |
Wann WebSocket verwenden
WebSocket ist der richtige Weg, sobald Echtzeit eine Rolle spielt. Wenn ein Benutzer auf eine sofortige gesprochene Antwort wartet, von einem Chatbot oder einem Sprachassistenten, kostet jede Sekunde Stille vor dem ersten Ton in der wahrgenommenen Erfahrung. Und WebSocket ermöglicht es, die Wiedergabe mit den ersten Audio-Fragmenten zu starten, noch bevor die Generierung abgeschlossen ist. Es ist auch die natürliche Architektur, wenn der Text selbst schrittweise ankommt: Das gestreamte Output eines LLMs wird direkt in die TTS eingespeist, Delta für Delta, ohne auf den vollständigen Text zu warten. Und es hebt die Längenbeschränkung auf: Es gibt keine Gesamtbegrenzung für den Text, nur einzelne Deltas sind auf maximal 60.000 Zeichen begrenzt, was ausreicht, um ein ganzes Dokument als kontinuierlichen Stream vorzulesen.
Der unäre HTTP-Modus hat weiterhin seinen Platz, wo Echtzeit nichts hinzufügt: Generierung von Audio-Dateien im Batch, Prozesse, die die vollständige Datei benötigen, bevor sie handeln (Nachbearbeitung, Speicherung, Senden), und, einfacher gesagt, jede Architektur, die einen zustandslosen Hin-und-Her-Austausch gegenüber einer persistenten Verbindung zur Verwaltung bevorzugt.
Kernaussagen
- TTS WebSocket ist verfügbar unter
wss://api.x.ai/v1/tts - Parameter werden in der Abfragezeichenfolge angegeben, wenn Sie sich verbinden
- Die Verbindung veraltet nicht von selbst, aber die Dokumentation erwähnt ein 600-Sekunden-Session Permit: Planen Sie Neuanbindungen ein
- Die Grenze beträgt 50 gleichzeitige Sitzungen pro Team
- Text ist unbegrenzt (gesendet in Deltas von bis zu 60.000 Zeichen)
- Verwenden Sie WebSocket für Echtzeit, HTTP für Batch