Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Η σύνδεση WebSocket TTS

Μάθημα 9 / 14 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Σύνθεση ομιλίας σε πραγματικό χρόνο μέσω WebSocket
  2. Τερματικό σημείο WebSocket
  3. Άνοιγμα της σύνδεσης
  4. Διαχείριση συνεδρίας
  5. Ενιαίο HTTP έναντι WebSocket
  6. Πότε να χρησιμοποιήσετε WebSocket
  7. Βασικά σημεία

Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση τη σελίδα Text to Speech της xAI: διαφορές (deltas) έως 60.000 χαρακτήρες, χωρίς χρονικό όριο λήξης σύνδεσης και «άδεια συνεδρίας» 600 δευτερολέπτων. Πηγή: Text to Speech.

Σύνθεση ομιλίας σε πραγματικό χρόνο μέσω WebSocket

Το API Grok TTS προσφέρει λειτουργία WebSocket για ροή σύνθεσης ομιλίας. Σε αντίθεση με την ενιαία λειτουργία HTTP, η οποία περιμένει την ολοκλήρωση της επεξεργασίας για να επιστρέψει τον πλήρη ήχο, το WebSocket στέλνει τμήματα ήχου μόλις παράγονται. Είναι ιδανικό για διαδραστικές εφαρμογές όπου η αντιληπτή καθυστέρηση πρέπει να είναι όσο το δυνατόν χαμηλότερη.

wss://
Ασφαλές πρωτόκολλο
50
Συνεδρίες ανά ομάδα
600 s
Άδεια συνεδρίας
∞
Απεριόριστο κείμενο

Τερματικό σημείο WebSocket

Συνδέεστε στο wss://api.x.ai/v1/tts. Οι παράμετροι διαμόρφωσης τοποθετούνται στη συμβολοσειρά ερωτήματος (query string) της αρχικής σύνδεσης.

Παράμετροι σύνδεσης

ΠαράμετροςΑπαιτείταιΠροεπιλογήΠεριγραφή
languageΝαι—Κώδικας BCP-47 ή auto
voiceΌχι—ID ενσωματωμένης ή προσαρμοσμένης φωνής
codecΌχιmp3mp3, wav, pcm, mulaw (ή ulaw), alaw
sample_rateΌχι24000Ρυθμός δειγματοληψίας
bit_rateΌχι128000Ρυθμός bit (μόνο για MP3)

Πλήρης URL σύνδεσης

wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3&sample_rate=24000

Άνοιγμα της σύνδεσης

Σε JavaScript (browser ή 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 connection established");
};

ws.onerror = (error) => {
  console.error("WebSocket error:", error);
};

Σημαντικό: στον browser, το εγγενές API WebSocket δεν υποστηρίζει προσαρμοσμένες κεφαλίδες. Θα χρειαστεί να περάσετε από το backend σας για τη σύνδεση (δείτε το μάθημα για παραγωγή).

Σε Python με 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 connection established")
        # Αποστολή κειμένου και λήψη ήχου...

Διαχείριση συνεδρίας

Διάρκεια ζωής

Η σελίδα Text to Speech της xAI αναφέρει δύο πράγματα που πρέπει να διαβάσετε μαζί: η σύνδεση WebSocket δεν έχει χρονικό όριο αιτήματος (παραμένει ανοιχτή) και η «άδεια συνεδρίας» έχει διάρκεια ζωής 600 δευτερολέπτων, χωρίς η σελίδα να εξηγεί τι συμβαίνει όταν λήξει. Για ασφάλεια, η εφαρμογή σας πρέπει να:

  1. Εντοπίζει πότε κλείνει η σύνδεση
  2. Επανασυνδέεται αυτόματα εάν χρειάζεται
  3. Συνεχίζει την αποστολή κειμένου από το σημείο που διακόπηκε

Ταυτόχρονες συνεδρίες

Σύμφωνα με τη σελίδα Text to Speech, η ομάδα σας περιορίζεται σε 50 ταυτόχρονες συνεδρίες WebSocket (η σελίδα Rate limits μετρά τις συνεδρίες TTS ανά επίπεδο, ξεκινώντας από 100). Πέρα από αυτό, οι νέες συνδέσεις απορρίπτονται. Διαχειριστείτε μια ομάδα συνδέσεων (connection pool) για εφαρμογές υψηλής κίνησης.

Πολλαπλά κείμενα σε μία σύνδεση

Σε αντίθεση με την ενιαία λειτουργία HTTP, όπου τα αιτήματα λήγουν μετά από 15 λεπτά, η σύνδεση παραμένει ανοιχτή μετά από κάθε audio.done: μπορείτε να στείλετε ένα κείμενο μετά το άλλο χωρίς επανασύνδεση και να ακυρώσετε το τρέχον με το text.clear (μάθημα 10).

Ενιαίο HTTP έναντι WebSocket

ΠτυχήΕνιαίο HTTPWebSocket
ΚαθυστέρησηΠλήρης ήχος μετά την επεξεργασίαΠρώτα bytes αμέσως
Μέγιστο κείμενο60.000 χαρακτήρες ανά αίτημαΑπεριόριστο (deltas έως 60.000 το μέγιστο)
Χρονικό όριο15 λεπτάΚανένα· άδεια συνεδρίας 600 δευτερολέπτων
ΣυνεδρίεςΔ/Ε50 ανά ομάδα
Περιπτώσεις χρήσηςΠαρτίδες, αρχεία ήχουΠραγματικός χρόνος, ροή

Πότε να χρησιμοποιήσετε WebSocket

Το WebSocket είναι η επιλογή όταν εμπλέκεται ο πραγματικός χρόνος. Όταν ένας χρήστης περιμένει μια άμεση προφορική απάντηση, από ένα chatbot ή έναν φωνητικό βοηθό, κάθε δευτερόλεπτο σιωπής πριν τον πρώτο ήχο κοστίζει στην αντιληπτή εμπειρία, και το WebSocket επιτρέπει την έναρξη αναπαραγωγής στα πρώτα τμήματα ήχου, πριν καν ολοκληρωθεί η παραγωγή. Είναι επίσης η φυσική αρχιτεκτονική όταν το ίδιο το κείμενο φτάνει σταδιακά: η ροή εξόδου ενός LLM συνδέεται απευθείας με το TTS, delta προς delta, χωρίς αναμονή για το πλήρες κείμενο. Και αίρει τον περιορισμό μήκους: δεν υπάρχει συνολικό όριο στο κείμενο, μόνο οι μεμονωμένες διαφορές (deltas) έχουν ανώτατο όριο 60.000 χαρακτήρων, αρκετό για να εκφωνηθεί ένα ολόκληρο έγγραφο ως συνεχής ροή.

Η ενιαία λειτουργία HTTP έχει ακόμα τη θέση της όπου ο πραγματικός χρόνος δεν προσφέρει τίποτα: παραγωγή αρχείων ήχου σε παρτίδες, διαδικασίες που χρειάζονται το πλήρες αρχείο πριν ενεργήσουν (μετεπεξεργασία, αποθήκευση, αποστολή) και, απλούστερα, οποιαδήποτε αρχιτεκτονική προτιμά μια χωρίς κατάσταση συναλλαγή από μια μόνιμη σύνδεση προς διαχείριση.

Βασικά σημεία

  • Το TTS WebSocket είναι διαθέσιμο στο wss://api.x.ai/v1/tts
  • Οι παράμετροι τοποθετούνται στη συμβολοσειρά ερωτήματος κατά τη σύνδεση
  • Η σύνδεση δεν λήγει από μόνη της, αλλά η τεκμηρίωση αναφέρει άδεια συνεδρίας 600 δευτερολέπτων: σχεδιάστε για επανασύνδεση
  • Το όριο είναι 50 ταυτόχρονες συνεδρίες ανά ομάδα
  • Το κείμενο είναι απεριόριστο (στέλνεται σε διαφορές έως 60.000 χαρακτήρων)
  • Χρησιμοποιήστε WebSocket για πραγματικό χρόνο, HTTP για παρτίδες