Η σύνδεση WebSocket TTS
Σε αυτήν τη σελίδα
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.
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
| Παράμετρος | Απαιτείται | Προεπιλογή | Περιγραφή |
|---|---|---|---|
language | Ναι | — | Κώδικας BCP-47 ή auto |
voice | Όχι | — | ID ενσωματωμένης ή προσαρμοσμένης φωνής |
codec | Όχι | mp3 | mp3, wav, pcm, mulaw (ή ulaw), alaw |
sample_rate | Όχι | 24000 | Ρυθμός δειγματοληψίας |
bit_rate | Όχι | 128000 | Ρυθμός 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:
- Εντοπίζει πότε κλείνει η σύνδεση
- Επανασυνδέεται αυτόματα εάν χρειάζεται
- 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
| Πτυχή | Ενιαίο HTTP | WebSocket |
|---|---|---|
| Καθυστέρηση | Πλήρης ήχος μετά την επεξεργασία | Πρώτα bytes αμέσως |
| Μέγιστο κείμενο | 60.000 χαρακτήρες ανά αίτημα | Απεριόριστο (deltas έως 60.000 το μέγιστο) |
| Χρονικό όριο | 15 λεπτά | Κανένα· άδεια συνεδρίας 600 δευτερολέπτων |
| Συνεδρίες | Δ/Ε | 50 ανά ομάδα |
| Περιπτώσεις χρήσης | Παρτίδες, αρχεία ήχου | Πραγματικός 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