Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Διαμόρφωση της συνεδρίας με το session.update

Μάθημα 3 / 16 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Διαμόρφωση του φωνητικού σας πράκτορα
  2. Η πλήρης δομή του session.update
  3. Οι ρυθμίσεις αναλυτικά
  4. Ενημέρωση της συνεδρίας κατά τη διάρκεια της συνομιλίας
  5. Βασικά σημεία

Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση τις σελίδες Speech to Speech και Text to Speech της xAI: 28 ενσωματωμένες φωνές, και το turn_detection ορίζεται αποκλειστικά από το type του (με προαιρετικό το idle_timeout_ms). Πηγές: Speech to Speech · Text to Speech.

Διαμόρφωση του φωνητικού σας πράκτορα

Μόλις ανοίξει η σύνδεση WebSocket και λάβετε το συμβάν session.created, διαμορφώστε τη συνεδρία στέλνοντας ένα μήνυμα session.update. Εδώ ορίζετε τη συμπεριφορά του φωνητικού σας πράκτορα: την προσωπικότητά του, τη φωνή του, τα εργαλεία που μπορεί να χρησιμοποιήσει και τον τρόπο με τον οποίο ανιχνεύει τις εναλλαγές ομιλίας (turns).

Η πλήρης δομή του session.update

Ακολουθεί ένα αναλυτικό παράδειγμα διαμόρφωσης:

{
  "type": "session.update",
  "session": {
    "instructions": "You are a professional voice assistant for a law firm. Answer concisely and precisely. Use a formal tone.",
    "voice": "Rex",
    "tools": [
      {"type": "web_search"},
      {
        "type": "function",
        "name": "look_up_case",
        "description": "Looks up a client case by number",
        "parameters": {
          "type": "object",
          "properties": {
            "case_number": {
              "type": "string",
              "description": "Client case number"
            }
          },
          "required": ["case_number"]
        }
      }
    ],
    "turn_detection": {
      "type": "server_vad"
    },
    "audio": {
      "input": {
        "format": {"type": "audio/pcm", "rate": 24000}
      },
      "output": {
        "format": {"type": "audio/pcm", "rate": 24000}
      }
    }
  }
}

Οι ρυθμίσεις αναλυτικά

Οδηγίες (system prompt)

Το πεδίο instructions ισοδυναμεί με το system prompt στα API κειμένου: ορίζει την προσωπικότητα, το πλαίσιο και τους περιορισμούς του φωνητικού σας πράκτορα. Η σύνταξή του όμως υπόκειται σε έναν περιορισμό συγκεκριμένο για τη φωνή: τη συντομία. Κάθε token του prompt επεξεργάζεται πριν από την πρώτη απόκριση και ένα υπερβολικά εκτενές prompt σας κοστίζει αισθητή καθυστέρηση (latency) τη στιγμή που συνδέεται η κλήση. Μείνετε στα απολύτως απαραίτητα και μεταφέρετε τις λεπτομέρειες στην εφαρμοσμένη λογική σας. Μέσα σε αυτόν τον στενό προϋπολογισμό, τρία στοιχεία αξίζουν να συμπεριληφθούν. Ο τόνος (επίσημος, φιλικός, τεχνικός), καθώς ο φωνητικός πράκτορας ενσαρκώνει κυριολεκτικά την εταιρική σας ταυτότητα στο αυτί του πελάτη. Η γλώσσα: καθορίστε την («απαντάτε στα Αγγλικά»), διαφορετικά ο πράκτορας μπορεί να ακολουθήσει τη γλώσσα του χρήστη ή της ερώτησης. Και τα όρια: τι μπορεί να κάνει ο πράκτορας και, κυρίως, τι πρέπει να αρνηθεί ή να παραπέμψει σε άνθρωπο, διότι στο τηλέφωνο μια απάντηση εκτός αντικειμένου εκφωνείται πριν προλάβει κανείς να την ελέγξει.

Φωνή

Η ρύθμιση voice δέχεται μία από τις 28 ενσωματωμένες φωνές της xAI (στις 3 Νοεμβρίου 2026), κοινές για τον φωνητικό πράκτορα και το text-to-speech, ή το ID μιας προσαρμοσμένης φωνής που δημιουργήθηκε με το Custom Voices API. Τα IDs φωνών δεν κάνουν διάκριση πεζών-κεφαλαίων: τα eve, Eve και EVE αναφέρονται όλα στην ίδια φωνή. Κάθε φωνή ομιλεί όλες τις υποστηριζόμενες γλώσσες.

Οι πέντε αρχικές φωνές, όπως τις περιγράφει η xAI:

  • eve: ενεργητική και αισιόδοξη, βρετανική προφορά
  • ara: θερμή και φιλική
  • rex: αυτοπεποίθητη και καθαρή
  • sal: ομαλή και ισορροπημένη
  • leo: επιβλητική και δυναμική, βρετανική προφορά

Είκοσι τρεις νεότερες φωνές τις συμπληρώνουν: carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora και liora. Μπορείτε να λάβετε την τρέχουσα λίστα, με τον τόνο και τις περιπτώσεις χρήσης κάθε φωνής, μέσω του GET /v1/tts/voices ή στη σελίδα Text to Speech της xAI.

Εργαλεία

Ο πίνακας tools ορίζει τα εργαλεία που μπορεί να καλέσει ο πράκτορας κατά τη διάρκεια της συνομιλίας. Μπορείτε να συνδυάσετε διάφορους τύπους: αναζήτηση στον ιστό, αναζήτηση στο X, προσαρμοσμένες συναρτήσεις, συλλογές RAG και διακομιστές MCP. Τα επόμενα μαθήματα καλύπτουν αναλυτικά τα εργαλεία.

Διαμόρφωση ήχου

Το αντικείμενο audio ορίζει τις μορφές εισόδου και εξόδου. Μπορείτε να χρησιμοποιήσετε διαφορετικές μορφές για είσοδο και έξοδο εάν η αρχιτεκτονική σας το απαιτεί (για παράδειγμα, λήψη G.711 από ένα τηλεφωνικό σύστημα και αποστολή PCM σε έναν browser).

Ενημέρωση της συνεδρίας κατά τη διάρκεια της συνομιλίας

Μπορείτε να στείλετε το session.update πολλές φορές κατά τη διάρκεια μιας συνομιλίας. Αυτό σας επιτρέπει να αλλάζετε τη συμπεριφορά του πράκτορα εν κινήσει:

// Αλλαγή φωνής κατά τη διάρκεια της συνομιλίας
ws.send(JSON.stringify({
  type: "session.update",
  session: {
    voice: "Ara"
  }
}));

// Προσθήκη άλλου εργαλείου
ws.send(JSON.stringify({
  type: "session.update",
  session: {
    tools: [
      { type: "web_search" },
      { type: "x_search" }
    ]
  }
}));

Η τεκμηρίωση της xAI υποστηρίζει ρητά αλλαγές κατά τη διάρκεια της συνεδρίας για αρκετές ρυθμίσεις (γλώσσα απογραφής, λέξεις-κλειδιά, αντικαταστάσεις προφοράς, μεταφορά ήχου) και το session.updated τις επιβεβαιώνει: ελέγξτε το για να βεβαιωθείτε για τη διαμόρφωση που εφαρμόστηκε.

Βασικά σημεία

  • Το session.update είναι το πρώτο μήνυμα που στέλνετε μετά το session.created
  • Το πεδίο instructions ορίζει την προσωπικότητα και τους περιορισμούς του πράκτορα
  • Διατίθενται 28 ενσωματωμένες φωνές (συμπεριλαμβανομένων των eve, ara, rex, sal και leo), καθώς και προσαρμοσμένες φωνές
  • Η διαμόρφωση ήχου και τα εργαλεία είναι παραμετροποιήσιμα
  • Μπορείτε να στείλετε το session.update πολλές φορές για να αλλάξετε τη συμπεριφορά κατά τη διάρκεια της συνομιλίας