La conexión WebSocket de TTS
En esta página
Actualizado el 3 de noviembre de 2026, según la página Text to Speech de xAI: deltas de hasta 60.000 caracteres, sin tiempo de espera de conexión y un «permiso de sesión» de 600 segundos. Fuente: Text to Speech.
Síntesis de voz en tiempo real mediante WebSocket
La API de TTS de Grok ofrece un modo WebSocket para la transmisión continua de síntesis de voz. A diferencia del modo HTTP unario, que espera a finalizar el procesamiento para devolver el audio completo, WebSocket envía fragmentos de audio a medida que se generan. Es ideal para aplicaciones interactivas donde la latencia percibida debe ser lo más baja posible.
Punto de conexión WebSocket
Te conectas a wss://api.x.ai/v1/tts. Los parámetros de configuración se incluyen en la cadena de consulta de la conexión inicial.
Parámetros de conexión
| Parámetro | Obligatorio | Predeterminado | Descripción |
|---|---|---|---|
language | Sí | — | Código BCP-47 o auto |
voice | No | — | ID de una voz integrada o personalizada |
codec | No | mp3 | mp3, wav, pcm, mulaw (o ulaw), alaw |
sample_rate | No | 24000 | Frecuencia de muestreo |
bit_rate | No | 128000 | Tasa de bits (solo MP3) |
URL de conexión completa
wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3&sample_rate=24000
Establecer la conexión
En JavaScript (navegador o 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("Conexión TTS establecida");
};
ws.onerror = (error) => {
console.error("Error de WebSocket:", error);
};
Importante: en un navegador, la API nativa de WebSocket no admite cabeceras personalizadas. Deberás pasar por tu backend para establecer la conexión (consulta la lección de producción).
En Python con 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("Conexión TTS establecida")
# Enviar texto y recibir audio...
Gestión de sesiones
Duración
La página Text to Speech de xAI indica dos aspectos que debes leer conjuntamente: la conexión WebSocket no tiene tiempo de espera de solicitud (permanece abierta) y el «permiso de sesión» tiene una duración de 600 segundos, sin que la página explique qué ocurre cuando este expira. Por seguridad, tu aplicación debería:
- Detectar cuándo se cierra la conexión
- Reconectarse automáticamente si es necesario
- Reanudar el envío de texto desde donde se quedó
Sesiones simultáneas
Según la página Text to Speech, tu equipo está limitado a 50 sesiones WebSocket simultáneas (la página Rate limits cuenta las sesiones de TTS por nivel, empezando en 100). Superado este límite, se rechazan nuevas conexiones. Gestiona un grupo de conexiones para aplicaciones con alto tráfico.
Varios textos en una misma conexión
A diferencia del modo HTTP unario, donde las solicitudes expiran tras 15 minutos, la conexión permanece abierta después de cada audio.done: puedes enviar un texto tras otro sin necesidad de reconectar y cancelar el actual con text.clear (lección 10).
HTTP unario frente a WebSocket
| Aspecto | HTTP unario | WebSocket |
|---|---|---|
| Latencia | Audio completo tras el procesamiento | Primeros bytes de inmediato |
| Máx. texto | 60.000 caracteres por solicitud | Ilimitado (deltas de máx. 60.000) |
| Tiempo de espera | 15 minutos | Ninguno; permiso de sesión de 600 segundos |
| Sesiones | N/D | 50 por equipo |
| Casos de uso | Lotes, archivos de audio | Tiempo real, transmisión continua |
Cuándo usar WebSocket
WebSocket es la opción adecuada tan pronto como interviene el tiempo real. Cuando un usuario espera una respuesta hablada inmediata, ya sea de un chatbot o un asistente de voz, cada segundo de silencio antes del primer sonido perjudica la experiencia percibida; WebSocket permite iniciar la reproducción con los primeros fragmentos de audio, antes incluso de que finalice la generación. También es la arquitectura natural cuando el propio texto llega de forma gradual: la salida transmitida de un LLM se conecta directamente al TTS, delta a delta, sin esperar al texto completo. Además, elimina la restricción de longitud: no hay un límite global sobre el texto total, solo los deltas individuales están limitados a 60.000 caracteres, lo suficiente para verbalizar un documento entero como un flujo continuo.
El modo HTTP unario sigue teniendo su lugar allí donde el tiempo real no aporta valor: generación de archivos de audio por lotes, procesos que necesitan el archivo completo antes de actuar (posprocesamiento, almacenamiento, envío) y, más simplemente, cualquier arquitectura que prefiera una ida y vuelta sin estado frente a la gestión de una conexión persistente.
Puntos clave
- TTS WebSocket está disponible en
wss://api.x.ai/v1/tts - Los parámetros se incluyen en la cadena de consulta al conectar
- La conexión no caduca por sí sola, pero la documentación menciona un permiso de sesión de 600 segundos: planifica la reconexión
- El límite es de 50 sesiones simultáneas por equipo
- El texto es ilimitado (se envía en deltas de hasta 60.000 caracteres)
- Usa WebSocket para tiempo real y HTTP para lotes