TTS sruthaithe thar WebSocket
Ar an leathanach seo
Nuashonraithe an 3 Samhain 2026, bunaithe ar an leathanach Text to Speech ó xAI. Foinse: Text to Speech.
Cén fáth a n-athraíonn sruthú an taithí
Sa mhód HTTP, ní thugann TTS an smacht ar ais ach nuair a bheidh an fuaime go léir táirgthe. I gcás fógra dhá abairt, ní thugann aon duine faoi deara an feitheamh. Ach i gcás blagphoist, caibidle leabhair, nó fotha nuachta atá ag scrollú go leanúnach, éiríonn an feitheamh an locht is mó i do tháirge: cliceálann úsáideoirí, agus ansin stare siad ar rothán lódála ar feadh roinnt soicind.
Baineann an mód WebSocket an feitheamh sin amach trí fhuaime a bhrú amach de réir mar a dhéantar é a shintéisiú. Tosaíonn an seinm ar na chéad fhocail cé nach bhfuil deireadh an téacs próiseáilte fós. Sin an difríocht idir leathanach a bhfuil cuma reoite air agus fuaime a sheinntear láithreach.
Oscail an nasc
Osclaítear an nasc ar wss://api.x.ai/v1/tts, agus téann an chumraíocht go léir isteach in teaghrán ceiste an URL seachas i dteachtaireacht tosaigh.
const ws = new WebSocket(
"wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3&sample_rate=24000",
{
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
}
);
Seo iad na paraiméadair a nglactar leo:
- language (riachtanach): cód BCP-47 nó
auto - voice (roghnach, réamhshocrú:
eve): aitheantas na gutha - codec (roghnach, réamhshocrú:
mp3): formáid na fuaime aschuir - sample_rate (roghnach, réamhshocrú:
24000): an ráta samplála i Hz - bit_rate (roghnach, réamhshocrú:
128000): an ráta giotáin i bps (MP3 amháin)
Baineann na socruithe seo leis an seisiún go léir: ní féidir leat an guth nó an codec a athrú ar an mbealach. Má theastaíonn ó d’fheidhmchlár malartú idir beirt narradóir, oscail dhá nasc.
An prótacal teachtaireachta
Ar an taobh seolta, níl de dhíth ort ach dhá theachtaireacht chun an tsintéis a stiúradh. Seolann an chéad cheann smután téacs; fógraíonn an dara ceann go bhfuil an téacs críochnaithe.
{ "type": "text.delta", "delta": "Hello and welcome " }
{ "type": "text.done" }
Is féidir leat oiread teachtaireachtaí text.delta agus is gá a sheoladh, suas le 60,000 carachtar in aghaidh gach ceann. Mar sin féin, is fearr gan an teorainn sin a shárú: má roinneann tú an téacs ina smutánanna de roinnt abairt, faigheann tú an chéad smután fuaime i bhfad níos luaithe, rud atá mar aidhm ag sruthú ar fad. Tógfaidh delta amháin de roinnt mílte carachtar ar ais tú go dtí iompar an mhóid HTTP.
Ar an taobh glactha, iompraíonn gach audio.delta blúire fuaime atá ionchódaithe i mbonn64, sa chodec a shocraigh tú agus tú ag nascadh. Dí-chódaigh é agus ceangail é le do mhaolán seinmthe.
{ "type": "audio.delta", "delta": "<base64 audio>" }
{ "type": "audio.done", "trace_id": "trace-uuid" }
Cuirfidh an imeacht audio.done deireadh leis an tsintéis. Is é an trace_id an t-aitheantas le tabhairt don tacaíocht, nó le taifeadadh i do logaí, nuair a bhíonn fadhb le giniúint. Má tá an téacs neamhbhailí nó má sháraigh tú do chuóta, gheobhaidh tú teachtaireacht earráide ina ionad.
{ "type": "error", "message": "description of the error" }
Cur i bhfeidhm iomlán
Roinneann an sampla thíos téacs fada ina mhíreanna, seolann sé iad go léir, agus ansin déanann sé na blúirí fuaime a fhaigheann sé a chur le chéile i gcomhad MP3.
const WebSocket = require("ws");
const fs = require("fs");
const ws = new WebSocket(
"wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3",
{ headers: { "Authorization": "Bearer " + process.env.XAI_API_KEY } }
);
const audioChunks = [];
ws.on("open", () => {
const paragraphs = longText.split("\n\n");
for (const para of paragraphs) {
ws.send(JSON.stringify({
type: "text.delta",
delta: para + " "
}));
}
ws.send(JSON.stringify({ type: "text.done" }));
});
ws.on("message", (data) => {
const msg = JSON.parse(data);
if (msg.type === "audio.delta") {
audioChunks.push(Buffer.from(msg.delta, "base64"));
} else if (msg.type === "audio.done") {
fs.writeFileSync("output.mp3", Buffer.concat(audioChunks));
ws.close();
}
});
Tabhair faoi deara an para + " ": gan an spás sin, rithfidh deireadh míre isteach i dtús na chéad mhíre eile, agus léifidh an t-inneall an dá fhocal le chéile gan anáil a thógáil.
Teorainneanna le bheith ar an eolas fúthu
| Méadrach | Luach |
|---|---|
| Téacs in aghaidh delta | 60,000 carachtar ar a mhéad |
| Téacs iomlán | Gan teorainn |
| Seisiúin chomhthreomhara | 50 in aghaidh foirne |
| Ceadúnas seisiúin | 600 soicind |
| Teorainn ama naisc | Gan aon cheann |
Deir leathanach xAI nach bhfuil aon teorainn ama leis an nasc, agus luaitear ar leithligh “ceadúnas seisiúin” de 600 soicind gan míniú a thabhairt ar a tharlaíonn nuair a ritheann sé amach. Chun a bheith sábháilte, nasc nuair a bhíonn téacs le seoladh agat seachas nuair a lódálann an leathanach, agus déan pleanáil don athnascadh. Déan pleanáil timpeall na teorann 50 seisiún comhthreomhar in aghaidh foirne ar an mbealach céanna: ba chóir do leabharlann fuaime atá ag tiontú a chatalóige sa chúlra a scuaineáil a chuid post seachas dhá chéad nasc a oscailt i gcomhthreo.
HTTP nó WebSocket
Is fós é an mód HTTP an rogha cheart do théacsanna gairide, giniúintí aonuaire, agus áit ar bith a bhfuil tábhacht leis an tsimplíocht comhtháthaithe: aon iarratas amháin, aon fhreagra amháin, gan stát le bainistiú. Is é WebSocket an bealach le dul nuair a éiríonn an téacs fada, nuair a chaithfear an fhuaim a sheinm agus í á táirgeadh, nó nuair a thagann an t-ábhar féin mar shruth, de ghnáth aschur samhlacha teanga a chuireann tú i nguth de réir mar a ghineann sé.
Príomhphointí
- Ligeann TTS WebSocket duit fuaime sruthaithe a fháil gan feitheamh go mbeidh an ghiniúint críochnaithe
- Téann paraiméadair chumraíochta isteach i dteaghrán ceiste an URL naisc
- Tá an prótacal simplí:
text.deltachun téacs a sheoladh,audio.deltachun fuaime a fháil - Tá teorainn le seisiúin WebSocket: 50 seisiún comhthreomhar in aghaidh foirne; déan pleanáil don athnascadh
- Roghnaigh WebSocket do théacsanna fada agus taithí éisteachta fíor-ama