Cjevovod strujanja od LLM-a do TTS-a
Na ovoj stranici
Ažurirano 3. studenog 2026., na temelju stranice xAI Text to Speech: svaki
text.deltamože sadržavati do 60.000 znakova. Izvor: Text to Speech.
Povezivanje LLM-a sa sintezom govora u stvarnom vremenu
Najmoćnija uporaba TTS WebSocketa je njegovo lančano povezivanje sa strujećim LLM-om. LLM generira tekst token po token, svaki token odlazi u TTS putem WebSocketa, a zvuk se reproducira čim stigne. Korisnik čuje odgovor dok LLM još uvijek „razmišlja“.
Arhitektura cjevovoda
Podaci teku kroz tri faze:
User -> LLM (streaming) -> TTS WebSocket -> Audio (playback)
question text tokens audio.delta speaker
Svaka faza radi strujanje, što minimizira percipiranu latenciju. Korisnik ne čeka da LLM završi generiranje cijelog odgovora prije nego što počne slušati.
Implementacija u Pythonu
Evo potpunog cjevovoda koji povezuje Grok Chat Completions API s TTS WebSocketom:
import asyncio
import websockets
import json
import base64
import aiohttp
async def llm_to_speech(api_key, prompt, voice="rex", language="en"):
# Step 1: TTS WebSocket connection
tts_uri = f"wss://api.x.ai/v1/tts?language={language}&voice={voice}"
tts_headers = {"Authorization": f"Bearer {api_key}"}
audio_chunks = []
async with websockets.connect(tts_uri, additional_headers=tts_headers) as tts_ws:
# Step 2: Streaming LLM call
async with aiohttp.ClientSession() as session:
async with session.post(
"https://api.x.ai/v1/chat/completions",
headers={
"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json"
},
json={
"model": "grok-4.5",
"messages": [{"role": "user", "content": prompt}],
"stream": True
}
) as llm_response:
# Step 3: Each LLM token -> TTS delta
buffer = ""
async for line in llm_response.content:
line = line.decode().strip()
if not line.startswith("data: "):
continue
if line == "data: [DONE]":
break
chunk = json.loads(line[6:])
token = chunk["choices"][0].get("delta", {}).get("content", "")
if token:
buffer += token
# Send complete sentences
if any(c in token for c in ".!?\n"):
await tts_ws.send(json.dumps({
"type": "text.delta",
"delta": buffer
}))
buffer = ""
# Send whatever is left in the buffer
if buffer:
await tts_ws.send(json.dumps({
"type": "text.delta",
"delta": buffer
}))
await tts_ws.send(json.dumps({"type": "text.done"}))
# Step 4: Collect the audio
async for msg in tts_ws:
data = json.loads(msg)
if data["type"] == "audio.delta":
audio_chunks.append(base64.b64decode(data["delta"]))
elif data["type"] == "audio.done":
break
return b"".join(audio_chunks)
Strategija međuspremanja (buffering)
Slanje svakog tokena u TTS pojedinačno nije idealno: motor za sintezu daje bolje rezultate kada ima kontekst. Postoje tri strategije međuspremanja.
Po rečenici
Pričekaj razdjelnik rečenice (., !, ?, novi red) prije slanja:
if any(c in token for c in ".!?\n"):
await tts_ws.send(json.dumps({
"type": "text.delta", "delta": buffer
}))
buffer = ""
Ovo je najbolji balans između kvalitete i latencije.
Po veličini
Pošalji kada međuspremnik dosegne određenu veličinu (npr. 200 znakova):
if len(buffer) >= 200:
await tts_ws.send(json.dumps({
"type": "text.delta", "delta": buffer
}))
buffer = ""
Jednostavnije je, ali može prerezati riječ na pola.
Po isteku vremena
Pošalji nakon kašnjenja bez novog tokena (korisno dok LLM „razmišlja“):
last_token_time = time.time()
# If more than 500 ms pass without a token, send the buffer
if time.time() - last_token_time > 0.5 and buffer:
await tts_ws.send(...)
buffer = ""
Reprodukcija zvuka u stvarnom vremenu
Za reprodukciju zvuka čim stigne (umjesto samo prikupljanja), upotrijebi asinkroni red čekanja:
import asyncio
audio_queue = asyncio.Queue()
async def receive_audio(tts_ws):
"""Receives audio chunks and puts them in the queue."""
async for msg in tts_ws:
data = json.loads(msg)
if data["type"] == "audio.delta":
audio_bytes = base64.b64decode(data["delta"])
await audio_queue.put(audio_bytes)
elif data["type"] == "audio.done":
await audio_queue.put(None) # End sentinel
break
async def play_audio():
"""Plays audio chunks from the queue."""
while True:
chunk = await audio_queue.get()
if chunk is None:
break
# Play the chunk (pyaudio, sounddevice, etc.)
play_chunk(chunk)
Paralelnim pokretanjem receive_audio i play_audio, reprodukcija počinje s prvim primljenim isječkom.
Rukovanje greškama u cjevovodu
Cjevovod može otkazati na tri mjesta: LLM, TTS ili mreža. Rukuj svakim slučajem zasebno:
async def robust_pipeline(api_key, prompt):
try:
audio = await llm_to_speech(api_key, prompt)
return audio
except aiohttp.ClientError:
print("LLM error: check your connection")
except websockets.ConnectionClosed:
print("TTS connection lost: reconnection needed")
except json.JSONDecodeError:
print("Invalid response: unexpected format")
except Exception as e:
print(f"Unexpected error: {e}")
return None
Ključne točke
- Strujeći LLM koji napaja TTS WebSocket osigurava najnižu latenciju
- Međuspremnik po rečenici daje najbolji balans između kvalitete i latencije
- Upotrijebi asinkroni red čekanja za reprodukciju zvuka u stvarnom vremenu
- Rukuj greškama u svakoj fazi cjevovoda
- Ukupni tekst preko WebSocketa je neograničen (delti do 60.000 znakova)
- Ograničenje od 50 istodobnih sesija vrijedi za cijeli tvoj tim