Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Integracija s preglednikom i najbolje prakse

Lekcija 14 od 14 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Implementacija TTS-a u web aplikaciji
  2. Podrška preglednika za kodeke
  3. Problem s AudioContextom u Safariju
  4. Blob URL-ovi i curenje memorije
  5. Najbolje produkcijske prakse
  6. Ključne točke
  7. Provjeri svoje razumijevanje

Ažurirano 3. studenog 2026., na temelju stranice xAI Text to Speech: provjera na strani poslužitelja koristi trenutno ograničenje od 60.000 znakova po zahtjevu. Izvor: Text to Speech.

Implementacija TTS-a u web aplikaciji

Integracija TTS-a u preglednik donosi specifične izazove: podrška za kodeke, upravljanje memorijom, specifičnosti Safarija i performanse. Ova završna lekcija daje ti sve što trebaš za robustnu produkcijsku integraciju.

Podrška preglednika za kodeke

Ne podržava svaki preglednik svaki audio format. Odaberi pravi kodek za svoju publiku:

KodekChromeFirefoxSafariEdgePreporučeno
MP3DaDaDaDaDa
WAVDaDaDaDaDa
Sirovi PCMNeNeNeNeNe
mulaw/alawNeNeNeNeNe

Jednostavno pravilo: u pregledniku koristi MP3 ili WAV. PCM, mulaw i alaw namijenjeni su serverskim aplikacijama i telefoniji, a ne web reprodukciji.

// Zatraži MP3 od API-ja (kroz svoj backend)
const response = await fetch("/api/tts", {
  method: "POST",
  headers: { "Content-Type": "application/json" },
  body: JSON.stringify({
    text: "Hello from the browser.",
    voice_id: "eve",
    language: "en"
    // Nema potrebe postavljati output_format: MP3 je zadani
  })
});

Problem s AudioContextom u Safariju

Safari nameće sigurnosno ograničenje: AudioContext se može stvoriti samo unutar rukovatelja korisničkim događajem (klik, pritisak tipke, dodir). Ako pokušaš stvoriti AudioContext prilikom učitavanja stranice, Safari će ga tiho blokirati.

Pogrešan pristup

// NE radi u Safariju
const audioContext = new AudioContext(); // Blokirano!

async function playTTS() {
  const audio = await fetchTTS("Hello");
  // audioContext je suspendiran u Safariju...
}

Ispravan pristup

let audioContext = null;

// Stvori AudioContext pri prvom korisničkom kliku
document.getElementById("play-btn").addEventListener("click", async () => {
  if (!audioContext) {
    audioContext = new AudioContext();
  }

  // Nastavi ako je suspendiran
  if (audioContext.state === "suspended") {
    await audioContext.resume();
  }

  const response = await fetch("/api/tts", {
    method: "POST",
    headers: { "Content-Type": "application/json" },
    body: JSON.stringify({
      text: "Hello from Safari.",
      voice_id: "eve",
      language: "en"
    })
  });

  const arrayBuffer = await response.arrayBuffer();
  const audioBuffer = await audioContext.decodeAudioData(arrayBuffer);

  const source = audioContext.createBufferSource();
  source.buffer = audioBuffer;
  source.connect(audioContext.destination);
  source.start(0);
});

Ovaj pristup radi u svakom pregledniku, ne samo u Safariju. To je dobra univerzalna praksa.

Blob URL-ovi i curenje memorije

Kada stvaraš Blob URL-ove za reprodukciju zvuka, svaki URL troši memoriju dok ga eksplicitno ne oslobodiš. Bez čišćenja, tvoja aplikacija će curiti memoriju.

Problem

// Svaki poziv stvara Blob URL koji se nikada ne oslobađa
async function playTTS(text) {
  const response = await fetch("/api/tts", { ... });
  const blob = await response.blob();
  const url = URL.createObjectURL(blob); // Curenje memorije!
  const audio = new Audio(url);
  audio.play();
}

Rješenje

async function playTTS(text) {
  const response = await fetch("/api/tts", {
    method: "POST",
    headers: { "Content-Type": "application/json" },
    body: JSON.stringify({ text, voice_id: "eve", language: "en" })
  });

  const blob = await response.blob();
  const url = URL.createObjectURL(blob);
  const audio = new Audio(url);

  // Oslobodi memoriju kada reprodukcija završi
  audio.addEventListener("ended", () => {
    URL.revokeObjectURL(url);
  });

  // Također oslobodi u slučaju greške
  audio.addEventListener("error", () => {
    URL.revokeObjectURL(url);
  });

  audio.play();
}

Za aplikacije koje generiraju puno zvuka, vodi popis aktivnih URL-ova i povremeno ih očisti:

class AudioManager {
  constructor() {
    this.activeUrls = new Set();
  }

  async play(text) {
    const response = await fetch("/api/tts", {
      method: "POST",
      headers: { "Content-Type": "application/json" },
      body: JSON.stringify({ text, voice_id: "eve", language: "en" })
    });

    const blob = await response.blob();
    const url = URL.createObjectURL(blob);
    this.activeUrls.add(url);

    const audio = new Audio(url);
    audio.addEventListener("ended", () => this.release(url));
    audio.addEventListener("error", () => this.release(url));
    audio.play();
    return audio;
  }

  release(url) {
    URL.revokeObjectURL(url);
    this.activeUrls.delete(url);
  }

  cleanup() {
    // Oslobodi svaki aktivni URL
    for (const url of this.activeUrls) {
      URL.revokeObjectURL(url);
    }
    this.activeUrls.clear();
  }
}

Najbolje produkcijske prakse

Ograničavanje stope (Rate limiting) na backendu

Zaštiti svoj backend od zlouporabe ograničavanjem broja zahtjeva po korisniku:

const rateLimit = require("express-rate-limit");

const ttsLimiter = rateLimit({
  windowMs: 60 * 1000, // 1 minuta
  max: 10, // 10 zahtjeva po minuti po IP adresi
  message: { error: "Previše TTS zahtjeva" }
});

app.post("/api/tts", ttsLimiter, async (req, res) => {
  // ... prosljeđivanje na xAI API
});

Validacija teksta

Validiraj i očisti tekst prije slanja API-ju:

function validateTTSInput(text) {
  if (!text || typeof text !== "string") {
    throw new Error("Tekst je obavezan");
  }
  if (text.length > 60000) {
    throw new Error("Tekst je predugačak (maksimalno 60.000 znakova)");
  }
  // Ukloni kontrolne znakove
  return text.replace(/[\x00-\x08\x0B\x0C\x0E-\x1F]/g, "");
}

Međuspremnik (Cache) za zvuk

Za ponavljajuće tekstove (pozdravi, standardne upute), pohrani generirani zvuk u međuspremnik:

const audioCache = new Map();

async function getTTS(text, voice, language) {
  const cacheKey = `${text}:${voice}:${language}`;

  if (audioCache.has(cacheKey)) {
    return audioCache.get(cacheKey);
  }

  const audio = await fetchTTSFromAPI(text, voice, language);
  audioCache.set(cacheKey, audio);
  return audio;
}

Predgeneriranje

Za sadržaj koji unaprijed poznaješ (e-učenje, IVR), predgeneriraj audio datoteke tijekom izgradnje (build time), a ne u stvarnom vremenu.

Ključne točke

  • Koristi MP3 ili WAV u pregledniku, nikada PCM/mulaw/alaw
  • U Safariju stvori AudioContext unutar rukovatelja korisničkim događajem
  • Uvijek oslobodi Blob URL-ove s URL.revokeObjectURL() nakon upotrebe
  • Dodaj ograničavanje stope (rate limiting) svom backend proxyju
  • Validiraj i očisti tekst prije slanja API-ju
  • Pohrani zvuk u međuspremnik za ponavljajuće tekstove kako bi uštedio API pozive
  • Predgeneriraj zvuk za sadržaj koji unaprijed poznaješ

Provjeri svoje razumijevanje

xAI sinteza govora: od prvog poziva do streaming pipelinea.

1. Kako funkcionira osnovni TTS poziv?

Odgovor: POST zahtjev na /v1/tts s tekstom, odabranim glasom (koji možeš izlistati putem API-ja) i parametrima. Odgovor je zvuk, a naplata se vrši prema volumenu sintetiziranog sadržaja.

2. Što ti omogućuju ekspresivne oznake?

Odgovor: Kontrolu govora unutar teksta: inline i omotavajuće oznake za intonaciju, pauze i naglasak, koje možeš kombinirati za prirodna, usmjerena čitanja.

3. Kada trebaš prijeći na TTS WebSocket?

Odgovor: Za rad u stvarnom vremenu: tekst odlazi kao stream, a zvuk se neprekidno vraća. To je temelj LLM → TTS pipelinea, gdje glas počinje prije nego što generiranje završi.

4. Kako osigurati integraciju s preglednikom?

Odgovor: Nikada ne stavljaj API ključ u klijent: preglednik ide kroz tvoj poslužitelj ili koristi vjerodajnice kratkog vijeka trajanja, a ti pravilno rukuješ HTTP greškama.

5. Kako izgleda kompletan produkcijski pipeline?

Odgovor: Streaming LLM → segmenti teksta → TTS WebSocket → reprodukcija zvuka. Svaka karika streama, pa percipirana latencija nestaje, a najbolje prakse iz ovog tečaja zatvaraju krug.

Oznake za ekspresivnost, WebSocket za stvarno vrijeme, tvoj poslužitelj za tajne: tvoje aplikacije spremne su za govor.