WebSocket veza za TTS
Na ovoj stranici
Ažurirano 3. studenoga 2026., na temelju stranice xAI Text to Speech: delta do 60.000 znakova, nema vremenskog ograničenja veze i „sesijska dozvola“ od 600 sekundi. Izvor: Text to Speech.
Sinteza govora u stvarnom vremenu putem WebSocketa
Grok TTS API nudi način rada putem WebSocketa za strujanje sinteze govora. Za razliku od unarnog HTTP načina koji čeka završetak obrade kako bi vratio cjelokupni audio, WebSocket šalje audio isječke čim se generiraju. Idealno je rješenje za interaktivne aplikacije gdje percipirana latencija mora biti što niža.
WebSocket krajnja točka
Spajaš se na wss://api.x.ai/v1/tts. Parametri konfiguracije idu u niz upita (query string) pri početnom spajanju.
Parametri povezivanja
| Parametar | Obavezno | Zadano | Opis |
|---|---|---|---|
language | Da | — | BCP-47 kod ili auto |
voice | Ne | — | ID ugrađenog ili prilagođenog glasa |
codec | Ne | mp3 | mp3, wav, pcm, mulaw (ili ulaw), alaw |
sample_rate | Ne | 24000 | Frekvencija uzorkovanja |
bit_rate | Ne | 128000 | Bitna brzina (samo za MP3) |
Puni URL za povezivanje
wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3&sample_rate=24000
Otvaranje veze
U JavaScriptu (preglednik ili 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("TTS connection established");
};
ws.onerror = (error) => {
console.error("WebSocket error:", error);
};
Važno: u pregledniku izvorni WebSocket API ne podržava prilagođena zaglavlja. Za povezivanje ćeš morati proći kroz svoj backend (vidi lekciju o proizvodnji).
U Pythonu s bibliotekom 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("TTS connection established")
# Pošalji tekst i primi audio...
Upravljanje sesijom
Vijek trajanja
Stranica xAI Text to Speech navodi dvije stvari koje trebaš promatrati zajedno: WebSocket veza nema vremensko ograničenje zahtjeva (ostaje otvorena), a „sesijska dozvola“ ima vijek trajanja od 600 sekundi, pri čemu stranica ne objašnjava što se događa kada istekne. Radi sigurnosti, tvoja aplikacija treba:
- Detektirati kada se veza zatvori
- Automatski se ponovno spojiti ako je potrebno
- Nastaviti slanje teksta od mjesta gdje je stalo
Istodobne sesije
Prema stranici Text to Speech, tvoj tim ograničen je na 50 istodobnih WebSocket sesija (stranica Rate limits broji TTS sesije po razini, počevši od 100). Iznad tog broja nove veze se odbijaju. Za aplikacije s velikim prometom upravljaj bazom veza (connection pool).
Više tekstova na jednoj vezi
Za razliku od unarnog HTTP načina gdje zahtjevi istječu nakon 15 minuta, veza ostaje otvorena nakon svakog audio.done: možeš slati jedan tekst za drugim bez ponovnog spajanja te otkazati trenutni s text.clear (lekcija 10).
Unarni HTTP naspram WebSocketa
| Aspekt | Unarni HTTP | WebSocket |
|---|---|---|
| Latencija | Cjelokupni audio nakon obrade | Prvi bajtovi odmah |
| Maks. tekst | 60.000 znakova po zahtjevu | Neograničeno (delta do maks. 60.000) |
| Istek vremena | 15 minuta | Nema; sesijska dozvola od 600 sekundi |
| Sesije | N/A | 50 po timu |
| Slučajevi uporabe | Serijska obrada, audio datoteke | Stvarno vrijeme, strujanje |
Kada koristiti WebSocket
WebSocket je pravi izbor čim je uključen rad u stvarnom vremenu. Kada korisnik čeka trenutni govorni odgovor, od chatbota ili glasovnog asistenta, svaka sekunda tišine prije prvog zvuka košta te u percipiranom iskustvu, a WebSocket omogućuje početak reprodukcije na prvim audio fragmentima, prije nego što je generiranje uopće završeno. To je također prirodna arhitektura kada i sam tekst pristiže postupno: strujni izlaz LLM-a uključuje se izravno u TTS, delta po delta, bez čekanja cjelokupnog teksta. Time se uklanja i ograničenje duljine: ne postoji ukupno ograničenje teksta, samo su pojedinačne delte ograničene na 60.000 znakova, što je dovoljno za izgovaranje cijelog dokumenta kao kontinuiranog toka.
Unarni HTTP način i dalje ima svoje mjesto tamo gdje stvarno vrijeme ne donosi ništa: generiranje audio datoteka u serijama, procesi koji trebaju cjelokupnu datoteku prije djelovanja (naknadna obrada, pohrana, slanje) i, jednostavnije rečeno, bilo koja arhitektura koja preferira bezdržavni povratni ciklus umjesto upravljanja trajnom vezom.
Ključne točke
- TTS WebSocket dostupan je na
wss://api.x.ai/v1/tts - Parametri idu u niz upita prilikom spajanja
- Veza ne istječe sama od sebe, ali dokumentacija spominje sesijsku dozvolu od 600 sekundi: planiraj ponovno spajanje
- Ograničenje je 50 istodobnih sesija po timu
- Tekst je neograničen (šalje se u deltama do 60.000 znakova)
- Koristi WebSocket za stvarno vrijeme, HTTP za serijsku obradu