Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

WebSocket veza za TTS

Lekcija 9 od 14 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Sinteza govora u stvarnom vremenu putem WebSocketa
  2. WebSocket krajnja točka
  3. Otvaranje veze
  4. Upravljanje sesijom
  5. Unarni HTTP naspram WebSocketa
  6. Kada koristiti WebSocket
  7. Ključne točke

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.

wss://
Siguran protokol
50
Sesija po timu
600 s
Sesijska dozvola
∞
Neograničen tekst

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

ParametarObaveznoZadanoOpis
languageDa—BCP-47 kod ili auto
voiceNe—ID ugrađenog ili prilagođenog glasa
codecNemp3mp3, wav, pcm, mulaw (ili ulaw), alaw
sample_rateNe24000Frekvencija uzorkovanja
bit_rateNe128000Bitna 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:

  1. Detektirati kada se veza zatvori
  2. Automatski se ponovno spojiti ako je potrebno
  3. 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

AspektUnarni HTTPWebSocket
LatencijaCjelokupni audio nakon obradePrvi bajtovi odmah
Maks. tekst60.000 znakova po zahtjevuNeograničeno (delta do maks. 60.000)
Istek vremena15 minutaNema; sesijska dozvola od 600 sekundi
SesijeN/A50 po timu
Slučajevi uporabeSerijska obrada, audio datotekeStvarno 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