Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

WebSocket krajnja točka i veza u stvarnom vremenu

Lekcija 1 od 16 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Voice Agent API u stvarnom vremenu
  2. Uspostavljanje WebSocket veze
  3. Životni ciklus sesije
  4. Ključne točke

Ažurirano 3. studenoga 2026., na temelju xAI stranica Speech to Speech, Pricing i Rate limits: 0,08 USD po minuti, istodobne sesije prema razini te grok-voice-3.0 kao trenutni model. Izvori: Speech to Speech · Pricing · Rate limits.

Voice Agent API u stvarnom vremenu

Grok Voice Agent API omogućuje ti izgradnju glasovnih agenata za razgovor koji komuniciraju s tvojim korisnicima u stvarnom vremenu. Za razliku od klasičnih REST API-ja koji funkcioniraju zahtjev-po-zahtjev, ovaj API koristi protokol WebSocket kako bi održao trajnu dvosmjernu vezu otvorenom između tvoje aplikacije i xAI poslužitelja.

Dokumentacija Voice Agent API-ja

Postoji samo jedna krajnja točka:

wss://api.x.ai/v1/realtime

Model odabireš pomoću URL parametra model, primjerice wss://api.x.ai/v1/realtime?model=grok-voice-latest. grok-voice-latest upućuje na grok-voice-3.0, trenutni model, koji je ujedno i zadani. U produkcijskom okruženju xAI preporučuje fiksiranje imenovane verzije.

Ova jedina krajnja točka upravlja cijelim životnim ciklusom glasovnog razgovora: prima audio, detektira govor, generira odgovor i šalje natrag sintetizirani audio.

WebSocket
Protokol u stvarnom vremenu
grok-voice-3.0
Trenutni model
10
Istodobne sesije na početnoj razini
0,08 USD/min
Cjenik

Uspostavljanje WebSocket veze

Za povezivanje stavi svoj xAI API ključ u zaglavlje za autorizaciju. Evo primjera u JavaScriptu:

const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
  headers: {
    "Authorization": "Bearer " + process.env.XAI_API_KEY
  }
});

ws.on("open", () => {
  console.log("WebSocket connection established");
});

ws.on("message", (data) => {
  const event = JSON.parse(data);
  console.log("Event received:", event.type);
});

ws.on("close", (code, reason) => {
  console.log("Connection closed:", code, reason);
});

ws.on("error", (err) => {
  console.error("WebSocket error:", err);
});

U Pythonu možeš koristiti biblioteku websockets:

import asyncio
import websockets
import json
import os

async def connect():
    uri = "wss://api.x.ai/v1/realtime"
    headers = {
        "Authorization": f"Bearer {os.environ['XAI_API_KEY']}"
    }

    async with websockets.connect(uri, additional_headers=headers) as ws:
        async for message in ws:
            event = json.loads(message)
            print(f"Event: {event['type']}")

asyncio.run(connect())

Životni ciklus sesije

Čim se WebSocket veza otvori, poslužitelj šalje događaj session.created kojim potvrđuje da je sesija aktivna. Zatim šalješ događaj session.update kako bi konfigurirao razgovor (glas, upute, alati, detekcija okretanja).

Tipičan ciklus izgleda ovako:

  1. Povezivanje: otvori WebSocket s autentifikacijom
  2. Konfiguracija: pošalji session.update sa svojim postavkama
  3. Potvrda: primi session.updated od poslužitelja
  4. Razgovor: razmjenjuj audio i tekstualne događaje
  5. Zatvaranje: uredno prekini WebSocket vezu

Rukovanje pogreškama pri povezivanju

Poslužitelj može zatvoriti ili odbiti vezu iz nekoliko razloga: pogreška u autentifikaciji, premašenje limita istodobnih sesija tvoje razine (10 na početnoj razini, do 200 na najvišoj) ili incident. Trenutna dokumentacija ne postavlja maksimalno trajanje sesije, a nastavak sesije (lekcija 4) omogućuje ti da nastaviš razgovor nakon prekida. Tvoja aplikacija treba uključivati logiku ponovnog povezivanja s eksponencijalnim kašnjenjem (exponential backoff).

Cijene provjerene 3. studenoga 2026. Cijene se često mijenjaju: prije bilo kakvog planiranja proračuna, provjeri trenutne stope na službenoj xAI stranici s cjenikom.

Ključne točke

  • WebSocket krajnja točka wss://api.x.ai/v1/realtime jedina je ulazna točka za sve glasovne razgovore
  • Autentificiraš se pomoću zaglavlja Authorization: Bearer {API ključ}
  • Broj istodobnih sesija ovisi o tvojoj razini: 10 na početnoj razini, do 200
  • Poslužitelj šalje session.created pri povezivanju, a zatim čeka tvoj session.update za konfiguraciju razgovora
  • Cijena iznosi 0,08 USD po minuti, odnosno 4,80 USD po satu, plus 0,004 USD po tekstualnom unosu