Konfiguriraj sesiju pomoću session.update
Na ovoj stranici
Ažurirano 3. studenoga 2026., na temelju xAI stranica Speech to Speech i Text to Speech: 28 ugrađenih glasova, a
turn_detectionse postavlja isključivo putem svojstvatype(s opcionalnimidle_timeout_ms). Izvori: Speech to Speech · Text to Speech.
Konfiguriraj svog glasovnog agenta
Čim se WebSocket veza uspostavi i primiš događaj session.created, konfiguriraj sesiju slanjem poruke session.update. Ovdje definiraš kako će se tvoj glasovni agent ponašati: njegovu osobnost, glas, alate koje može koristiti i način na koji detektira prijelaze u razgovoru.
Potpuna struktura session.update
Evo detaljnog primjera konfiguracije:
{
"type": "session.update",
"session": {
"instructions": "You are a professional voice assistant for a law firm. Answer concisely and precisely. Use a formal tone.",
"voice": "Rex",
"tools": [
{"type": "web_search"},
{
"type": "function",
"name": "look_up_case",
"description": "Looks up a client case by number",
"parameters": {
"type": "object",
"properties": {
"case_number": {
"type": "string",
"description": "Client case number"
}
},
"required": ["case_number"]
}
}
],
"turn_detection": {
"type": "server_vad"
},
"audio": {
"input": {
"format": {"type": "audio/pcm", "rate": 24000}
},
"output": {
"format": {"type": "audio/pcm", "rate": 24000}
}
}
}
}
Postavke u detalje
Upute (sistemski prompt)
Polje instructions ekvivalent je sistemskom promptu u tekstualnim API-jima: definira osobnost, kontekst i ograničenja tvog glasovnog agenta. Pisanje ovog dijela nosi specifično ograničenje vezano uz glas: sažetost. Svaki token prompta obrađuje se prije prvog odgovora, a predugačak prompt uzrokuje primjetno kašnjenje čim se poziv uspostavi. Drži se bitnoga, a pojedinosti premjesti u logiku svoje aplikacije. Unutar tog uskog budžeta, tri stvari zaslužuju mjesto. Ton (formalan, prijateljski, tehnički), jer glasovni agent doslovno utjelovljuje tvoj brend u uhu korisnika. Jezik: navedi ga („odgovaraj na engleskom“), inače će agent možda slijediti jezik korisnika ili pitanja. I ograničenja: što agent smije raditi i, prije svega, što mora odbiti ili proslijediti čovjeku, jer na telefonu odgovor izvan okvira izleti prije nego ga itko stigne pregledati.
Glas
Postavka voice prihvaća jedan od 28 ugrađenih glasova tvrtke xAI (stanje na dan 3. studenoga 2026.), koje dijele glasovni agent i tekst-u-glas (TTS), ili ID prilagođenog glasa kreiranog putem Custom Voices API-ja. ID-jevi glasova ne razlikuju velika i mala slova: eve, Eve i EVE odnose se na isti glas. Svaki glas govori svim podržanim jezicima.
Pet izvornih glasova, kako ih opisuje xAI:
- eve: energičan i vedar, britanski naglasak
- ara: topao i prijateljski
- rex: samouvjeren i jasan
- sal: gladak i uravnotežen
- leo: autoritativan i snažan, britanski naglasak
Njima se pridružuje dvadeset i tri novija glasa: carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora i liora. Trenutni popis, s tonom i slučajevima upotrebe za svaki glas, možeš dobiti putem GET /v1/tts/voices ili na xAI stranici Text to Speech.
Alati
Niz tools definira alate koje agent može pozvati tijekom razgovora. Možeš kombinirati nekoliko vrsta: web pretraživanje, X pretraživanje, prilagođene funkcije, RAG kolekcije i MCP poslužitelje. Sljedeće lekcije detaljno obrađuju alate.
Audio konfiguracija
Objekt audio postavlja ulazne i izlazne formate. Možeš koristiti različite formate za ulaz i izlaz ako to tvoja arhitektura zahtijeva (na primjer, primanje G.711 s telefonskog sustava i slanje PCM-a u preglednik).
Ažuriranje sesije usred razgovora
Poruku session.update možeš poslati nekoliko puta tijekom razgovora. To ti omogućuje da dinamički mijenjaš ponašanje agenta:
// Promijeni glas usred razgovora
ws.send(JSON.stringify({
type: "session.update",
session: {
voice: "Ara"
}
}));
// Dodaj još jedan alat
ws.send(JSON.stringify({
type: "session.update",
session: {
tools: [
{ type: "web_search" },
{ type: "x_search" }
]
}
}));
xAI dokumentacija izričito podržava promjene usred sesije za nekoliko postavki (jezik transkripcije, ključne riječi, zamjene izgovora, audio prijenos), a session.updated to potvrđuje: provjeri ga kako bi potvrdio/la primijenjenu konfiguraciju.
Ključne točke
session.updateprva je poruka koju šalješ nakonsession.created- Polje
instructionsdefinira osobnost i ograničenja agenta - Dostupno je 28 ugrađenih glasova (uključujući eve, ara, rex, sal i leo), plus prilagođeni glasovi
- Audio konfiguracija i alati su prilagodljivi
session.updatemožeš poslati više puta kako bi promijenio/la ponašanje usred razgovora