Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A TTS WebSocket-kapcsolat

9. lecke 14 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Valós idejű beszédszintézis WebSocketen keresztül
  2. WebSocket végpont
  3. Kapcsolat megnyitása
  4. Munkamenet-kezelés
  5. Egyszeri HTTP kontra WebSocket
  6. Mikor használj WebSocketet?
  7. Főbb megállapítások

Frissítve: 2026. november 3., az xAI Text to Speech oldala alapján: legfeljebb 60 000 karakteres delták, nincs kapcsolati időtúllépés, és 600 másodperces „munkamenet-engedély“. Forrás: Text to Speech.

Valós idejű beszédszintézis WebSocketen keresztül

A Grok TTS API WebSocket módot kínál a beszédszintézis folyamatos továbbításához. Az egyszeri HTTP móddal ellentétben, amely a feldolgozás befejezéséig vár, majd visszaadja a teljes hangfájlt, a WebSocket a generálás során azonnal elküldi a hangdarabkákat. Ez ideális azokhoz az interaktív alkalmazásokhoz, ahol az érzékelt késleltetésnek a lehető legkisebbnek kell lennie.

wss://
Biztonságos protokoll
50
Munkamenet csapatonként
600 s
Munkamenet-engedély
∞
Korlátlan szöveg

WebSocket végpont

A wss://api.x.ai/v1/tts címre csatlakozhatsz. A konfigurációs paramétereket a kezdeti kapcsolódás lekérdezési karakterláncában (query string) kell megadnod.

Kapcsolódási paraméterek

ParaméterKötelezőAlapértelmezettLeírás
languageIgen—BCP-47 kód vagy auto
voiceNem—Beépített vagy egyéni hang azonosítója
codecNemmp3mp3, wav, pcm, mulaw (vagy ulaw), alaw
sample_rateNem24000Mintavételezési frekvencia
bit_rateNem128000Bitráta (csak MP3 esetén)

Teljes kapcsolódási URL

wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3&sample_rate=24000

Kapcsolat megnyitása

JavaScriptben (böngésző vagy 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);
};

Fontos: böngészőben a natív WebSocket API nem támogat egyéni fejléceket. A kapcsolódáshoz a saját backend szerveredet kell használnod közvetítőként (lásd a production leckét).

Pythonban a websockets könyvtárral

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")
        # Szöveg küldése és hang fogadása...

Munkamenet-kezelés

Élettartam

Az xAI Text to Speech oldala két dolgot állít, amelyeket együtt kell értelmezned: a WebSocket-kapcsolatnak nincs kérésideje (nyitva marad), míg a „munkamenet-engedély“ élettartama 600 másodperc, anélkül, hogy az oldal tisztázná, mi történik, ha ez lejár. A biztonság kedvéért az alkalmazásodnak a következőket kell tennie:

  1. Észlelnie kell, amikor a kapcsolat megszakad.
  2. Szükség esetén automatikusan újra kell csatlakoznia.
  3. Ott kell folytatnia a szöveg küldését, ahol abbahagyta.

Egyidejű munkamenetek

A Text to Speech oldal szerint a csapatod legfeljebb 50 egyidejű WebSocket-munkamenetet tarthat fenn (a Rate limits oldal tierenként számolja a TTS-munkameneteket, kezdőérték 100). Ezen felül az új kapcsolódásokat elutasítja a rendszer. Nagy forgalmú alkalmazások esetén kezelj kapcsolatkészletet (connection pool).

Több szöveg egy kapcsolaton

Az egyszeri HTTP móddal ellentétben, ahol a kérések 15 perc után időtúllépés miatt megszakadnak, a kapcsolat minden audio.done után nyitva marad: újracsatlakozás nélkül küldhetsz egymás után több szöveget is, és a text.clear paranccsal megszakíthatod az aktuális folyamatot (10. lecke).

Egyszeri HTTP kontra WebSocket

SzempontEgyszeri HTTPWebSocket
KésleltetésA feldolgozás után teljes hanganyagAz első bájtok azonnal érkeznek
Max szöveg60 000 karakter kérésenkéntKorlátlan (legfeljebb 60 000 karakteres delták)
Időtúllépés15 percNincs; 600 másodperces munkamenet-engedély
MunkamenetekN/A50 csapatonként
Felhasználási esetekKötegelés, hangfájlokValós idő, streamelés

Mikor használj WebSocketet?

A WebSocket a helyes választás, amint valós idejű működésről van szó. Amikor a felhasználó azonnali szóbeli választ vár egy chatbottól vagy hangasszisztenstől, a hang megszólalása előtti minden egyes csendes másodperc rontja az érzékelt felhasználói élményt. A WebSocket lehetővé teszi, hogy a lejátszás már az első hangdarabkáknál elinduljon, még mielőtt a generálás teljesen befejeződne. Ez a természetes architektúra akkor is, amikor maga a szöveg is fokozatosan érkezik: egy LLM streamelt kimenete közvetlenül csatlakoztatható a TTS-hez, deltáról deltára, a teljes szöveg megvárása nélkül. Ezzel megszűnik a hosszbeli korlát is: nincs általános limit a teljes szövegre vonatkozóan, csak az egyes delták maximális mérete 60 000 karakter, ami elegendő egy teljes dokumentum folyamatos streameléséhez.

Az egyszeri HTTP mód továbbra is hasznos ott, ahol a valós idő nem ad hozzá értéket: hangfájlok kötegelt generálása, olyan folyamatok, amelyeknek a teljes fájlra szükségük van a továbblépés előtt (utófeldolgozás, tárolás, küldés), és egyszerűen minden olyan architektúra, amely az állapot nélküli kérés-válasz ciklust részesíti előnyben a tartós kapcsolatok kezelésével szemben.

Főbb megállapítások

  • A TTS WebSocket a wss://api.x.ai/v1/tts címen érhető el
  • A paramétereket a kapcsolódáskor a lekérdezési karakterláncban kell megadni
  • A kapcsolat nem jár le magától, de a dokumentáció említ egy 600 másodperces munkamenet-engedélyt: tervezz újraconnectelést
  • A korlát csapatonként 50 egyidejű munkamenet
  • A szöveg korlátlan (legfeljebb 60 000 karakteres deltákban küldve)
  • Használj WebSocketet valós időben, HTTP-t kötegeléshez