A TTS WebSocket-kapcsolat
Ezen az oldalon
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.
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
| Paraméter | Kötelező | Alapértelmezett | Leírás |
|---|---|---|---|
language | Igen | — | BCP-47 kód vagy auto |
voice | Nem | — | Beépített vagy egyéni hang azonosítója |
codec | Nem | mp3 | mp3, wav, pcm, mulaw (vagy ulaw), alaw |
sample_rate | Nem | 24000 | Mintavételezési frekvencia |
bit_rate | Nem | 128000 | Bitráta (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:
- Észlelnie kell, amikor a kapcsolat megszakad.
- Szükség esetén automatikusan újra kell csatlakoznia.
- 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
| Szempont | Egyszeri HTTP | WebSocket |
|---|---|---|
| Késleltetés | A feldolgozás után teljes hanganyag | Az első bájtok azonnal érkeznek |
| Max szöveg | 60 000 karakter kérésenként | Korlátlan (legfeljebb 60 000 karakteres delták) |
| Időtúllépés | 15 perc | Nincs; 600 másodperces munkamenet-engedély |
| Munkamenetek | N/A | 50 csapatonként |
| Felhasználási esetek | Kötegelés, hangfájlok | Valós 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/ttscímen 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