Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A munkamenet konfigurálása a session.update segítségével

3. lecke 16 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. A hangalapú ügynököd konfigurálása
  2. A session.update teljes szerkezete
  3. A beállítások részletesen
  4. A munkamenet frissítése beszélgetés közben
  5. Főbb megállapítások

Frissítve: 2026. november 3., az xAI Speech to Speech és Text to Speech oldalai alapján: 28 beépített hang, és a turn_detection kizárólag a type alapján van beállítva (opcionális idle_timeout_ms paraméterrel). Források: Speech to Speech · Text to Speech.

A hangalapú ügynököd konfigurálása

Miután a WebSocket-kapcsolat felépült, és megkaptad a session.created eseményt, konfiguráld a munkamenetet egy session.update üzenet elküldésével. Itt határozod meg a hangalapú ügynököd viselkedését: a személyiségét, a hangját, a használható eszközöket és a beszélgetési fordulatok észlelésének módját.

A session.update teljes szerkezete

Íme egy részletes konfigurációs példa:

{
  "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}
      }
    }
  }
}

A beállítások részletesen

Utasítások (rendszerprompt)

Az instructions mező egyenértékű a szöveges API-k rendszerpromptjával: ez határozza meg a hangalapú ügynököd személyiségét, kontextusát és korlátait. A megírásánál azonban van egy, kifejezetten a hangalapú kommunikációra jellemző megkötés: a tömörség. A prompt minden tokenjét feldolgozza a rendszer az első válasz előtt, és egy túl hosszú prompt észrevehető késleltetést okoz már a hívás csatlakozásakor. Maradj a lényegnél, a részleteket pedig az alkalmazáslogikádban kezeld. Ezen szűkös kereten belül három dolognak mindenképpen helyet kell kapnia. A hangnem (hivatalos, barátságos, szakmai), mivel a hangalapú ügynök szó szerint a márkádat testesíti meg az ügyfél fülében. A nyelv: határozd meg („angolul válaszolj“), különben az ügynök követheti a felhasználó vagy a kérdés nyelvét. És a korlátok: mit tehet az ügynök, és ami még fontosabb, mit kell elutasítania vagy emberhez továbbítania, mert telefonon a hatáskörön kívüli válaszok bárki ellenőrzése előtt elhagyják a rendszert.

Hang

A voice beállítás elfogadja az xAI 28 beépített hangjának egyikét (2026. november 3. szerint), amelyet a hangalapú ügynök és a szöveg-beszéd (TTS) funkció közösen használ, vagy egy egyéni hang azonosítóját, amelyet a Custom Voices API-val hoztál létre. A hangazonosítók nem különböztetik meg a kis- és nagybetűket: az eve, Eve és EVE ugyanarra a hangra utal. Minden hang beszél minden támogatott nyelven.

Az öt eredeti hang, ahogy az xAI leírja őket:

  • eve: energikus és vidám, brit akcentussal
  • ara: meleg és barátságos
  • rex: magabiztos és érthető
  • sal: sima és kiegyensúlyozott
  • leo: tekintélyt parancsoló és erőteljes, brit akcentussal

Huszonhárom újabb hang csatlakozik hozzájuk: carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora és liora. A jelenlegi listát, az egyes hangok hangnemével és felhasználási területeivel együtt, a GET /v1/tts/voices végpontból vagy az xAI Text to Speech oldaláról kérdezheted le.

Eszközök

A tools tömb határozza meg azokat az eszközöket, amelyeket az ügynök a beszélgetés során meghívhat. Több típust is kombinálhatsz: webes keresés, X-keresés, egyéni függvények, RAG-gyűjtemények és MCP-szerverek. A következő leckék részletesen tárgyalják az eszközöket.

Hangkonfiguráció

Az audio objektum állítja be a bemeneti és kimeneti formátumokat. Ha az architektúrád úgy kívánja, eltérő formátumokat használhatsz bemenetre és kimenetre (például G.711 fogadása egy telefonrendszertől és PCM küldése egy böngésző felé).

A munkamenet frissítése beszélgetés közben

A session.update üzenetet többször is elküldheted egy beszélgetés során. Ez lehetővé teszi, hogy menet közben megváltoztasd az ügynök viselkedését:

// Hang megváltoztatása beszélgetés közben
ws.send(JSON.stringify({
  type: "session.update",
  session: {
    voice: "Ara"
  }
}));

// Egy másik eszköz hozzáadása
ws.send(JSON.stringify({
  type: "session.update",
  session: {
    tools: [
      { type: "web_search" },
      { type: "x_search" }
    ]
  }
}));

Az xAI dokumentációja kifejezetten támogatja a munkamenet közbeni változtatásokat több beállítás esetén (átírás nyelve, kulcsszavak, kiejtés-cserék, hangszállítás), és a session.updated esemény nyugtázza ezeket: ellenőrizd ezt az eseményt a ténylegesen alkalmazott konfiguráció megerősítéséhez.

Főbb megállapítások

  • A session.update az első üzenet, amelyet a session.created után kell elküldeni
  • Az instructions mező határozza meg az ügynök személyiségét és korlátait
  • 28 beépített hang áll rendelkezésre (beleértve az eve, ara, rex, sal és leo hangokat), plusz az egyéni hangok
  • A hangkonfiguráció és az eszközök testreszabhatók
  • A session.update többször is elküldhető a viselkedés beszélgetés közbeni módosításához