A munkamenet konfigurálása a session.update segítségével
Ezen az oldalon
Frissítve: 2026. november 3., az xAI Speech to Speech és Text to Speech oldalai alapján: 28 beépített hang, és a
turn_detectionkizárólag atypealapján van beállítva (opcionálisidle_timeout_msparaméterrel). 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.updateaz első üzenet, amelyet asession.createdután kell elküldeni - Az
instructionsmező 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.updatetöbbször is elküldhető a viselkedés beszélgetés közbeni módosításához