Ryšys su TTS per WebSocket
Šiame puslapyje
Atnaujinta 2026 m. lapkričio 3 d., remiantis xAI Text to Speech puslapiu: deltų dydis iki 60 000 simbolių, ryšio laiko limito nėra, o „sesijos leidimas“ galioja 600 sekundžių. Šaltinis: Text to Speech.
Kalbos sintezė realiuoju laiku per WebSocket
Grok TTS API siūlo WebSocket veikseną kalbos sintezei transliuoti. Skirtingai nei vienkartinis HTTP režimas, kuris laukia, kol apdorojimas bus baigtas, kad grąžintų visą garso įrašą, WebSocket siunčia garso fragmentus jiems generuojantis. Tai idealu interaktyvioms programoms, kuriose suvokiama delsos trukmė turi būti kuo mažesnė.
WebSocket galinis taškas
Prisijungi prie wss://api.x.ai/v1/tts. Konfigūracijos parametrai nurodomi pradinio ryšio užklausos eilutėje.
Ryšio parametrai
| Parametras | Privalomas | Numatytoji reikšmė | Aprašymas |
|---|---|---|---|
language | Taip | — | BCP-47 kodas arba auto |
voice | Ne | — | Įmontuoto arba tinkinto balso ID |
codec | Ne | mp3 | mp3, wav, pcm, mulaw (arba ulaw), alaw |
sample_rate | Ne | 24000 | Diskretizavimo dažnis |
bit_rate | Ne | 128000 | Bitų sparta (tik MP3) |
Pilnas ryšio URL
wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3&sample_rate=24000
Ryšio užmezgimas
JavaScript kalba (naršyklėje arba 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);
};
Svarbu: naršyklėje vietinė WebSocket API nepalaiko tinkintų antraščių. Ryšiui užmegzti turėsi naudoti savo serverinę dalį (žr. pamoką apie gamybinę aplinką).
Python kalba naudojant websockets
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")
# Siųsti tekstą ir gauti garso įrašą...
Sesijų valdymas
Gyvavimo trukmė
xAI Text to Speech puslapyje pateikiama dvi svarbios detalės: WebSocket ryšys neturi užklausos laiko limito (jis lieka atviras), tačiau „sesijos leidimas“ galioja 600 sekundžių, nors puslapyje nepaaiškinama, kas nutinka jam pasibaigus. Saugumo sumetimais tavo programa turėtų:
- Aptikti, kada ryšys nutraukiamas
- Prireikus automatiškai prisijungti iš naujo
- Tęsti teksto siuntimą nuo tos vietos, kurioje sustojai
Vienalaikės sesijos
Pagal Text to Speech puslapį, tavo komandai leidžiama turėti daugiausia 50 vienalaikių WebSocket sesijų (Rate limits puslapyje TTS sesijos skaičiuojamos pagal lygį, pradedant nuo 100). Viršijus šį limitą, nauji ryšiai atmetami. Didelio srauto programoms valdyk ryšių baseiną.
Keli tekstai viename ryšyje
Skirtingai nei vienkartinis HTTP režimas, kuriame užklausos laiko limitas yra 15 minučių, ryšys lieka atviras po kiekvieno audio.done: gali siųsti vieną tekstą po kito neprisijungdamas iš naujo ir atšaukti dabartinį naudodamas text.clear (10 pamoka).
Vienkartinis HTTP prieš WebSocket
| Aspektas | Vienkartinis HTTP | WebSocket |
|---|---|---|
| Delsa | Visas garso įrašas po apdorojimo | Pirmieji baitai iškart |
| Maksimalus tekstas | 60 000 simbolių vienai užklausai | Neribota (deltos iki 60 000) |
| Laiko limitas | 15 minučių | Nėra; sesijos leidimas 600 sekundžių |
| Sesijos | Nėra duomenų | 50 vienai komandai |
| Naudojimo atvejai | Grupinis apdorojimas, garso failai | Realusis laikas, transliavimas |
Kada naudoti WebSocket
WebSocket yra tinkamas pasirinkimas, kai reikia veikti realiuoju laiku. Kai naudotojas laukia neatidėliotino žodinio atsakymo iš pokalbių roboto ar balso asistento, kiekviena tylos sekundė prieš pasigirstant pirmajam garsui blogina patirtį, o WebSocket leidžia pradėti atkūrimą jau nuo pirmųjų garso fragmentų, dar nesibaigus generavimui. Tai taip pat natūrali architektūra, kai pats tekstas gaunamas palaipsniui: LLM transliuojama išvestis tiesiogiai prijungiama prie TTS, delta po deltos, nelaukiant viso teksto. Be to, tai panaikina ilgio apribojimą: bendro teksto kiekio limito nėra, ribojamos tik individualios deltos (iki 60 000 simbolių), ko pakanka ištisam dokumentui įgarsinti kaip vientisam srautui.
Vienkartinis HTTP režimas vis dar turi savo vietą ten, kur realusis laikas nieko neduoda: kuriant garso failus grupėmis, procesuose, kuriems prieš veikiant reikia viso failo (papildomas apdorojimas, saugojimas, siuntimas), ir paprasčiausiai bet kurioje architektūroje, kuriai patogiau valdyti be būsenos užklausos ciklą nei nuolatinį ryšį.
Svarbiausi punktai
- TTS WebSocket yra pasiekiamas adresu
wss://api.x.ai/v1/tts - Parametrai nurodomi užklausos eilutėje užmezgant ryšį
- Ryšys savaime negalioja neribotą laiką, tačiau dokumentuose minimas 600 sekundžių sesijos leidimas: numatyk galimybę prisijungti iš naujo
- Limitas – 50 vienalaikių sesijų vienai komandai
- Tekstas neribotas (siunčiamas deltomis iki 60 000 simbolių)
- Naudok WebSocket realiuoju laiku, HTTP – grupiniam apdorojimui