Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Savienojums ar TTS, izmantojot WebSocket

Nodarbība 9 no 14 Atjaunota 2026. gada 3. novembris Programmētājs
Šajā lapā
  1. Runas sintēze reāllaikā, izmantojot WebSocket
  2. WebSocket galapunkts
  3. Savienojuma izveide
  4. Sesiju pārvaldība
  5. Vienreizējs HTTP pret WebSocket
  6. Kad izmantot WebSocket
  7. Galvenās atziņas

Atjaunināts 2026. gada 3. novembrī, pamatojoties uz xAI Text to Speech lapu: deltas līdz 60 000 rakstzīmēm, savienojuma noilguma nav un sesijas atļauja ir 600 sekundes. Avots: Text to Speech.

Runas sintēze reāllaikā, izmantojot WebSocket

Grok TTS API piedāvā WebSocket režīmu runas sintēzes straumēšanai. Atšķirībā no vienreizējā HTTP režīma, kas gaida, līdz apstrāde ir pabeigta, lai atgrieztu pilnu audio failu, WebSocket nosūta audio fragmentus to ģenerēšanas brīdī. Tas ir ideāli piemērots interaktīvām lietotnēm, kur uztvertajai latentumam jābūt pēc iespējas mazākam.

wss://
Drošs protokols
50
Sesijas uz komandu
600 s
Sesijas atļauja
∞
Neierobežots teksts

WebSocket galapunkts

Tu pieslēdzies adresē wss://api.x.ai/v1/tts. Konfigurācijas parametri tiek norādīti sākotnējā savienojuma vaicājuma virknē (query string).

Savienojuma parametri

ParametrsObligātsNoklusējumsApraksts
languageJā—BCP-47 kods vai auto
voiceNē—Iebūvētas vai pielāgotas balss ID
codecNēmp3mp3, wav, pcm, mulaw (vai ulaw), alaw
sample_rateNē24000Diskretizācijas frekvence
bit_rateNē128000Bitu ātrums (tikai MP3)

Pilns savienojuma URL

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

Savienojuma izveide

JavaScript vidē (pārlūkā vai 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);
};

Svarīgi: pārlūkā natīvais WebSocket API neatbalsta pielāgotas galvenes. Lai izveidotu savienojumu, tev būs jāizmanto savs backend (skatīt nodarbību par ražošanas vidi).

Python vidē, izmantojot 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")
        # Nosūti tekstu un saņem audio...

Sesiju pārvaldība

Darbības laiks

xAI Text to Speech lapā ir minētas divas lietas, kas jālasa kopā: WebSocket savienojumam nav pieprasījuma noilguma (tas paliek atvērts), un „sesijas atļaujai” ir darbības laiks 600 sekundes, lai gan lapā nav paskaidrots, kas notiek, kad tā beidzas. Drošības nolūkos tavai lietotnei vajadzētu:

  1. Noteikt brīdi, kad savienojums tiek slēgts
  2. Nepieciešamības gadījumā automātiski atkārtoti izveidot savienojumu
  3. Atsākt teksta sūtīšanu no vietas, kur tas tika pārtraukts

Vienlaicīgas sesijas

Saskaņā ar Text to Speech lapu, tavai komandai ir ierobežojums – 50 vienlaicīgas WebSocket sesijas (lapā Rate limits TTS sesijas tiek skaitītas pēc līmeņiem, sākot no 100). Pārsniedzot šo limitu, jauni savienojumi tiek noraidīti. Lietotnēm ar lielu datu plūsmu pārvaldi savienojumu kopu (connection pool).

Vairāki teksti vienā savienojumā

Atšķirībā no vienreizējā HTTP režīma, kur pieprasījumiem ir 15 minūšu noilgums, savienojums paliek atvērts pēc katra audio.done: tu vari sūtīt vienu tekstu pēc otra, neatkārtoti izveidojot savienojumu, un atcelt pašreizējo ar text.clear (10. nodarbība).

Vienreizējs HTTP pret WebSocket

AspektsVienreizējs HTTPWebSocket
LatentumsPilns audio pēc apstrādesPirmie baiti uzreiz
Maks. teksts60 000 rakstzīmju pieprasījumāNeierobežots (deltas maks. 60 000)
Noilgums15 minūtesNav; sesijas atļauja 600 sekundes
SesijasNav piemērojams50 uz komandu
Lietošanas gadījumiPakešu apstrāde, audio failiReāllaiks, straumēšana

Kad izmantot WebSocket

WebSocket ir pareizā izvēle, tiklīdz ir iesaistīts reāllaiks. Kad lietotājs gaida tūlītēju mutisku atbildi no čatbota vai balss asistenta, katra klusuma sekunde pirms pirmās skaņas pasliktina lietotāja pieredzi, un WebSocket ļauj atskaņošanu sākt jau pie pirmajiem audio fragmentiem, pat pirms ģenerēšana ir pabeigta. Tā ir arī dabiskā arhitektūra, ja pats teksts pienāk pakāpeniski: LLM straumētā izeja tiek tieši pieslēgta TTS, delta pa deltai, negaidot pilnu tekstu. Turklāt tas noņem garuma ierobežojumu: kopējam tekstam nav limita, tikai atsevišķas deltas ir ierobežotas līdz 60 000 rakstzīmēm, kas ir pietiekami, lai balsī nolasītu visu dokumentu kā nepārtrauktu plūsmu.

Vienreizējam HTTP režīmam joprojām ir sava vieta tur, kur reāllaiks neko nedod: audio failu ģenerēšana pakešos, procesi, kuriem pirms darbības veikšanas (pēcapstrāde, glabāšana, nosūtīšana) ir nepieciešams pilns fails, un, vienkāršāk sakot, jebkura arhitektūra, kas dod priekšroku bezstāvokļa pieprasījuma-atbildes ciklam, nevis pastāvīga savienojuma pārvaldībai.

Galvenās atziņas

  • TTS WebSocket ir pieejams adresē wss://api.x.ai/v1/tts
  • Parametri tiek norādīti vaicājuma virknē savienojuma izveides brīdī
  • Savienojums pats par sevi nebeidzas, taču dokumentācija min 600 sekunžu sesijas atļauju: plāno atkārtotu savienojuma izveidi
  • Limits ir 50 vienlaicīgas sesijas uz komandu
  • Teksts ir neierobežots (tiek sūtīts deltas veidā līdz 60 000 rakstzīmēm)
  • Izmanto WebSocket reāllaikam, HTTP – pakešu apstrādei