Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Konfigurē sesiju, izmantojot session.update

Nodarbība 3 no 16 Atjaunota 2026. gada 3. novembris Programmētājs
Šajā lapā
  1. Konfigurē savu balss aģentu
  2. Pilna session.update struktūra
  3. Iestatījumi detalizēti
  4. Sesijas atjaunināšana sarunas laikā
  5. Galvenās atziņas

Atjaunināts 2026. gada 3. novembrī, pamatojoties uz xAI lapām Speech to Speech un Text to Speech: 28 iebūvētās balsis, un turn_detection tiek iestatīts tikai pēc tā type (ar opcionālu idle_timeout_ms). Avoti: Speech to Speech · Text to Speech.

Konfigurē savu balss aģentu

Tiklīdz WebSocket savienojums ir izveidots un esi saņēmis notikumu session.created, konfigurē sesiju, nosūtot ziņojumu session.update. Šeit tu definē, kā uzvedas tavs balss aģents: tā personību, balsi, rīkus, ko tas var izmantot, un veidu, kā tas noteic runas maiņu.

Pilna session.update struktūra

Lūk, detalizēts konfigurācijas piemērs:

{
  "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}
      }
    }
  }
}

Iestatījumi detalizēti

Instrukcijas (sistēmas prompts)

Lauks instructions ir līdzvērtīgs sistēmas promptam teksta API: tas definē tava balss aģenta personību, kontekstu un ierobežojumus. Tomēr balss kontekstā tā rakstīšanai ir īpašs ierobežojums – lakoniskums. Katrs prompta tokens tiek apstrādāts pirms pirmās atbildes, un pārlieku garš prompts radīs ievērojamu latentumu tieši zvana savienojuma brīdī. Pieturies pie būtiskākā un pārvieto detaļas uz savu lietotnes loģiku. Šī stingrā limita ietvaros trīs lietas ir pelnījušas vietu. Tonis (formāls, draudzīgs, tehnisks), jo balss aģents burtiski iemieso tavu zīmolu klienta ausī. Valoda: norādi to („atbildi angļu valodā”), pretējā gadījumā aģents var sekot lietotāja vai jautājuma valodai. Un robežas: ko aģents drīkst darīt un, pats galvenais, kam tam jāatsaka vai kas jānodod cilvēkam, jo telefonā neatbilstoša atbilde izskan vēl pirms kāds to var pārbaudīt.

Balss

Iestatījums voice pieņem vienu no 28 xAI iebūvētajām balsīm (uz 2026. gada 3. novembri), ko kopīgi izmanto balss aģents un teksta pārvēršana runā (TTS), vai arī pielāgotas balss ID, kas izveidota, izmantojot Custom Voices API. Balsu ID nav jutīgas pret reģistru: eve, Eve un EVE attiecas uz vienu un to pašu balsi. Katra balss runā visās atbalstītajās valodās.

Piecas oriģinālās balsis, kā tās apraksta xAI:

  • eve: enerģiska un dzīvespriecīga, britu akcents
  • ara: silta un draudzīga
  • rex: pārliecināta un skaidra
  • sal: gluda un sabalansēta
  • leo: autoritatīva un spēcīga, britu akcents

Tām pievienojas divdesmit trīs jaunākas balsis: carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora un liora. Aktuālo sarakstu ar katras balss toni un lietojuma gadījumiem vari iegūt, izmantojot GET /v1/tts/voices vai apskatot xAI lapu Text to Speech.

Rīki

Masīvs tools definē rīkus, kurus aģents var izsaukt sarunas laikā. Tu vari kombinēt vairākus tipus: tīmekļa meklēšanu, X meklēšanu, pielāgotas funkcijas, RAG kolekcijas un MCP serverus. Nākamajās nodarbībās rīki tiks aplūkoti detalizēti.

Audio konfigurācija

Objekts audio iestata ievades un izvades formātus. Ja tava arhitektūra to prasa, ievadei un izvadei vari izmantot dažādus formātus (piemēram, saņemt G.711 no telefona sistēmas un sūtīt PCM uz pārlūkprogrammu).

Sesijas atjaunināšana sarunas laikā

Tu vari nosūtīt session.update vairākas reizes vienas sarunas laikā. Tas ļauj mainīt aģenta uzvedību reāllaikā:

// Mainīt balsi saronas vidū
ws.send(JSON.stringify({
  type: "session.update",
  session: {
    voice: "Ara"
  }
}));

// Pievienot vēl vienu rīku
ws.send(JSON.stringify({
  type: "session.update",
  session: {
    tools: [
      { type: "web_search" },
      { type: "x_search" }
    ]
  }
}));

xAI dokumentācija tieši atbalsta izmaiņas sesijas laikā vairākiem iestatījumiem (transkripcijas valoda, atslēgvārdi, izrunas aizstāšanas, audio transports), un session.updated tās apstiprina: pārbaudi to, lai pārliecinātos, ka konfigurācija ir piemērota.

Galvenās atziņas

  • session.update ir pirmais ziņojums, kas jānosūta pēc session.created
  • Lauks instructions definē aģenta personību un ierobežojumus
  • Pieejamas 28 iebūvētās balsis (tostarp eve, ara, rex, sal un leo), kā arī pielāgotas balsis
  • Audio konfigurācija un rīki ir pielāgojami
  • Tu vari nosūtīt session.update vairākas reizes, lai mainītu uzvedību saronas vidū