Przejdź do głównej treści
Polski— Wybierz język
Menu

Połączenie WebSocket z TTS

Lekcja 9 z 14 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Synteza mowy w czasie rzeczywistym przez WebSocket
  2. Punkt końcowy WebSocket
  3. Nawiązywanie połączenia
  4. Zarządzanie sesją
  5. Jednokrotny HTTP kontra WebSocket
  6. Kiedy używać WebSocket
  7. Kluczowe wnioski

Zaktualizowano 3 listopada 2026 r. na podstawie strony xAI Text to Speech: delt do 60 000 znaków, brak limitu czasu połączenia oraz „sesyjny limit czasowy“ wynoszący 600 sekund. Źródło: Text to Speech.

Synteza mowy w czasie rzeczywistym przez WebSocket

API Grok TTS oferuje tryb WebSocket do strumieniowej syntezy mowy. W przeciwieństwie do jednokrotnego trybu HTTP, który czeka na zakończenie przetwarzania, aby zwrócić pełny plik audio, WebSocket wysyła fragmenty dźwiękowe natychmiast po ich wygenerowaniu. Jest to rozwiązanie idealne dla aplikacji interaktywnych, w których opóźnienie odczuwalne przez użytkownika musi być jak najmniejsze.

wss://
Bezpieczny protokół
50
Sesji na zespół
600 s
Sesyjny limit czasowy
∞
Nielimitowany tekst

Punkt końcowy WebSocket

Łączysz się z adresem wss://api.x.ai/v1/tts. Parametry konfiguracji umieszczasz w ciągu zapytania podczas nawiązywania początkowego połączenia.

Parametry połączenia

ParametrWymaganyDomyślnyOpis
languageTak—Kod BCP-47 lub auto
voiceNie—Identyfikator wbudowanego lub niestandardowego głosu
codecNiemp3mp3, wav, pcm, mulaw (lub ulaw), alaw
sample_rateNie24000Częstotliwość próbkowania
bit_rateNie128000Szybkość transmisji bitów (tylko MP3)

Pełny adres URL połączenia

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

Nawiązywanie połączenia

W JavaScript (przeglądarka lub 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);
};

Ważne: w przeglądarce natywny interfejs API WebSocket nie obsługuje niestandardowych nagłówków. Musisz przeprowadzić połączenie przez swój backend (szczegóły w lekcji dotyczącej środowiska produkcyjnego).

W Pythonie z biblioteką 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")
        # Wyślij tekst i odbierz audio...

Zarządzanie sesją

Czas życia

Strona xAI Text to Speech zawiera dwie informacje, które należy rozpatrywać łącznie: połączenie WebSocket nie ma limitu czasu żądania (pozostaje otwarte), a „sesyjny limit czasowy“ wynosi 600 sekund, przy czym dokumentacja nie wyjaśnia, co dzieje się po jego upływie. Dla bezpieczeństwa Twoja aplikacja powinna:

  1. Wykrywać moment zamknięcia połączenia.
  2. Automatycznie ponawiać połączenie w razie potrzeby.
  3. Wznawiać wysyłanie tekstu od miejsca, w którym nastąpiło przerwanie.

Sesje współbieżne

Zgodnie ze stroną Text to Speech, Twój zespół jest ograniczony do 50 współbieżnych sesji WebSocket (strona Rate limits podaje limity sesji TTS w zależności od poziomu, zaczynając od 100). Po przekroczeniu tego limitu nowe połączenia zostaną odrzucone. W aplikacjach o dużym ruchu zarządzaj pulą połączeń.

Wiele tekstów na jednym połączeniu

W przeciwieństwie do jednokrotnego trybu HTTP, gdzie żądania kończą się po 15 minutach, połączenie pozostaje otwarte po każdym komunikacie audio.done: możesz wysyłać kolejne fragmenty tekstu bez ponownego łączenia i anulować bieżące zadanie za pomocą text.clear (lekcja 10).

Jednokrotny HTTP kontra WebSocket

AspektJednokrotny HTTPWebSocket
OpóźnieniePełne audio po przetworzeniuPierwsze bajty natychmiast
Maks. tekst60 000 znaków na żądanieNielimitowany (delt do maks. 60 000)
Limit czasu15 minutBrak; sesyjny limit czasowy 600 sekund
SesjeNie dotyczy50 na zespół
Przypadki użyciaPrzetwarzanie wsadowe, pliki audioCzas rzeczywisty, strumieniowanie

Kiedy używać WebSocket

WebSocket to właściwy wybór, gdy kluczowy jest czas rzeczywisty. Gdy użytkownik czeka na natychmiastową odpowiedź głosową od czatbota lub asystenta głosowego, każda sekunda ciszy przed pierwszym dźwiękiem pogarsza odbiór usługi. WebSocket pozwala rozpocząć odtwarzanie od pierwszych fragmentów audio, zanim generowanie zostanie nawet ukończone. Jest to również naturalna architektura, gdy sam tekst dociera stopniowo: strumieniowe wyjście modelu LLM można podpiąć bezpośrednio pod TTS, delta po delcie, bez oczekiwania na pełny tekst. Rozwiązuje to również problem ograniczenia długości: nie ma ogólnego limitu całkowitej ilości tekstu, ograniczone są jedynie poszczególne delty do 60 000 znaków, co wystarczy do syntezy mowy z całego dokumentu jako ciągłego strumienia.

Tryb jednokrotny HTTP nadal ma swoje zastosowanie tam, gdzie czas rzeczywisty nie wnosi niczego nowego: generowanie plików audio wsadowo, procesy wymagające pełnego pliku przed podjęciem działania (przetwarzanie końcowe, zapis, wysyłka) oraz, po prostu, w każdej architekturze preferującej bezstanowe żądanie i odpowiedź zamiast zarządzania trwałym połączeniem.

Kluczowe wnioski

  • WebSocket TTS jest dostępny pod adresem wss://api.x.ai/v1/tts
  • Parametry przesyłasz w ciągu zapytania podczas łączenia
  • Połączenie nie wygasa samoistnie, ale dokumentacja wspomina o 600-sekundowym limicie sesji: zaplanuj mechanizm ponownego łączenia
  • Limit wynosi 50 współbieżnych sesji na zespół
  • Tekst jest nielimitowany (wysyłany w deltach do 60 000 znaków)
  • Używaj WebSocket dla czasu rzeczywistego, a HTTP dla przetwarzania wsadowego