Pripojenie TTS cez WebSocket
Na tejto strane
Aktualizované 3. novembra 2026 na základe stránky xAI Text to Speech: delty až do 60 000 znakov, žiadny časový limit pripojenia a „povolenie relácie“ na 600 sekúnd. Zdroj: Text to Speech.
Syntéza reču v reálnom čase cez WebSocket
API Grok TTS ponúka režim WebSocket na streamovanie syntézy reči. Na rozdiel od unárneho režimu HTTP, ktorý čaká na dokončenie spracovania, aby vrátil kompletné audio, WebSocket odosiela zvukové časti hneď, ako sú vygenerované. Je ideálny pre interaktívne aplikácie, kde musí byť vnímaná latencia čo najnižšia.
Koncový bod WebSocket
Pripojíš sa na wss://api.x.ai/v1/tts. Parametre konfigurácie uvedieš v reťazci dotazu pri počiatočnom pripojení.
Parametre pripojenia
| Parameter | Povinné | Predvolené | Popis |
|---|---|---|---|
language | Áno | — | Kód BCP-47 alebo auto |
voice | Nie | — | ID vstavaného alebo vlastného hlasu |
codec | Nie | mp3 | mp3, wav, pcm, mulaw (alebo ulaw), alaw |
sample_rate | Nie | 24000 | Vzorkovacia frekvencia |
bit_rate | Nie | 128000 | Bitová rýchlosť (len MP3) |
Kompletná URL pripojenia
wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3&sample_rate=24000
Otvorenie pripojenia
V JavaScripte (prehliadač alebo 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);
};
Dôležité: V prehliadači natívne API WebSocket nepodporuje vlastné hlavičky. Na pripojenie budeš musieť použiť svoj backend (pozri lekciu o nasadení do produkcie).
V Pythone s knižnicou 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")
# Odoslanie textu a prijatie audia...
Správa relácie
Životnosť
Stránka xAI Text to Speech uvádza dve veci, ktoré musíš čítať spoločne: pripojenie WebSocket nemá časový limit požiadavky (zostáva otvorené) a „povolenie relácie“ má životnosť 600 sekúnd, pričom stránka nevysvetľuje, čo sa stane po jeho uplynutí. Pre istotu by tvoja aplikácia mala:
- Zistiť, keď sa pripojenie uzavrie
- V prípade potreby sa automaticky znovu pripojiť
- Pokračovať v odosielaní textu tam, kde prestala
Súbežné relácie
Podľa stránky Text to Speech je tvoj tím obmedzený na 50 súbežných relácií WebSocket (stránka Rate limits počíta relácie TTS podľa úrovne, začínajúc na 100). Po prekročení tohto limitu budú nové pripojenia odmietnuté. Pre aplikácie s vysokou prevádzkou spravuj pool pripojení.
Viacero textov na jednom pripojení
Na rozdiel od unárneho režimu HTTP, kde požiadavky vypršia po 15 minútach, pripojenie zostáva otvorené aj po každom audio.done: môžeš odosielať jeden text za druhým bez opätovného pripájania a aktuálny zrušiť pomocou text.clear (lekcia 10).
Unárny HTTP versus WebSocket
| Aspekt | Unárny HTTP | WebSocket |
|---|---|---|
| Latencia | Kompletné audio po spracovaní | Prvé bajty okamžite |
| Max. text | 60 000 znakov na požiadavku | Neobmedzené (delty max. 60 000) |
| Časový limit | 15 minút | Žiadny; povolenie relácie 600 sekúnd |
| Relácie | N/A | 50 na tím |
| Použitie | Dávky, zvukové súbory | Reálny čas, streamovanie |
Kedy použiť WebSocket
WebSocket je voľbou číslo jedna, hneď ako ide o reálny čas. Keď používateľ čaká na okamžitú hovorenú odpoveď od chatbota alebo hlasového asistenta, každá sekunda ticha pred prvým zvukom zhoršuje vnímaný zážitok a WebSocket umožňuje spustiť prehrávanie hneď s prvými zvukovými fragmentmi, ešte pred dokončením generovania. Je to tiež prirodzená architektúra, keď samotný text prichádza postupne: streamovaný výstup LLM sa zapojí priamo do TTS, delta po delte, bez čakania na kompletný text. Odstraňuje tiež obmedzenie dĺžky: neexistuje žiadny celkový limit na celý text, iba jednotlivé delty sú obmedzené na 60 000 znakov, čo stačí na nahovorenie celého dokumentu ako súvislého streamu.
Unárny režim HTTP má stále svoje miesto všade tam, kde reálny čas nič neprináša: generovanie zvukových súborov v dávkach, procesy, ktoré potrebujú kompletný súbor pred ďalším konaním (post-spracovanie, ukladanie, odosielanie) a jednoducho akákoľvek architektúra, ktorá uprednostňuje stavový round-trip pred správou trvalého pripojenia.
Kľúčové poznatky
- TTS WebSocket je dostupný na
wss://api.x.ai/v1/tts - Parametre zadáš do reťazca dotazu pri pripojení
- Pripojenie samo o sebe nevyprší, ale dokumentácia spomína 600-sekundové povolenie relácie: naplánuj si opätovné pripojenie
- Limit je 50 súbežných relácií na tím
- Text je neobmedzený (odosielaný v deltách až do 60 000 znakov)
- Použi WebSocket pre reálny čas, HTTP pre dávky