Konfigurácia relácie pomocou session.update
Na tejto strane
Aktualizované 3. novembra 2026 na základe stránok xAI Speech to Speech a Text to Speech: 28 vstavaných hlasov a
turn_detectionnastavené výlučne podľa jehotype(s voliteľnýmidle_timeout_ms). Zdroje: Speech to Speech · Text to Speech.
Nakonfiguruj svojho hlasového agenta
Akonáhle je WebSocket spojenie otvorené a dostaneš udalosť session.created, nakonfiguruj reláciu odoslaním správy session.update. Tu definuješ správanie svojho hlasového agenta: jeho osobnosť, hlas, nástroje, ktoré môže používať, a spôsob detekcie zmien hovoriaceho.
Úplná štruktúra session.update
Tu je podrobný príklad konfigurácie:
{
"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}
}
}
}
}
Podrobný popis nastavení
Inštrukcie (systémový prompt)
Pole instructions je ekvivalentom systémového promptu v textových API: definuje osobnosť, kontext a obmedzenia tvojho hlasového agenta. Pri písaní však musíš dodržať špecifické obmedzenie pre hlas: stručnosť. Každý token promptu sa spracuje pred prvou odpoveďou a rozvláčny prompt ti okamžite po pripojení hovoru zvýši latenciu. Drž sa essentials a podrobnosti presuň do logiky svojej aplikácie. V rámci tohto tesného rozpočtu si zaslúžia miesto tri veci. Tón (formálny, priateľský, technický), pretože hlasový agent doslova stelesňuje tvoju značku v uchu zákazníka. Jazyk: špecifikuj ho („odpovedaj po anglicky“), inak môže agent nasledovať jazyk používateľa alebo otázky. A obmedzenia: čo agent môže robiť a predovšetkým čo musí odmietnuť alebo postúpiť človeku, pretože pri telefónnom hovore odpoveď mimo rozsahu odíde skôr, než ju niekto stihne skontrolovať.
Hlas
Nastavenie voice prijíma jeden z 28 vstavaných hlasov xAI (k 3. novembru 2026), ktoré zdieľa hlasový agent aj text-to-speech, alebo ID vlastného hlasu vytvoreného pomocou Custom Voices API. ID hlasov nerozlišujú veľkosť písmen: eve, Eve a EVE odkazujú na ten istý hlas. Každý hlas hovorí všetkými podporovanými jazykmi.
Päť pôvodných hlasov, ako ich opisuje xAI:
- eve: energický a veselý, britský prízvuk
- ara: teplý a priateľský
- rex: sebavedomý a jasný
- sal: hladký a vyvážený
- leo: autoritatívny a mocný, britský prízvuk
Pridáva sa k nim dvadsaťtri novších hlasov: carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora a liora. Aktuálny zoznam vrátane tónu a prípadov použitia pre každý hlas získaš cez GET /v1/tts/voices alebo na stránke xAI Text to Speech.
Nástroje
Pole tools definuje nástroje, ktoré môže agent počas konverzácie volať. Môžeš kombinovať niekoľko typov: webové vyhľadávanie, vyhľadávanie na X, vlastné funkcie, kolekcie RAG a servery MCP. Nasledujúce lekcie sa podrobne venujú nástrojom.
Konfigurácia zvuku
Objekt audio nastavuje vstupné a výstupné formáty. Ak to tvoja architektúra vyžaduje, môžeš použiť rôzne formáty pre vstup a výstup (napríklad prijímať G.711 z telefónneho systému a odosielať PCM do prehliadača).
Aktualizácia relácie počas konverzácie
Správu session.update môžeš počas konverzácie odoslať viackrát. Umožňuje ti to meniť správanie agenta za chodu:
// Zmena hlasu uprostred konverzácie
ws.send(JSON.stringify({
type: "session.update",
session: {
voice: "Ara"
}
}));
// Pridanie ďalšieho nástroja
ws.send(JSON.stringify({
type: "session.update",
session: {
tools: [
{ type: "web_search" },
{ type: "x_search" }
]
}
}));
Dokumentácia xAI explicitne podporuje zmeny počas relácie pre niekoľko nastavení (jazyk prepisu, kľúčové slová, náhrady výslovnosti, audio transport) a session.updated ich potvrdzuje: skontroluj ju, aby si si overil aplikovanú konfiguráciu.
Kľúčové poznatky
session.updateje prvá správa, ktorú treba odoslať posession.created- Pole
instructionsdefinuje osobnosť a obmedzenia agenta - K dispozícii je 28 vstavaných hlasov (vrátane eve, ara, rex, sal a leo) plus vlastné hlasy
- Konfigurácia zvuku a nástroje sú prispôsobiteľné
session.updatemôžeš odoslať viackrát, aby si zmenil správanie uprostred konverzácie