Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Konfigurácia relácie pomocou session.update

Lekcia 3 z 16 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Nakonfiguruj svojho hlasového agenta
  2. Úplná štruktúra session.update
  3. Podrobný popis nastavení
  4. Aktualizácia relácie počas konverzácie
  5. Kľúčové poznatky

Aktualizované 3. novembra 2026 na základe stránok xAI Speech to Speech a Text to Speech: 28 vstavaných hlasov a turn_detection nastavené výlučne podľa jeho type (s voliteľným idle_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.update je prvá správa, ktorú treba odoslať po session.created
  • Pole instructions definuje 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.update môžeš odoslať viackrát, aby si zmenil správanie uprostred konverzácie