Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

WebSocket-anslutningen för TTS

Lektion 9 av 14 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Syntes av tal i realtid via WebSocket
  2. WebSocket-slutpunkt
  3. Öppna anslutningen
  4. Sessionshantering
  5. Unär HTTP kontra WebSocket
  6. När ska du använda WebSocket?
  7. Viktiga punkter

Uppdaterat den 3 november 2026, baserat på xAI:s sida om Text to Speech: deltar (deltas) på upp till 60 000 tecken, ingen tidsgräns för anslutningen och en “sessionslicens” på 600 sekunder. Källa: Text to Speech.

Syntes av tal i realtid via WebSocket

Grok TTS API erbjuder ett WebSocket-läge för strömmande talsyntes. Till skillnad från det unära HTTP-läget, som väntar tills bearbetningen är klar innan det returnerar hela ljudfilen, skickar WebSocket ljudbitar i takt med att de genereras. Det är idealiskt för interaktiva appar där den upplevda latensen måste vara så låg som möjligt.

wss://
Säkert protokoll
50
Sessioner per team
600 s
Sessionslicens
∞
Obegränsad text

WebSocket-slutpunkt

Du ansluter till wss://api.x.ai/v1/tts. Konfigurationsparametrar skickas i frågesträngen vid den initiala anslutningen.

Anslutningsparametrar

ParameterObligatoriskStandardvärdeBeskrivning
languageJa—BCP-47-kod eller auto
voiceNej—ID för en inbyggd eller anpassad röst
codecNejmp3mp3, wav, pcm, mulaw (eller ulaw), alaw
sample_rateNej24000Samplingsfrekvens
bit_rateNej128000Bithastighet (endast MP3)

Fullständig anslutnings-URL

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

Öppna anslutningen

I JavaScript (webbläsare eller 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-anslutning etablerad");
};

ws.onerror = (error) => {
  console.error("WebSocket-fel:", error);
};

Viktigt: I en webbläsare stöder det inbyggda WebSocket-API:t inte anpassade rubriker (headers). Du måste gå via din backend för anslutningen (se lektionen om produktion).

I Python med 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-anslutning etablerad")
        # Skicka text och ta emot ljud...

Sessionshantering

Livslängd

xAI:s sida om Text to Speech säger två saker du bör läsa tillsammans: WebSocket-anslutningen har ingen tidsgräns för förfrågningar (den hålls öppen), och “sessionslicensen” har en livslängd på 600 sekunder, utan att sidan förklarar vad som händer när den löper ut. För att vara på den säkra sidan bör din app:

  1. Upptäcka när anslutningen stängs
  2. Återansluta automatiskt vid behov
  3. Återuppta sändningen av text där den slutade

Samtidiga sessioner

Enligt sidan om Text to Speech är ditt team begränsat till 50 samtidiga WebSocket-sessioner (sidan om Rate limits räknar TTS-sessioner per nivå, med start på 100). Utöver detta nekas nya anslutningar. Hantera en anslutningspool för appar med hög trafik.

Flera texter på samma anslutning

Till skillnad från det unära HTTP-läget, där förfrågningar får tidsöverskridning efter 15 minuter, förblir anslutningen öppen efter varje audio.done: du kan skicka en text efter en annan utan att återansluta, och avbryta den pågående med text.clear (lektion 10).

Unär HTTP kontra WebSocket

AspektUnär HTTPWebSocket
LatensHela ljudet efter bearbetningFörsta byten direkt
Max text60 000 tecken per förfråganObegränsat (deltar på max 60 000)
Tidsgräns15 minuterIngen; sessionslicens på 600 sekunder
SessionerEj tillämpligt50 per team
AnvändningsområdenBatch, ljudfilerRealtid, strömning

När ska du använda WebSocket?

WebSocket är vägen att gå så snart realtid är inblandat. När en användare väntar på ett omedelbart talat svar, från en chattbot eller en röstassistent, kostar varje sekunds tystnad innan det första ljudet hörs i upplevd användarupplevelse, och WebSocket låter uppspelningen starta på de första ljudfragmenten, innan genereringen ens är klar. Det är också den naturliga arkitekturen när själva texten anländer gradvis: den strömmade utmatningen från en LLM kopplas direkt till TTS, delta för delta, utan att vänta på hela texten. Dessutom lyfter det längdbegränsningen: det finns ingen övergripande gräns för total textmängd, endast enskilda deltar är begränsade till 60 000 tecken, vilket räcker för att läsa upp ett helt dokument som en kontinuerlig ström.

Det unära HTTP-läget har fortfarande sin plats där realtid inte tillför något värde: generering av ljudfiler i batch, processer som behöver hela filen innan de agerar (efterbearbetning, lagring, sändning) och, enklare uttryckt, varje arkitektur som föredrar en tillståndslös tur och retur framför en bestående anslutning att hantera.

Viktiga punkter

  • TTS WebSocket finns tillgänglig på wss://api.x.ai/v1/tts
  • Parametrar skickas i frågesträngen när du ansluter
  • Anslutningen går inte ut av sig själv, men dokumentationen nämner en sessionslicens på 600 sekunder: planera för återanslutning
  • Gränsen är 50 samtidiga sessioner per team
  • Texten är obegränsad (skickas i deltar på upp till 60 000 tecken)
  • Använd WebSocket för realtid, HTTP för batch