WebSocket-anslutningen för TTS
På denna sida
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.
WebSocket-slutpunkt
Du ansluter till wss://api.x.ai/v1/tts. Konfigurationsparametrar skickas i frågesträngen vid den initiala anslutningen.
Anslutningsparametrar
| Parameter | Obligatorisk | Standardvärde | Beskrivning |
|---|---|---|---|
language | Ja | — | BCP-47-kod eller auto |
voice | Nej | — | ID för en inbyggd eller anpassad röst |
codec | Nej | mp3 | mp3, wav, pcm, mulaw (eller ulaw), alaw |
sample_rate | Nej | 24000 | Samplingsfrekvens |
bit_rate | Nej | 128000 | Bithastighet (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:
- Upptäcka när anslutningen stängs
- Återansluta automatiskt vid behov
- 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
| Aspekt | Unär HTTP | WebSocket |
|---|---|---|
| Latens | Hela ljudet efter bearbetning | Första byten direkt |
| Max text | 60 000 tecken per förfrågan | Obegränsat (deltar på max 60 000) |
| Tidsgräns | 15 minuter | Ingen; sessionslicens på 600 sekunder |
| Sessioner | Ej tillämpligt | 50 per team |
| Användningsområden | Batch, ljudfiler | Realtid, 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