Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

WebSocket-slutpunkten och den realtidsbaserade anslutningen

Lektion 1 av 16 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Voice Agent API i realtid
  2. Öppna WebSocket-anslutningen
  3. Sessionens livscykel
  4. Viktiga punkter

Uppdaterat den 3 november 2026, baserat på xAI:s sidor för Speech to Speech, Pricing och Rate limits: 0,08 USD per minut, samtidiga sessioner beroende på nivå samt grok-voice-3.0 som aktuell modell. Källor: Speech to Speech · Pricing · Rate limits.

Voice Agent API i realtid

Grok Voice Agent API låter dig bygga konversationsbaserade röstagenter som pratar med dina användare i realtid. Till skillnad från klassiska REST-API:er, som arbetar begäran för begäran, använder detta API WebSocket-protokollet för att hålla en bestående tvåvägsanslutning öppen mellan din app och xAI:s servrar.

Dokumentation för Voice Agent API

Det finns endast en slutpunkt:

wss://api.x.ai/v1/realtime

Du väljer modellen med URL-parametern model, till exempel wss://api.x.ai/v1/realtime?model=grok-voice-latest. grok-voice-latest pekar på grok-voice-3.0, den aktuella modellen, och är också standardvärdet. I produktionsmiljö rekommenderar xAI att du låser en namngiven version.

Denna enda slutpunkt hanterar hela livscykeln för en röstkonversation: mottagande av ljud, taldetektering, generering av svar och återutsändning av syntetiserat ljud.

WebSocket
Realtidsprotokoll
grok-voice-3.0
Aktuell modell
10
Samtidiga sessioner på startnivån
0,08 USD/min
Prissättning

Öppna WebSocket-anslutningen

För att ansluta placerar du din xAI-API-nyckel i auktoriseringsheadern. Här är ett exempel i JavaScript:

const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
  headers: {
    "Authorization": "Bearer " + process.env.XAI_API_KEY
  }
});

ws.on("open", () => {
  console.log("WebSocket connection established");
});

ws.on("message", (data) => {
  const event = JSON.parse(data);
  console.log("Event received:", event.type);
});

ws.on("close", (code, reason) => {
  console.log("Connection closed:", code, reason);
});

ws.on("error", (err) => {
  console.error("WebSocket error:", err);
});

I Python kan du använda biblioteket websockets:

import asyncio
import websockets
import json
import os

async def connect():
    uri = "wss://api.x.ai/v1/realtime"
    headers = {
        "Authorization": f"Bearer {os.environ['XAI_API_KEY']}"
    }

    async with websockets.connect(uri, additional_headers=headers) as ws:
        async for message in ws:
            event = json.loads(message)
            print(f"Event: {event['type']}")

asyncio.run(connect())

Sessionens livscykel

Så snart WebSocket-anslutningen öppnas skickar servern en händelse session.created som bekräftar att sessionen är aktiv. Därefter skickar du en händelse session.update för att konfigurera konversationen (röst, instruktioner, verktyg, turdetektering).

Den typiska cykeln ser ut så här:

  1. Anslutning: öppna WebSocket med autentisering
  2. Konfiguration: skicka session.update med dina inställningar
  3. Bekräftelse: ta emot session.updated från servern
  4. Konversation: utbyta ljud- och texthändelser
  5. Avslutning: koppla från WebSocket på ett rent sätt

Hantera anslutningsfel

Servern kan stänga eller vägra anslutningen av flera skäl: ett autentiseringsfel, att du överskrider gränsen för samtidiga sessioner för din nivå (10 på startnivån, upp till 200 på den högsta), eller ett driftstopp. Den aktuella dokumentationen anger ingen maximal sessionslängd, och återupptagning av session (lektion 4) låter dig plocka upp en konversation igen efter ett avbrott. Din app bör inkludera logik för återanslutning med exponentiell backoff.

Priser kontrollerade den 3 november 2026. Priser ändras ofta: innan du budgeterar något, kontrollera de aktuella satserna på xAI:s officiella prissida.

Viktiga punkter

  • WebSocket-slutpunkten wss://api.x.ai/v1/realtime är den enda ingångspunkten för alla röstkonversationer
  • Du autentiserar med headern Authorization: Bearer {API-nyckel}
  • Antalet samtidiga sessioner beror på din nivå: 10 på startnivån, upp till 200
  • Servern skickar session.created vid anslutning och väntar sedan på din session.update för att konfigurera konversationen
  • Prissättningen är 0,08 USD per minut, eller 4,80 USD per timme, plus 0,004 USD per textinmatning