Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Konfigurera sessionen med session.update

Lektion 3 av 16 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Konfigurera din röstagent
  2. Den fullständiga strukturen för session.update
  3. Inställningarna i detalj
  4. Uppdatera sessionen mitt i konversationen
  5. Viktiga punkter

Uppdaterat den 3 november 2026, baserat på xAI:s sidor för Speech to Speech och Text to Speech: 28 inbyggda röster, och turn_detection styrs enbart av sin type (med valfri idle_timeout_ms). Källor: Speech to Speech · Text to Speech.

Konfigurera din röstagent

När WebSocket-anslutningen är öppen och du har mottagit händelsen session.created konfigurerar du sessionen genom att skicka ett session.update-meddelande. Här definierar du hur din röstagent beter sig: dess personlighet, röst, vilka verktyg den kan använda och hur den upptäcker turtagning.

Den fullständiga strukturen för session.update

Här är ett detaljerat konfigurationsexempel:

{
  "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}
      }
    }
  }
}

Inställningarna i detalj

Instruktioner (systemprompt)

Fältet instructions motsvarar systemprompten i text-API:erna: det definierar din röstagents personlighet, kontext och begränsningar. Att skriva detta medför dock en begränsning specifik för röst: korthet. Varje token i prompten bearbetas innan det första svaret genereras, och en utsvävande prompt kostar dig märkbar latens så snart samtalet kopplas upp. Håll dig till det väsentliga och flytta detaljerna till din applikationslogik. Inom denna snäva budget finns tre saker som förtjänar plats. Tonläget (formellt, vänligt, tekniskt), eftersom röstagenten bokstavligen embodierar ditt varumärke i kundens öra. Språket: specificera det (“svara på engelska”), annars kan agenten följa användarens eller frågans språk. Och gränserna: vad agenten kan göra och framför allt vad den måste vägra eller eskalera till en människa, eftersom ett svar utanför scope på telefonen går ut innan någon hinner granska det.

Röst

Inställningen voice accepterar en av xAI:s 28 inbyggda röster (från och med den 3 november 2026), som delas av röstagenten och text-till-tal, eller ID:t för en anpassad röst skapad med Custom Voices API. Röst-ID är skiftlägesokänsliga: eve, Eve och EVE refererar alla till samma röst. Varje röst talar alla språk som stöds.

De fem ursprungliga rösterna, såsom xAI beskriver dem:

  • eve: energisk och glad, brittisk accent
  • ara: varm och vänlig
  • rex: självsäker och tydlig
  • sal: mjuk och balanserad
  • leo: auktoritär och kraftfull, brittisk accent

Tjugotre nyare röster ansluter sig till dem: carina, zagan, helix, orion, luna, iris, altair, zenith, perseus, helios, lux, kepler, rigel, cosmo, celeste, ursa, sirius, lumen, castor, naksh, atlas, aurora och liora. Du kan hämta den aktuella listan, med varje rösts tonläge och användningsområden, från GET /v1/tts/voices eller på xAI:s sida för Text to Speech.

Verktyg

Arrayen tools definierar de verktyg som agenten kan anropa under konversationen. Du kan kombinera flera typer: webbsökning, X-sökning, anpassade funktioner, RAG-samlingar och MCP-servrar. De följande lektionerna täcker verktyg i detalj.

Ljudkonfiguration

Objektet audio ställer in in- och utformat. Du kan använda olika format för in- och utdata om din arkitektur kräver det (till exempel att ta emot G.711 från ett telefonsystem och skicka PCM till en webbläsare).

Uppdatera sessionen mitt i konversationen

Du kan skicka session.update flera gånger under en konversation. Det låter dig ändra agentens beteende i realtid:

// Ändra rösten mitt i konversationen
ws.send(JSON.stringify({
  type: "session.update",
  session: {
    voice: "Ara"
  }
}));

// Lägg till ett annat verktyg
ws.send(JSON.stringify({
  type: "session.update",
  session: {
    tools: [
      { type: "web_search" },
      { type: "x_search" }
    ]
  }
}));

xAI:s dokumentation stöder explicit ändringar mitt i sessionen för flera inställningar (transkriberingsspråk, nyckelord, uttalsersättningar, ljudtransport), och session.updated bekräftar dem: kontrollera detta för att verifiera vilken konfiguration som tillämpades.

Viktiga punkter

  • session.update är det första meddelandet du ska skicka efter session.created
  • Fältet instructions definierar agentens personlighet och begränsningar
  • 28 inbyggda röster finns tillgängliga (inklusive eve, ara, rex, sal och leo), plus anpassade röster
  • Ljudkonfiguration och verktyg är anpassningsbara
  • Du kan skicka session.update flera gånger för att ändra beteendet mitt i konversationen