Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Streaming av TTS över WebSocket

Lektion 9 av 14 Uppdaterad 3 november 2026 Medelnivå
På denna sida
  1. Varför streaming förändrar upplevelsen
  2. Öppna anslutningen
  3. Meddelandeprotokollet
  4. En komplett implementation
  5. Gränser att känna till
  6. HTTP eller WebSocket
  7. Viktiga punkter

Uppdaterat den 3 november 2026, baserat på xAI:s sida Text to Speech. Källa: Text to Speech.

Varför streaming förändrar upplevelsen

I HTTP-läge får TTS inte tillbaka kontrollen förrän allt ljud har genererats. För en notis på två meningar märker ingen väntan. Men för ett blogginlägg, ett bokkapitel eller ett nyhetsflöde som scrollar kontinuerligt blir väntan din produkts största brist: användaren klickar och stirrar sedan på en laddningsindikator i flera sekunder.

WebSocket-läge tar bort den väntan genom att skicka ut ljudet i takt med att det syntetiseras. Uppspelningen startar vid de första orden medan slutet av texten ännu inte har bearbetats. Det är skillnaden mellan en sida som verkar fryst och ljud som spelas upp direkt.

Öppna anslutningen

Anslutningen öppnas mot wss://api.x.ai/v1/tts, och all konfiguration placeras i URL:ens frågesträng istället för i ett initieringsmeddelande.

const ws = new WebSocket(
  "wss://api.x.ai/v1/tts?language=en&voice=ara&codec=mp3&sample_rate=24000",
  {
    headers: {
      "Authorization": "Bearer " + XAI_API_KEY
    }
  }
);

Dessa parametrar accepteras:

  • language (krävs): en BCP-47-kod eller auto
  • voice (valfritt, standard: eve): röst-ID:t
  • codec (valfritt, standard: mp3): utdataformatet för ljudet
  • sample_rate (valfritt, standard: 24000): samplingsfrekvensen i Hz
  • bit_rate (valfritt, standard: 128000): bithastigheten i bps (endast MP3)

Dessa inställningar gäller för hela sessionen: du kan inte ändra röst eller codec under gång. Om din applikation behöver växla mellan två berättare måste du öppna två separata anslutningar.

Meddelandeprotokollet

På sändarsidan räcker det med två typer av meddelanden för att driva syntesen. Det första skickar en textbit; det andra meddelar att texten är klar.

{ "type": "text.delta", "delta": "Hello and welcome " }
{ "type": "text.done" }

Du kan skicka så många text.delta-meddelanden du behöver, där varje del får vara upp till 60 000 tecken. Det är ändå bäst att inte maximera den gränsen: om du delar upp texten i bitar på några meningar får du den första ljudbiten mycket snabbare, vilket är hela poängen med streaming. En ensam delta på flera tusen tecken får dig att hamna tillbaka i beteendet från HTTP-läge.

På mottagarsidan innehåller varje audio.delta en fragmenterad del av base64-kodat ljud, i det codec-format du angav vid anslutningen. Avkoda det och lägg till det i din uppspelningsbuffert.

{ "type": "audio.delta", "delta": "<base64 audio>" }
{ "type": "audio.done", "trace_id": "trace-uuid" }

Händelsen audio.done markerar slutet på syntesen. Dess trace_id är identifieraren du ska ange till supporten, eller logga i dina system, om en generering beter sig felaktigt. Om texten är ogiltig eller om du har överskridit din kvot får du istället ett felmeddelande.

{ "type": "error", "message": "description of the error" }

En komplett implementation

Exemplet nedan delar upp en lång text i stycken, skickar dem alla och sätter sedan ihop de mottagna ljudfragmenten till en MP3-fil.

const WebSocket = require("ws");
const fs = require("fs");

const ws = new WebSocket(
  "wss://api.x.ai/v1/tts?language=en&voice=rex&codec=mp3",
  { headers: { "Authorization": "Bearer " + process.env.XAI_API_KEY } }
);

const audioChunks = [];

ws.on("open", () => {
  const paragraphs = longText.split("\n\n");
  for (const para of paragraphs) {
    ws.send(JSON.stringify({
      type: "text.delta",
      delta: para + " "
    }));
  }
  ws.send(JSON.stringify({ type: "text.done" }));
});

ws.on("message", (data) => {
  const msg = JSON.parse(data);
  if (msg.type === "audio.delta") {
    audioChunks.push(Buffer.from(msg.delta, "base64"));
  } else if (msg.type === "audio.done") {
    fs.writeFileSync("output.mp3", Buffer.concat(audioChunks));
    ws.close();
  }
});

Observera para + " ": utan det mellanslaget flyter slutet av ett stycke ihop med början av nästa, och motorn läser då de två orden som ett enda utan paus.

Gränser att känna till

MåttVärde
Text per deltaMax 60 000 tecken
Total textObegränsat
Samtidiga sessioner50 per team
Sessionstillstånd600 sekunder
Timeout för anslutningIngen

xAI:s sida anger att anslutningen inte har någon timeout, och nämner separat ett “sessionstillstånd” på 600 sekunder utan att förklara vad som händer när det tar slut. För att vara på den säkra sidan bör du ansluta först när du har text att skicka, inte när sidan laddas, och planera för återanslutning. Hantera också gränsen på 50 samtidiga sessioner per team på samma sätt: ett ljudbibliotek som konverterar sin katalog i bakgrunden bör köa sina jobb istället för att öppna tvåhundra anslutningar parallellt.

HTTP eller WebSocket

HTTP-läge är fortfarande det rätta valet för korta texter, engångsgenereringar och överallt där enkel integration väger tyngst: en begäran, ett svar, inget tillstånd att hantera. WebSocket är vägen att gå när texten blir lång, när ljudet måste spelas upp medan det genereras, eller när själva innehållet anländer som en ström – typiskt utdata från en språkmodell som du ger röst åt medan den genererar.

Viktiga punkter

  • TTS över WebSocket låter dig ta emot strömmat ljud utan att vänta på att genereringen ska bli klar
  • Konfigurationsparametrar placeras i frågesträngen i anslutnings-URL:en
  • Protokollet är enkelt: text.delta för att skicka text, audio.delta för att ta emot ljud
  • WebSocket-sessioner är begränsade till 50 samtidiga per team; planera för återanslutning
  • Föredra WebSocket för långa texter och uppspelningsupplevelser i realtid