Продукция: Мащабиране и наблюдение
На тази страница
Обновено на 2 ноември 2026 г. — Аудио модели. Няколко модела в този курс са депрецирали:
tts-1,tts-1-hdиgpt-4o-mini-ttsще спрат да работят на 6 януари 2027 г. (замяна:gpt-realtime-2.1-mini, който според ръководството на OpenAI за TTS не се поддържа от/v1/audio/speech: миграцията на синтез на реч трябва да премине през Realtime API);gpt-realtime,gpt-4o-realtimeи наследените аудио модели на 20 януари 2027 г. (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeи/v1/audio/translationsна 26 февруари 2027 г. (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). За дуплексна гласова връзка, GPT-Live 1 е наличен в API от 10 септември 2026 г.
Обновено на 3 ноември 2026 г. Управлението на разходите преди се събираше в едно изречение; сега то отразява модела за таксуване, описан от OpenAI (таксуване на отговор, връщане на разговора при всяка стъпка, аудио, броено в токени, автоматично кеширане, транскрипция, таксувана отделно) и съкращаване чрез
retention_ratio, чийто формат беше проверен спрямо типовете на SDKopenaiверсия 3.42.1. Източник: Оптимизация на разходите.
Продукция: Мащабиране и наблюдение
Преминаването от прототип на гласов агент към надеждна, мащабируема производствена услуга изисква голямо внимание към инфраструктурата, наблюдението и обработката на грешки. Този последен урок обхваща оперативните основи за внедряване на гласов агент в реални условия.
Продукционна архитектура
В производствена среда гласовият агент работи зад балансировщик на натоварването и пул от работници:
Балансировщик на натоварването (nginx / HAProxy)
Разпределя входящите WebSocket връзки между работниците. Поддържа лепкави сесии за запазване на афинитета.
Работници (FastAPI + uvicorn)
Всеки работник обработва множество едновременни Realtime сесии благодарение на asyncio.
База данни (PostgreSQL)
Съхранява дневници на разговорите, метрики и конфигурация на агента.
Наблюдение (Prometheus + Grafana)
Събира метрики в реално време: латентност, брой сесии, грешки, разходи.
Управление на едновременни сесии
Всяка WebSocket връзка поддържа сесия на Realtime API. Броят на едновременните сесии е ограничен от Вашите лимити на честота в OpenAI и капацитета на Вашите работници:
import asyncio
from dataclasses import dataclass
@dataclass
class SessionManager:
"""Управлява едновременни сесии на Realtime API."""
max_sessions: int = 50
active_sessions: dict = None
semaphore: asyncio.Semaphore = None
def __post_init__(self):
self.active_sessions = {}
self.semaphore = asyncio.Semaphore(self.max_sessions)
async def create_session(self, session_id: str, config: dict):
"""Създава нова сесия с контрол на конкурентността."""
async with self.semaphore:
if session_id in self.active_sessions:
raise ValueError(f"Session {session_id} already active")
self.active_sessions[session_id] = {
"created_at": asyncio.get_event_loop().time(),
"config": config,
"status": "active"
}
return session_id
async def close_session(self, session_id: str):
"""Правилно затваря сесията."""
if session_id in self.active_sessions:
del self.active_sessions[session_id]
@property
def active_count(self) -> int:
return len(self.active_sessions)
@property
def available_slots(self) -> int:
return self.max_sessions - self.active_count
session_manager = SessionManager(max_sessions=50)
Структурирано записване в дневник
Записвайте всяко взаимодействие за отстраняване на грешки и съответствие:
import logging
import json
from datetime import datetime
class ConversationLogger:
"""Структуриран записващ механизъм за гласови разговори."""
def __init__(self, session_id: str):
self.session_id = session_id
self.logger = logging.getLogger(f"voice.{session_id}")
self.events = []
def log_event(self, event_type: str, data: dict = None):
entry = {
"timestamp": datetime.utcnow().isoformat(),
"session_id": self.session_id,
"event_type": event_type,
"data": data or {}
}
self.events.append(entry)
self.logger.info(json.dumps(entry))
def log_transcription(self, role: str, text: str):
self.log_event("transcription", {
"role": role,
"text": text
})
def log_function_call(self, name: str, args: dict, result: dict, duration_ms: float):
self.log_event("function_call", {
"name": name,
"arguments": args,
"result": result,
"duration_ms": round(duration_ms)
})
def log_error(self, error_type: str, message: str):
self.log_event("error", {
"type": error_type,
"message": message
})
async def save_to_db(self, db_pool):
"""Записва пълния дневник в базата данни."""
async with db_pool.acquire() as conn:
await conn.execute(
"INSERT INTO conversation_logs (session_id, events, created_at) "
"VALUES ($1, $2, NOW())",
self.session_id, json.dumps(self.events)
)
Метрики на Prometheus
Изложете метрики за наблюдение в реално време:
from prometheus_client import Counter, Histogram, Gauge, start_http_server
# Ключови метрики
sessions_active = Gauge(
"voice_sessions_active",
"Number of active voice sessions"
)
session_duration = Histogram(
"voice_session_duration_seconds",
"Duration of voice sessions",
buckets=[30, 60, 120, 300, 600, 1800]
)
response_latency = Histogram(
"voice_response_latency_ms",
"Response latency (end of speech → first audio)",
buckets=[200, 400, 600, 800, 1000, 1500, 2000, 3000]
)
errors_total = Counter(
"voice_errors_total",
"Total number of errors",
["error_type"]
)
tokens_used = Counter(
"voice_tokens_total",
"Tokens consumed",
["type"] # input_audio, output_audio, input_text, output_text
)
# Стартиране на сървъра за метрики
start_http_server(9090)
Управление на разходите
Според ръководството на OpenAI за Оптимизация на разходите, сесия за разговор в Realtime се таксува на отговор, във входни и изходни токени за текст, аудио и изображения. Три механизма движат по-голямата част от сметката:
- Целият разговор се изпраща обратно към модела с всеки отговор: по-късните стъпки струват повече от по-ранните.
- Аудиото се брои в токени: 1 токен на 100 ms потребителско аудио, 1 токен на 50 ms аудио на асистента.
- Кеширането на подсказки се прилага автоматично: докато началото на разговора не се променя, то се таксува с намалената ставка за кеширани токени. Промяната или изтриването на по-стар елемент „разбива“ кеша от този момент нататък.
Входната транскрипция, ако е активирана, се таксува отделно по собствената ставка на модела: gpt-transcribe се таксува по продължителност, прочетена от събитието conversation.item.input_audio_transcription.completed. Консумацията за всеки отговор се появява в response.done, под response.usage (total_tokens, input_tokens, output_tokens, плюс разбивка за текст, аудио, изображение и кеш).
За ограничаване на размера на контекста – и следователно на разходите за по-късни стъпки – сесията приема правило за съкращаване: отвъд лимита най-старите съобщения се изхвърлят. Когато retention_ratio е зададено под 1, сървърът премахва малко повече от необходимото, което разрежда съкращенията и запазва кеша:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"truncation": {
"type": "retention_ratio",
"retention_ratio": 0.8,
"token_limits": {"post_instructions": 8000},
},
},
}))
Компромисът: агент, който запазва по-малко контекст, забравя по-бързо. Допълнете това с лимити на сесиите във Вашия код:
class CostController:
"""Контролира разходите за Realtime сесия."""
def __init__(self, max_duration_s: int = 600, max_tokens: int = 50000):
self.max_duration_s = max_duration_s
self.max_tokens = max_tokens
self.total_tokens = 0
self.start_time = None
def start(self):
self.start_time = asyncio.get_event_loop().time()
def update_tokens(self, usage: dict):
self.total_tokens += usage.get("total_tokens", 0)
@property
def elapsed_seconds(self) -> float:
if not self.start_time:
return 0
return asyncio.get_event_loop().time() - self.start_time
@property
def should_terminate(self) -> bool:
if self.elapsed_seconds > self.max_duration_s:
return True
if self.total_tokens > self.max_tokens:
return True
return False
@property
def warning_message(self) -> str:
remaining = self.max_duration_s - self.elapsed_seconds
if remaining < 60:
return f"This session will end in {int(remaining)} seconds."
return ""
Обработка на грешки в продукция
async def production_event_loop(ws, logger, cost_ctrl):
"""Стабилен цикъл на събития за продукция."""
cost_ctrl.start()
try:
async for raw in ws:
event = json.loads(raw)
t = event["type"]
# Проверка на лимитите за разходи
if cost_ctrl.should_terminate:
logger.log_event("session_limit_reached")
await ws.send(json.dumps({
"type": "conversation.item.create",
"item": {
"type": "message",
"role": "user",
"content": [{"type": "input_text",
"text": "The session is approaching its duration limit."}]
}
}))
break
if t == "response.done":
usage = event["response"].get("usage", {})
cost_ctrl.update_tokens(usage)
tokens_used.labels(type="total").inc(usage.get("total_tokens", 0))
elif t == "error":
error = event["error"]
logger.log_error(error["type"], error["message"])
errors_total.labels(error_type=error["type"]).inc()
if error["type"] == "rate_limit_error":
await asyncio.sleep(1)
except websockets.exceptions.ConnectionClosed as e:
logger.log_error("connection_closed", str(e))
except Exception as e:
logger.log_error("unexpected", str(e))
finally:
session_duration.observe(cost_ctrl.elapsed_seconds)
sessions_active.dec()
Ключови изводи
- Продукционната архитектура разделя балансировщика на натоварването, asyncio работниците, базата данни и наблюдението
SessionManagerсъс семафор контролира броя на едновременните сесии- Структурираното записване в JSON позволява отстраняване на грешки и съответствие (запис на разговори)
- Метриките на Prometheus (TTFA, продължителност, токени, грешки) са съществени за ежедневните операции
CostControllerограничава продължителността на сесията и токените, за да предотврати превишаване на бюджета
Проверете знанията си
Пет въпроса, обхващащи цялата гласова верига, от WebSocket до внедряване в продукция.
1. Защо Realtime API използва WebSocket вместо HTTP заявки?
Отговор: Защото постоянната, двупосочна връзка Ви позволява да предавате аудио от микрофона и да получавате отговори непрекъснато, без да плащате разхода за установяване на заявка за всяка размяна. Това е предпоставка за разговор с ниска латентност.
2. Какво трябва да изпратите веднага след `session.created` и защо?
Отговор: session.update, незабавно: тук конфигурирате гласа, инструкциите, инструментите и аудио формата. Докато това съобщение не бъде изпратено, сесията работи със стойности по подразбиране.
3. Защо прокси сървърът е съществен в продукция?
Отговор: Той предотвратява разкриването на API ключа в клиента и Ви позволява да удостоверявате потребителя, да ограничавате консумацията и да записвате обажданията – три неща, невъзможни, ако браузърът говори директно с API.
4. Каква е целта на параметъра `prompt` в API за транскрипция?
Отговор: Да насочи разпознаването към очаквания речник: собствени имена, марки, жаргон в областта. Термините, които изброите там, се транскрибират много по-точно.
5. Кой е основният лост за възприеманата латентност при гласов агент?
Отговор: Поточно предаване от край до край: възпроизвеждане на аудио веднага щом пристигнат първите фрагменти, вместо да се чака пълният отговор, и обработка на прекъсвания, така че потребителят да може да се намеси по всяко време.