Изпращане на аудио с input_audio_buffer.append
На тази страница
Поточно предаване на аудио към сървъра
След като конфигурирате сесията, можете да започнете да предавате аудио данни към сървъра в реално време. Събитието input_audio_buffer.append изпраща части (chunk) от аудио данни, кодирани в base64.
Структура на събитието
{
"type": "input_audio_buffer.append",
"audio": "SGVsbG8gV29ybGQ..."
}
Полето audio съдържа сурови аудио данни, кодирани в base64. Форматът им трябва да съвпада с този, конфигуриран в session.update (по подразбиране това е 16-битов PCM с малък край (little-endian) при 24000 Hz).
Заснемане на аудио в браузъра
Web Audio API на браузъра Ви позволява да заснемете звука от микрофона и да изпратите данните в реално време:
async function startCapture(ws) {
const stream = await navigator.mediaDevices.getUserMedia({
audio: {
sampleRate: 24000,
channelCount: 1,
echoCancellation: true,
noiseSuppression: true
}
});
const audioContext = new AudioContext({ sampleRate: 24000 });
const source = audioContext.createMediaStreamSource(stream);
const processor = audioContext.createScriptProcessor(4096, 1, 1);
processor.onaudioprocess = (event) => {
const inputData = event.inputBuffer.getChannelData(0);
const pcm16 = float32ToPCM16(inputData);
const base64 = arrayBufferToBase64(pcm16.buffer);
ws.send(JSON.stringify({
type: "input_audio_buffer.append",
audio: base64
}));
};
source.connect(processor);
processor.connect(audioContext.destination);
}
function float32ToPCM16(float32Array) {
const pcm16 = new Int16Array(float32Array.length);
for (let i = 0; i < float32Array.length; i++) {
const s = Math.max(-1, Math.min(1, float32Array[i]));
pcm16[i] = s < 0 ? s * 0x8000 : s * 0x7FFF;
}
return pcm16;
}
function arrayBufferToBase64(buffer) {
const bytes = new Uint8Array(buffer);
let binary = "";
for (let i = 0; i < bytes.byteLength; i++) {
binary += String.fromCharCode(bytes[i]);
}
return btoa(binary);
}
Заснемане на аудио в Python
С библиотеката pyaudio можете да заснемете звука от микрофона и да изпратите отделните части:
import pyaudio
import base64
import json
RATE = 24000
CHUNK = 4096
FORMAT = pyaudio.paInt16
CHANNELS = 1
p = pyaudio.PyAudio()
stream = p.open(
format=FORMAT,
channels=CHANNELS,
rate=RATE,
input=True,
frames_per_buffer=CHUNK
)
async def send_audio(ws):
while True:
data = stream.read(CHUNK, exception_on_overflow=False)
audio_b64 = base64.b64encode(data).decode("utf-8")
await ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": audio_b64
}))
Размер на частите и честота на изпращане
Размерът на аудио частите влияе върху забавянето (latency) и производителността:
- Малки части (1024 проби / ~42 ms): минимално забавяне, но повече WebSocket съобщения.
- Средни части (4096 проби / ~170 ms): добър баланс между двете.
- Големи части (8192 проби / ~341 ms): по-малко съобщения, но забележимо забавяне.
За естествен разговор изпращайте нова част на всеки 100 до 200 ms. Сървърният VAD (детектор на гласова активност) събира данните във вътрешен буфер и ги обработва непрекъснато.
Ехокомпенсация
Ако приложението Ви възпроизвежда аудио отговора през високоговорители, докато микрофонът е активен, е необходима ехокомпенсация. Без нея агентът ще „чуе“ собствените си думи и може да попадне в безкраен цикъл на разговор със самия себе си.
Възможните решения са:
- Използвайте опциите
echoCancellationиnoiseSuppressionна Web Audio API. - Заглушавайте микрофона, докато агентът говори.
- Използвайте слушалки, за да изолирате входа от изхода.
Ключови изводи
input_audio_buffer.appendизпраща аудио части, кодирани в base64.- Форматът на данните трябва да съвпада с конфигурацията на сесията (по подразбиране 16-битов PCM).
- Изпращайте част на всеки 100 до 200 ms за оптимален баланс между забавяне и производителност.
- Заснемането на аудио в браузъра използва Web Audio API с конвертиране от Float32 към PCM16.
- Осигурете ехокомпенсация, за да избегнете аудио цикли.