Фиксиране и изчистване на аудио буфера
На тази страница
Обновено на 3 ноември 2026 г., въз основа на справочника на xAI Voice API:
input_audio_buffer.commitе достъпно само когатоturn_detection.typeеnull; в режимserver_vadсървърът фиксира аудиото автоматично. Източник: Voice API.
Управление на аудио буфера
Когато изпращате аудио чрез input_audio_buffer.append, данните се натрупват в буфер на сървъра. Две операции управляват този буфер: commit за изпращане на съдържанието му като потребителско съобщение и clear за изпразването му без обработка.
input_audio_buffer.commit
Това събитие фиксира текущото съдържание на аудио буфера като потребителско съобщение. То е задължително в ръчен режим (push-to-talk) и автоматично в режим VAD:
{
"type": "input_audio_buffer.commit"
}
Когато сървърът получи команда за фиксиране, той:
- Създава нов елемент в разговора с натрупаното аудио
- Изпраща събитие
input_audio_buffer.committedза потвърждение - Изпраща събитие
conversation.item.addedс новия елемент - Започва транскрибиране на аудиото (ако е активирано)
Отговорът на сървъра
{
"type": "input_audio_buffer.committed",
"item_id": "item_audio_001"
}
item_id Ви позволява да се позовавате на това съобщение в разговора по-късно.
Кога да фиксирате ръчно
- Push-to-talk: потребителят задържа бутон, за да говори, и го отпуска, за да изпрати
- Ръчно сегментиране: разделяте аудио потока на логически сегменти от страна на клиента
- Интеграция с телефония: получавате аудио чънкове от PBX и ги фиксирате в края на всяка реплика
// Пример за push-to-talk
talkButton.addEventListener("mousedown", () => {
isRecording = true;
startCapture();
});
talkButton.addEventListener("mouseup", () => {
isRecording = false;
stopCapture();
// Фиксиране на буфера
ws.send(JSON.stringify({
type: "input_audio_buffer.commit"
}));
// Заявка за отговор
ws.send(JSON.stringify({
type: "response.create"
}));
});
input_audio_buffer.clear
Това събитие изпразва аудио буфера, без да създава съобщение в разговора:
{
"type": "input_audio_buffer.clear"
}
Сървърът потвърждава със:
{
"type": "input_audio_buffer.cleared"
}
Кога да изчиствате
- Отказ: потребителят натиска бутон “Отказ”, докато говори
- Прекъсване: потребителят започва да говори, но друго събитие прекъсва репликата
- Нулиране: след грешка или изтичане на времето, изчистете буфера, преди да започнете отначало
- Фонов шум: системата открива, че буферът съдържа само шум, а не реч
cancelButton.addEventListener("click", () => {
stopCapture();
ws.send(JSON.stringify({
type: "input_audio_buffer.clear"
}));
showMessage("Recording canceled");
});
Режим VAD срещу ръчен режим
В режим VAD (server_vad) сървърът управлява целия цикъл автоматично:
- Открива началото на речта (
speech_started) - Натрупва аудиото в буфера
- Открива края на речта (
speech_stopped) - Фиксира буфера автоматично
- Започва автоматично генерирането на отговор
В ръчен режим (turn_detection.type зададен на null), Вие управлявате всяка стъпка сами и това е единственият режим, в който input_audio_buffer.commit е достъпно:
- Изпращате аудио чрез
append - Решавате кога потребителят е приключил
- Изпращате
commit - Изпращате
response.create
Сравнение
| Аспект | Режим VAD | Ръчен режим |
|---|---|---|
| Откриване на реч | Автоматично | По Ваш избор |
| Фиксиране на буфера | Автоматично | Ръчно (commit) |
| Заявка за отговор | Автоматично | Ръчно (response.create) |
| Контрол | По-малко контрол | Пълен контрол |
| Сложност | Опростен | По-сложен |
| Варианти на употреба | Свободен разговор | Push-to-talk, IVR |
Ключови изводи
input_audio_buffer.commitизпраща аудио буфера като потребителско съобщениеinput_audio_buffer.clearизпразва буфера без обработка- В режим VAD фиксирането се случва автоматично при откриване на края на речта
- В ръчен режим (
turn_detection.typeзададен наnull), трябва изрично да изпратитеcommit, последвано отresponse.create;commitе достъпно само в този режим - Ръчният режим е подходящ за интерфейси тип push-to-talk и телефонни системи IVR