Премини към основното съдържание
Български— Изберете език
Меню

Фиксиране и изчистване на аудио буфера

Урок 8 от 16 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Управление на аудио буфера
  2. input_audio_buffer.commit
  3. input_audio_buffer.clear
  4. Режим VAD срещу ръчен режим
  5. Ключови изводи

Обновено на 3 ноември 2026 г., въз основа на справочника на xAI Voice API: input_audio_buffer.commit е достъпно само когато turn_detection.type е null; в режим server_vad сървърът 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:

  1. Създава нов елемент в разговора с натрупаното аудио
  2. Изпраща събитие input_audio_buffer.committed за потвърждение
  3. Изпраща събитие conversation.item.added с новия елемент
  4. 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:

  1. Открива началото на речта (speech_started)
  2. Натрупва аудиото в буфера
  3. Открива края на речта (speech_stopped)
  4. Фиксира буфера автоматично
  5. 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:

  1. Изпращате аудио чрез append
  2. Решавате кога потребителят е приключил
  3. Изпращате commit
  4. Изпращате response.create

Сравнение

АспектРежим VADРъчен режим
Откриване на речАвтоматичноПо Ваш избор
Фиксиране на буфераАвтоматичноРъчно (commit)
Заявка за отговорАвтоматичноРъчно (response.create)
КонтролПо-малко контролПълен контрол
СложностОпростенПо-сложен
Варианти на употребаСвободен разговорPush-to-talk, IVR

Ключови изводи

  • input_audio_buffer.commit изпраща аудио буфера като потребителско съобщение
  • input_audio_buffer.clear изпразва буфера без обработка
  • В режим VAD фиксирането се случва автоматично при откриване на края на речта
  • В ръчен режим (turn_detection.type зададен на null), трябва изрично да изпратите commit, последвано от response.create; commit е достъпно само в този режим
  • Ръчният режим е подходящ за интерфейси тип push-to-talk и телефонни системи IVR