Премини към основното съдържание
Български— Изберете език
Меню

Аудио формати и оптимизация

Урок 14 от 14 Обновен 29 юли 2026 г. Средно
На тази страница
  1. Изберете правилния формат за всеки контекст
  2. Поддържани кодеци
  3. Честоти на дискретизация
  4. Битрейтове на MP3
  5. Конвертиране на аудио в Python
  6. Оптимизация за дестинацията
  7. Управление на паметта в браузъра
  8. Тълкуване на кодове за грешки при TTS
  9. Ключови изводи
  10. Проверете разбирането си

Изберете правилния формат за всеки контекст

Аудио форматът е една от онези настройки, които преглеждате набързо в началото и за които съжалявате по-късно. Въпреки това той определя възприеманото качество, честотната лента, която всяко прослушване консумира, и съвместимостта с целевата Ви платформа. Подкаст, доставен като суров PCM, ще раздуе разходите Ви за дистрибуция, а телефонен поток при 24 000 Hz ще бъде транскодиран по пътя, с всички произтичащи от това влошавания на качеството. Този урок разглежда наличните формати и как да избирате между тях.

Поддържани кодеци

КодекMIME типКомпресияОсновна употреба
mp3audio/mpegСъс загубиУеб, мобилни устройства, подкасти
wavaudio/wavБез загубиПост-продукция, архивиране
pcmaudio/pcmНяма (суров)Аудио пайплайни, Voice Agent
mulawaudio/basicЛогаритмичнаТелефония (Америки, Япония)
alawaudio/alawЛогаритмичнаТелефония (Европа, международна)

MP3 покрива повечето случаи на дистрибуция за крайни потребители. WAV е за аудио, което все още се нуждае от редактиране или трябва да се запази без загуба на качество. PCM е обменният формат за пайплайни в реално време, включително Voice Agent, тъй като декодирането му не изисква ресурси. Mu-law и A-law съществуват единствено за телефония и нямат причина да се появяват където и да е другаде.

Честоти на дискретизация

Честотата на дискретизация определя колко фина е детайлността на сигнала: колкото е по-висока, толкова по-добре се възпроизвеждат високите честоти, но файлът става по-голям.

Честота на дискретизацияКачествоУпотреба
8 000 HzТелефонияVoIP, SIP, G.711
16 000 HzШироколентова речТранскрипция, разпознаване на реч
22 050 HzFM радиоПодкасти, известия
24 000 HzTTS стандарт (по подразбиране)Обща употреба
44 100 HzCD аудиоМузикална продукция, аудиокниги
48 000 HzВидео/излъчванеПост-продукция, излъчване

На практика три случая решават въпроса. Телефонията изисква 8 000 Hz, без дискусия: това е изискването на G.711. Уеб и мобилни приложения работят отлично със стандартните 24 000 Hz, което е най-добрият баланс между качество и честотна лента за глас. Производствената работа, като аудиокнига или звукова пътека за видео, оправдава 44 100 или 48 000 Hz, защото файлът ще бъде миксиран, нормализиран и евентуално прекодиран, а всяка стъпка отнема малко от качеството.

Битрейтове на MP3

При кодека MP3 битрейтът определя компресията и следователно крайния размер на файла.

БитрейтКачествоРазмер за 1 минута
32 000 bpsНиско~240 KB
64 000 bpsСредно~480 KB
96 000 bpsДобро~720 KB
128 000 bps (по подразбиране)Много добро~960 KB
192 000 bpsОтлично~1.4 MB

Речта заема само малка част от спектъра: 128 kbps вече я възпроизвежда много добре, а повишаването до 192 kbps прави каталога Ви половината по-тежък, без слушателят да долови разлика при говоримо съдържание. Запазете този най-висок клас за премиум продукции или музикални пасажи.

Конвертиране на аудио в Python

Voice Agent доставя суров, base64-кодиран PCM, и две конвертации се срещат в почти всеки проект. Първата превръща този поток в numpy масив, нормализиран между -1 и 1 – форматът, който повечето библиотеки за обработка на сигнали очакват – и върви в обратната посока за изпращане на аудио обратно към API.

import base64
import numpy as np

def base64_to_audio(base64_audio: str) -> np.ndarray:
    audio_bytes = base64.b64decode(base64_audio)
    audio_int16 = np.frombuffer(audio_bytes, dtype=np.int16)
    return audio_int16.astype(np.float32) / 32768.0

def audio_to_base64(audio_data: np.ndarray) -> str:
    audio_int16 = (audio_data * 32767).astype(np.int16)
    return base64.b64encode(audio_int16.tobytes()).decode("utf-8")

Втората обвива PCM в WAV контейнер. Без тази заглавна част аудио плейърът не знае нито колко канала има, нито каква честота на дискретизация да приеме, и или ще откаже файла, или ще го възпроизведе с грешна скорост.

import wave

def pcm_to_wav(pcm_data: bytes, sample_rate: int = 24000) -> bytes:
    import io
    buffer = io.BytesIO()
    with wave.open(buffer, "wb") as wf:
        wf.setnchannels(1)
        wf.setsampwidth(2)  # 16-bit
        wf.setframerate(sample_rate)
        wf.writeframes(pcm_data)
    return buffer.getvalue()

Оптимизация за дестинацията

За уеб приложение се придържайте към 128 kbps MP3 при 24 000 Hz за TTS и 24 000 Hz PCM за Voice Agent, което изисква двупосочно стриймване. Конвертирайте статичните си аудио активи, като джингли и предварително записани съобщения, в MP3 веднъж завинаги, вместо да обслужвате WAV на всеки посетител.

За телефония останете строго в рамките на G.711 при 8 000 Hz и конфигурирайте Voice Agent директно в този формат: всяко транскодиране в реално време добавя латентност, от която нямате излишък.

За съхранение дръжте архивирането и дистрибуцията разделени: мастерът остава във WAV при 24 000 Hz, готов за преработка, а Вие разпространявате 128 kbps MP3, което е много по-леко. Същото съдържание, два файла, две цели.

Управление на паметта в браузъра

По време на стрийм възпроизвеждане всяко извикване на URL.createObjectURL резервира памет, която браузърът не освобождава сам. При дълга сесия тези URL адреси се натрупват, докато табът забави работата си до пълзене. Анулирайте предишния, преди да създадете нов:

let currentBlobUrl = null;

function playAudioChunk(base64Data) {
  // Освобождаване на предишния URL
  if (currentBlobUrl) {
    URL.revokeObjectURL(currentBlobUrl);
  }

  const audioBuffer = Uint8Array.from(atob(base64Data), c => c.charCodeAt(0));
  const blob = new Blob([audioBuffer], { type: "audio/pcm" });
  currentBlobUrl = URL.createObjectURL(blob);
  // Възпроизвеждане на аудиото...
}

Тълкуване на кодове за грешки при TTS

КодЗначениеДействие
200УспехАудио в тялото на отговора
400Невалидна заявкаПроверете текста, кодека и честотата на дискретизация
401НеоторизиранПроверете API ключа
429Надвишена квотаПриложете експоненциално отлагане (backoff)
500/503Сървърна грешкаОпитайте отново с отлагане

Грешките 400 се поправят във Вашия код и няма да изчезнат сами: те идват от несъвместим параметър, обикновено честота на дискретизация, която избраният кодек не приема. От друга страна, грешките 429 и 5xx изискват една и съща реакция: експоненциално отлагане, с интервали, които се удвояват при всеки опит. Цикъл на незабавни повторни опити само влошава нещата, затрупвайки квотата, която току-що сте надвишили.

Ключови изводи

  • Налични са пет кодека: MP3, WAV, PCM, mu-law и A-law, всеки подходящ за конкретен контекст
  • Честотата на дискретизация по подразбиране е 24 000 Hz; използвайте 8 000 Hz за телефония и 44 100 Hz или по-висока за продукция
  • 128 kbps MP3 предлага най-добрия компромис между качество и размер за говорима реч
  • Управлявайте Blob URL адресите в браузъра, за да избегнете изтичане на памет
  • Приложете експоненциално отлагане за справяне с грешки 429 (ограничаване на скоростта) и 5xx

Проверете разбирането си

Voice Agent и TTS: глас от край до край, в пет въпроса.

1. Как работи сесия на Voice Agent?

Отговор: Чрез WebSocket в реално време. Вие конфигурирате сесията (глас, личност, инструкции), след което събитията текат и в двете посоки: аудиото на потребителя в едната посока, говоримите отговори на агента в другата.

2. Какво прави възможно извикването на функции (function calling) в гласов режим?

Отговор: Гласовият агент извиква Вашите инструменти по средата на разговора, за да потърси акаунт, да направи резервация или да предприеме действие. Гласът се превръща в пълен интерфейс, а не просто в машина за диктовка.

3. Какво добавят изразителните тагове на TTS?

Отговор: Контрол върху речта: интонация, паузи, акцент. Синтезът спира да звучи монотонно и следва намерението на текста на всеки поддържан език.

4. Защо ефимерните токени са важни?

Отговор: Те позволяват на клиента (браузър или мобилно приложение) да се свърже с гласовата услуга, без да излага основния Ви API ключ. Удостоверенията са с кратък срок на годност, ограничени до гласова сесия и изтичат сами, което прави гласа в реално време сигурен.

5. Какво Ви позволяват да контролирате аудио форматите?

Отговор: Компромисът между качество, латентност и честотна лента: изборът на формат и честота на дискретизация, които отговарят на канала (уеб, SIP телефония, LiveKit). Това е оптимизацията, която Ви извежда до финала.

Сесия, инструменти, изразителност, сигурност, формати: пълният гласов асистент в този курс събира всичките пет елемента заедно и Вашият ще следва същия план.