Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Hlasový asistent s více režimy

Lekce 16 z 18 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Hlasový asistent s více režimy
  2. Text a zvuk paralelně
  3. Zobrazení obrázku hlasovému agentovi
  4. Webové rozhraní s více režimy
  5. Případy použití s více režimy
  6. Klíčové poznatky

Aktualizováno 2. listopadu 2026 — Zvukové modely. Několik modelů v tomto kurzu je zastaralých: tts-1, tts-1-hd a gpt-4o-mini-tts přestanou fungovat 6. ledna 2027 (uvedenou náhradou je gpt-realtime-2.1-mini, který podle průvodce OpenAI TTS není podporován endpointem /v1/audio/speech: migrace syntézy řeči musí proběhnout přes Realtime API); gpt-realtime, gpt-4o-realtime a starší zvukové modely skončí 20. ledna 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe a /v1/audio/translations skončí 26. února 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Pro plně duplexní hlas je GPT-Live 1 dostupné v API od 10. září 2026.

Opraveno 3. listopadu 2026. Pro analýzu obrázku lekce dříve prováděla samostatný volání do Responses API a následně vkládala popis jako zprávu asistenta s obsahem input_text, což je typ vyhrazený pro zprávy uživatele nebo systému. Modely gpt-realtime-2.1 a gpt-realtime-2 však přijímají obrázky přímo jako vstup: obrázek se připojí přímo jako input_image ke zprávě uživatele. Událost response.text.delta ze staré betaverze se nyní jmenuje response.output_text.delta. Tvar událostí byl ověřen proti typům SDK openai verze 3.42.1. Zdroje: Realtime conversations, Image inputs · gpt-realtime-2.1.

Hlasový asistent s více režimy

Hlasový asistent s více režimy kombinuje hlas s dalšími modalitami: textem, obrázky, videem a strukturovanými daty. Uživatel mluví, ale agent může také zobrazovat vizuální informace, analyzovat obrázky zaslané uživatelem nebo kombinovat více zdrojů dat. To je budoucnost interakce mezi člověkem a počítačem.

Text a zvuk paralelně

Realtime API nativně podporuje textové i zvukové modality současně. Můžeš vkládat text do konverzace při zachování hlasové výměny:

async def inject_text_context(ws, context: str):
    """Přidá textový kontext do hlasové konverzace."""
    await ws.send(json.dumps({
        "type": "conversation.item.create",
        "item": {
            "type": "message",
            "role": "user",
            "content": [
                {
                    "type": "input_text",
                    "text": context
                }
            ]
        }
    }))

    # Spustí hlasovou odpověď na základě tohoto kontextu
    await ws.send(json.dumps({"type": "response.create"}))

# Uživatel ústně požádá „Přečti mi můj nejnovější e-mail“
# Ty vložíš obsah e-mailu jako text
await inject_text_context(ws, """
Zde je nejnovější přijatý e-mail:
Od: [email protected]
Předmět: Žádost o nabídku
Obsah: Dobrý den, rád bych požádal o nabídku na
integraci hlasového agenta do našeho call centra.
""")

Zobrazení obrázku hlasovému agentovi

Modely gpt-realtime-2.1 a gpt-realtime-2 přijímají jako vstup text, zvuk i obrázky. Obrázek se připojí jako část input_image zprávy uživatele pomocí datového URI ve formátu Base64, a to jak přes WebSocket, tak přes datový kanál WebRTC. Model toto zohlední ve své hlasové odpovědi, aniž by volal jiné API:

import base64
import json


async def montrer_image(ws, chemin_image: str, question: str) -> None:
    """Připojí obrázek a otázku do konverzace a poté požádá o hlasovou odpověď."""
    with open(chemin_image, "rb") as f:
        image_b64 = base64.b64encode(f.read()).decode()

    await ws.send(json.dumps({
        "type": "conversation.item.create",
        "item": {
            "type": "message",
            "role": "user",
            "content": [
                {"type": "input_image", "image_url": f"data:image/jpeg;base64,{image_b64}"},
                {"type": "input_text", "text": question},
            ],
        },
    }))
    await ws.send(json.dumps({"type": "response.create"}))


await montrer_image(ws, "facture.jpg", "Co musím zaplatit a do jakého data?")

Obrázky se fakturují jako obrazové tokeny za specifickou sazbu uvedenou na kartě modelu. Pro náročnou analýzu nebo použití schopnějšího vizuálního modelu můžeš stále samostatně dotazovat Responses API a jeho výsledek předat do relace: udělej to prostřednictvím zprávy system nebo user (s obsahem input_text), nikdy ne prostřednictvím falešné zprávy asistenta, kterou by model interpretoval jako svá vlastní slova.

Webové rozhraní s více režimy

Pro webovou aplikaci zkombinuj Realtime WebSocket s vizuálním rozhraním:

from fastapi import FastAPI, WebSocket
from fastapi.staticfiles import StaticFiles

app = FastAPI()

@app.websocket("/ws/agent")
async def multimodal_agent(client_ws: WebSocket):
    """Multimodální agent s webovým rozhraním."""
    await client_ws.accept()

    headers = {
        "Authorization": f"Bearer {OPENAI_API_KEY}"
    }

    async with websockets.connect(REALTIME_URL, additional_headers=headers) as openai_ws:
        await openai_ws.recv()  # session.created

        await openai_ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "type": "realtime",
                "output_modalities": ["audio"],
                "instructions": "Multimodální asistent. Odpovídej anglicky.",
                "audio": {"output": {"voice": "marin"}}
            }
        }))
        await openai_ws.recv()

        async def client_to_openai():
            async for message in client_ws.iter_text():
                data = json.loads(message)

                if data["type"] == "audio":
                    # Předání zvuku
                    await openai_ws.send(json.dumps({
                        "type": "input_audio_buffer.append",
                        "audio": data["audio"]
                    }))

                elif data["type"] == "text":
                    # Textová zpráva (chat)
                    await openai_ws.send(json.dumps({
                        "type": "conversation.item.create",
                        "item": {
                            "type": "message",
                            "role": "user",
                            "content": [{
                                "type": "input_text",
                                "text": data["text"]
                            }]
                        }
                    }))
                    await openai_ws.send(json.dumps({
                        "type": "response.create"
                    }))

        async def openai_to_client():
            async for message in openai_ws:
                event = json.loads(message)
                t = event["type"]

                if t == "response.output_audio.delta":
                    await client_ws.send_json({
                        "type": "audio",
                        "delta": event["delta"]
                    })

                elif t == "response.output_audio_transcript.delta":
                    await client_ws.send_json({
                        "type": "transcript",
                        "delta": event["delta"]
                    })

                elif t == "response.output_text.delta":
                    await client_ws.send_json({
                        "type": "text",
                        "delta": event["delta"]
                    })

        await asyncio.gather(client_to_openai(), openai_to_client())

Případy použití s více režimy

Zde je ukázka, jak multimodální agent zpracovává různé scénáře v nástroji pro volání funkcí:

tools = [
    {
        "type": "function",
        "name": "show_chart",
        "description": "Zobrazí uživateli graf dat",
        "parameters": {
            "type": "object",
            "properties": {
                "chart_type": {"type": "string", "enum": ["bar", "line", "pie"]},
                "title": {"type": "string"},
                "data": {"type": "object"}
            },
            "required": ["chart_type", "title", "data"]
        }
    },
    {
        "type": "function",
        "name": "send_document",
        "description": "Pošle klientovi dokument e-mailem",
        "parameters": {
            "type": "object",
            "properties": {
                "document_type": {"type": "string"},
                "recipient": {"type": "string"}
            },
            "required": ["document_type", "recipient"]
        }
    }
]

Uživatel ústně řekne: „Ukaž mi prodej za poslední čtvrtletí jako graf.“ Agent zavolá show_chart, tvůj frontend zobrazí graf a agent ústně okomentuje výsledky.

Klíčové poznatky

  • Realtime API podporuje textové i zvukové modality současně v rámci jedné relace
  • Vkládání textu prostřednictvím conversation.item.create ti umožňuje obohatit hlasový kontext
  • Modely Realtime přijímají obrázky: připoj je jako input_image ke zprávě uživatele
  • Nástroje (volání funkcí) ti umožňují zobrazovat vizuální prvky při současném verbálním odpovídání
  • Architektura WebSocket na straně klienta ti umožňuje míchat zvuk, text a strukturovaná data