Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Obousměrné streamování zvuku

Lekce 3 z 18 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Obousměrné streamování zvuku
  2. Zvukový formát PCM16
  3. Odesílání zvuku: Záznam z mikrofonu
  4. Přijímání zvukové odpovědi
  5. Kompletní aplikace: Hlasová konverzace
  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 koncovým bodem /v1/audio/speech: migrace syntézy řeči přechází na 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.

Obousměrné streamování zvuku

Obousměrné streamování zvuku je jádrem Realtime API. Nepřetržitě odesíláš zvukové úseky z mikrofonu a model ti nepřetržitě vrací úseky odpovědí. Tyto dva proudy jsou nezávislé a mohou běžet současně – právě to dělá konverzaci přirozenou.

Zvukový formát PCM16

Realtime API používá formát 24 kHz mono 16bit PCM. Jedná se o syrový, nekomprimovaný formát: každý vzorek je 16bitové číslo se znaménkem. Tato volba upřednostňuje nízkou latenci před efektivitou šířky pásma.

24 kHz
Vzorkovací frekvence
16 bit
Hloubka vzorku
Mono
Jeden kanál
48 KB/s
Bitrate syrového zvuku

Zvukové úseky se odesílají kódované v Base64 uvnitř JSON událostí. Každý úsek obvykle představuje 20 až 100 ms zvuku.

Odesílání zvuku: Záznam z mikrofonu

Zde je postup, jak zachytit mikrofon a streamovat zvuk:

import asyncio
import sounddevice as sd
import numpy as np
import base64
import json

SAMPLE_RATE = 24000
CHUNK_DURATION_MS = 100
CHUNK_SIZE = int(SAMPLE_RATE * CHUNK_DURATION_MS / 1000)

async def stream_microphone(ws):
    """Capture the microphone and send chunks to the Realtime API."""
    loop = asyncio.get_event_loop()
    audio_queue = asyncio.Queue()

    def audio_callback(indata, frames, time_info, status):
        if status:
            print(f"Audio warning: {status}")
        # Convert to int16 and enqueue
        pcm_data = (indata[:, 0] * 32767).astype(np.int16)
        loop.call_soon_threadsafe(audio_queue.put_nowait, pcm_data)

    # Start capture
    stream = sd.InputStream(
        samplerate=SAMPLE_RATE,
        channels=1,
        dtype="float32",
        blocksize=CHUNK_SIZE,
        callback=audio_callback
    )

    with stream:
        print("Microphone active — speak now...")
        while True:
            pcm_data = await audio_queue.get()
            audio_b64 = base64.b64encode(pcm_data.tobytes()).decode("utf-8")

            await ws.send(json.dumps({
                "type": "input_audio_buffer.append",
                "audio": audio_b64
            }))

Zvuková vyrovnávací paměť na straně serveru

Úseky odeslané přes input_audio_buffer.append se hromadí ve vyrovnávací paměti na serveru. Tato paměť se zpracovává dvěma způsoby:

  • Režim automatické detekce hlasové aktivity (VAD) (server_vad): Server detekuje, kdy přestaneš mluvit, a automaticky potvrdí vyrovnávací paměť.
  • Manuální režim: Explicitně odešleš input_audio_buffer.commit, abys spustil zpracování.
# Manually commit the audio buffer
await ws.send(json.dumps({
    "type": "input_audio_buffer.commit"
}))

# Or clear the buffer without processing it
await ws.send(json.dumps({
    "type": "input_audio_buffer.clear"
}))

Přijímání zvukové odpovědi

Zvukové odpovědi přicházejí po úsecích prostřednictvím událostí response.output_audio.delta. Musíš je průběžně dekódovat a přehrávat:

import pyaudio

async def play_response_audio(ws):
    """Receive and play response audio."""
    pa = pyaudio.PyAudio()
    player = pa.open(
        format=pyaudio.paInt16,
        channels=1,
        rate=SAMPLE_RATE,
        output=True,
        frames_per_buffer=CHUNK_SIZE
    )

    try:
        async for raw_message in ws:
            event = json.loads(raw_message)

            if event["type"] == "response.output_audio.delta":
                # Decode the Base64 audio chunk
                audio_bytes = base64.b64decode(event["delta"])
                player.write(audio_bytes)

            elif event["type"] == "response.output_audio.done":
                print("Audio response finished")

            elif event["type"] == "response.output_audio_transcript.delta":
                # Text transcription of the response
                print(event["delta"], end="", flush=True)

    finally:
        player.stop_stream()
        player.close()
        pa.terminate()

Kompletní aplikace: Hlasová konverzace

Zde je postup, jak sestavit záznam a přehrávání pro úplnou konverzaci:

async def conversation_vocale():
    headers = {
        "Authorization": f"Bearer {OPENAI_API_KEY}"
    }

    async with websockets.connect(URL, additional_headers=headers) as ws:
        # Wait for session.created
        await ws.recv()

        # Configure the session
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "type": "realtime",
                "output_modalities": ["audio"],
                "instructions": "You are a voice assistant. Respond in English.",
                "audio": {
                    "input": {
                        "format": {"type": "audio/pcm", "rate": 24000},
                        "turn_detection": {
                            "type": "server_vad",
                            "threshold": 0.5,
                            "silence_duration_ms": 700
                        }
                    },
                    "output": {
                        "format": {"type": "audio/pcm", "rate": 24000},
                        "voice": "marin"
                    }
                }
            }
        }))
        await ws.recv()  # session.updated

        # Launch capture and playback in parallel
        await asyncio.gather(
            stream_microphone(ws),
            play_response_audio(ws)
        )

asyncio.run(conversation_vocale())

Správa souběžných proudů

Výzvou u obousměrného streamování je, že odesíláš a přijímáš současně na stejném WebSocketu. asyncio.gather spustí obě korutiny paralelně, ale sdílejí stejný objekt WebSocket. Knihovna websockets tuto souběžnost zpracovává správně.

Klíčové poznatky

  • Zvuk se přenáší jako 24 kHz mono 16bit PCM, kódovaný v Base64 uvnitř JSON událostí
  • Úseky mají typicky 20 až 100 ms zvuku pro dobrý kompromis mezi latencí a režijními náklady
  • Zvuková vyrovnávací paměť na straně serveru hromadí úseky až do potvrzení (automatické v režimu VAD)
  • Přehrávání odpovědí probíhá po úsecích prostřednictvím response.output_audio.delta
  • asyncio.gather umožňuje současný záznam a přehrávání na stejném WebSocketu