Obousměrné streamování zvuku
Na této stránce
Aktualizováno 2. listopadu 2026 — Zvukové modely. Několik modelů v tomto kurzu je zastaralých:
tts-1,tts-1-hdagpt-4o-mini-ttspřestanou fungovat 6. ledna 2027 (uvedenou náhradou jegpt-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-realtimea starší zvukové modely skončí 20. ledna 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribea/v1/audio/translationsskončí 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.
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.gatherumožňuje současný záznam a přehrávání na stejném WebSocketu