Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Přijímání a přehrávání zvukové odpovědi

Lekce 11 z 16 Aktualizováno 30. července 2026 Vývojář
Na této stránce
  1. Streamované přehrávání
  2. Architektura audio přehrávače
  3. Propojení s událostmi WebSocketu
  4. Zpracování přerušení
  5. Audio přehrávač v Pythonu
  6. Zobrazení přepisu souběžně se zvukem
  7. Klíčové poznatky

Streamované přehrávání

Když hlasový agent vygeneruje odpověď, zvuk přichází v kouscích (deltách) zakódovaných do base64. Tvá aplikace je musí dekódovat, zařadit do fronty a plynule přehrát, aby uživatel slyšel jednu souvislou odpověď bez mezer.

Architektura audio přehrávače

Princip je jednoduchý: každou přijatou zvukovou deltu dekóduješ a přidáš do fronty. Přehrávací proces tuto frontu zpracovává a odesílá data do zvukového výstupu systému:

class AudioStreamPlayer {
  constructor(sampleRate = 24000) {
    this.audioContext = new AudioContext({ sampleRate });
    this.queue = [];
    this.isPlaying = false;
    this.nextPlayTime = 0;
  }

  enqueue(pcm16ArrayBuffer) {
    // Convert PCM16 to Float32 for the Web Audio API
    const pcm16 = new Int16Array(pcm16ArrayBuffer);
    const float32 = new Float32Array(pcm16.length);
    for (let i = 0; i < pcm16.length; i++) {
      float32[i] = pcm16[i] / 32768.0;
    }

    const buffer = this.audioContext.createBuffer(
      1, float32.length, this.audioContext.sampleRate
    );
    buffer.getChannelData(0).set(float32);

    this.queue.push(buffer);
    if (!this.isPlaying) this.playNext();
  }

  playNext() {
    if (this.queue.length === 0) {
      this.isPlaying = false;
      return;
    }

    this.isPlaying = true;
    const buffer = this.queue.shift();
    const source = this.audioContext.createBufferSource();
    source.buffer = buffer;
    source.connect(this.audioContext.destination);

    const now = this.audioContext.currentTime;
    const startTime = Math.max(now, this.nextPlayTime);
    source.start(startTime);
    this.nextPlayTime = startTime + buffer.duration;

    source.onended = () => this.playNext();
  }

  stop() {
    this.queue = [];
    this.isPlaying = false;
    this.nextPlayTime = 0;
  }
}

Propojení s událostmi WebSocketu

Zde je návod, jak připojit audio přehrávač k událostem API:

const player = new AudioStreamPlayer(24000);

ws.on("message", (data) => {
  const event = JSON.parse(data);

  switch (event.type) {
    case "response.output_audio.delta":
      const audioBytes = base64ToArrayBuffer(event.delta);
      player.enqueue(audioBytes);
      break;

    case "response.output_audio.done":
      console.log("Audio response complete");
      break;

    case "input_audio_buffer.speech_started":
      // The user interrupts the agent
      player.stop();
      ws.send(JSON.stringify({ type: "response.cancel" }));
      break;
  }
});

function base64ToArrayBuffer(base64) {
  const binary = atob(base64);
  const bytes = new Uint8Array(binary.length);
  for (let i = 0; i < binary.length; i++) {
    bytes[i] = binary.charCodeAt(i);
  }
  return bytes.buffer;
}

Zpracování přerušení

V přirozené konverzaci může uživatel agenta přerušit tím, že začne mluvit během jeho odpovědi. Tvá aplikace to musí umět ošetřit:

  1. Detekce přerušení: událost speech_started dorazí, zatímco se přehrává zvuk.
  2. Zastavení přehrávání: vyprázdnění audio fronty a zastavení zvuku.
  3. Zrušení odpovědi: odeslání response.cancel, aby server přestal generovat obsah.
  4. Poslech: uživatel má slovo a cyklus začíná znovu.

Tento mechanismus „barge-in“ je pro plynulou konverzaci zásadní. Bez něj by museli uživatelé čekat, až agent domluví, než by mohli odpovědět.

Audio přehrávač v Pythonu

Pro aplikaci v Pythonu můžeš k přehrávání použít knihovnu pyaudio:

import pyaudio
import base64
import asyncio
from collections import deque

class AudioPlayer:
    def __init__(self, rate=24000):
        self.p = pyaudio.PyAudio()
        self.stream = self.p.open(
            format=pyaudio.paInt16,
            channels=1,
            rate=rate,
            output=True
        )
        self.queue = deque()

    def enqueue(self, base64_audio):
        audio_bytes = base64.b64decode(base64_audio)
        self.queue.append(audio_bytes)

    def play_all(self):
        while self.queue:
            chunk = self.queue.popleft()
            self.stream.write(chunk)

    def stop(self):
        self.queue.clear()

Zobrazení přepisu souběžně se zvukem

Zatímco se přehrává zvuk, můžeš v reálném čase zobrazovat přepis odpovědi pomocí událostí response.output_audio_transcript.delta. Uživatelé tak mohou číst, co agent říká, což pomáhá v hlučném prostředí a zlepšuje přístupnost:

let currentTranscript = "";

case "response.output_audio_transcript.delta":
  currentTranscript += event.delta;
  updateTranscriptDisplay(currentTranscript);
  break;

Klíčové poznatky

  • Zvuk odpovědi přichází jako chunks v base64 prostřednictvím response.output_audio.delta.
  • Použij audio frontu, abys zajistil nepřerušované přehrávání bez mezer.
  • Zpracuj přerušení (barge-in) zastavením přehrávání a zrušením odpovědi.
  • Zobrazuj přepis souběžně se zvukem pro lepší přístupnost.
  • Webové audio API v prohlížeči vyžaduje konverzi z base64 přes PCM16 na Float32.