Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Formáty zvuku: PCM a G.711

Lekce 5 z 16 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Podporované formáty zvuku
  2. PCM (Pulzní kódová modulace)
  3. G.711: mu-law a A-law
  4. Různé formáty pro vstup a výstup
  5. Opus
  6. Přenos: JSON nebo binární
  7. Klíčové poznatky

Aktualizováno 3. listopadu 2026 na základě stránky xAI Speech to Speech: API nyní přijímá čtvrtý kodek, audio/opus (surové pakety Opus, 24 kHz mono), a druhý režim přenosu, binary, který odesílá zvuk jako binární rámce WebSocket místo base64 uvnitř JSON. Zdroj: Speech to Speech, Audio and Audio Transport.

Podporované formáty zvuku

API Voice Agent podporuje pro vstup i výstup čtyři zvukové formáty: PCM, G.711 μ-law, G.711 A-law a Opus. Volba závisí na tvém použití: webová aplikace, telefonie nebo profesionální zpracování zvuku.

Formát Kódování Vzorkovací frekvence Typické použití
audio/pcm Linear16, little-endian 8000–48000 Hz Webové aplikace, zpracování zvuku
audio/pcmu G.711 mu-law pouze 8000 Hz Severoamerická telefonie
audio/pcma G.711 A-law pouze 8000 Hz Evropská / mezinárodní telefonie
audio/opus Opus (surové pakety) 24000 Hz mono Mobilní zařízení, nízká šířka pásma

PCM (Pulzní kódová modulace)

PCM je výchozí a nejuniverzálnější formát. Kóduje zvuk jako nekomprimované 16bitové znaménkové celá čísla (Linear16) v pořadí little-endian.

Dostupné vzorkovací frekvence

API podporuje pro PCM sedm vzorkovacích frekvencí:

  • 8000 Hz: minimální kvalita pro telefonii
  • 16000 Hz: dobrý kompromis pro hlas (wideband)
  • 22050 Hz: střední kvalita
  • 24000 Hz: výchozí, doporučeno pro většinu případů
  • 32000 Hz: vyšší kvalita
  • 44100 Hz: kvalita CD
  • 48000 Hz: studiová kvalita

Pro běžnou hlasovou aplikaci nabízí 24000 Hz nejlepší rovnováhu mezi kvalitou a šířkou pásma. Vyšší frekvence nepřinášejí pro řeč znatelné zlepšení.

Konfigurace v session.update

{
  "type": "session.update",
  "session": {
    "audio": {
      "input": {
        "format": {"type": "audio/pcm", "rate": 24000}
      },
      "output": {
        "format": {"type": "audio/pcm", "rate": 24000}
      }
    }
  }
}

G.711: mu-law a A-law

Kodeky G.711 jsou standardem tradiční telefonie. Používají logaritmickou kompresi ke zmenšení objemu zvukových dat při zachování kvality hlasu v rámci telefonního pásma (300–3400 Hz).

mu-law (audio/pcmu)

Používá se hlavně v Severní Americe a Japonsku; je nativním kodekem severoamerických telefonních sítí. Pokud integruješ API Voice Agent se systémem SIP založeným v USA, je audio/pcmu přirozenou volbou.

A-law (audio/pcma)

Používá se v Evropě a zbytku světa. Pro integraci s evropským telefonním operátorem zvol audio/pcma.

Omezení G.711

Oba kodeky G.711 jsou omezeny na 8000 Hz, což znamená nižší audio šířku pásma. Kvalita hlasu je pro telefonii dostatečná, ale nižší než u PCM na 24000 Hz. Používej je pouze tehdy, když to tvoje telefonní infrastruktura vyžaduje.

Různé formáty pro vstup a výstup

API umožňuje nastavit různé formáty pro vstup a výstup, což je užitečné v hybridních architekturách:

{
  "type": "session.update",
  "session": {
    "audio": {
      "input": {
        "format": {"type": "audio/pcmu", "rate": 8000}
      },
      "output": {
        "format": {"type": "audio/pcm", "rate": 24000}
      }
    }
  }
}

V tomto příkladu přijímáš G.711 mu-law z telefonního systému a odesíláš zpět vysoce kvalitní PCM do vysílacího systému.

Opus

Čtvrtý kodek, audio/opus, přenáší surové pakety Opus při 24 000 Hz mono, jeden paket na datovou část, bez hlavičky kontejneru. Jde o komprimovaný kodek: výrazně snižuje potřebnou šířku pásma ve srovnání s PCM, což je klíčové pro mobilní připojení, pokud tvůj klient umí kódovat a dekódovat Opus.

Přenos: JSON nebo binární

Kodek (format) určuje, jak je zvuk zakódován; přenos (transport) určuje, jak tyto byty putují přes WebSocket. Ve výchozím nastavení ("json") je zvuk kódován base64 uvnitř input_audio_buffer.append a response.output_audio.delta. Při nastavení "binary" odchází jako binární rámce WebSocket, bez base64 a bez hlavičky; události životního cyklu (response.created, response.done, přepisy) zůstávají v JSON.

await ws.send(json.dumps({
    "type": "session.update",
    "session": {
        "audio": {
            "input": {"format": {"type": "audio/pcm", "rate": 24000}, "transport": "binary"},
            "output": {"format": {"type": "audio/pcm", "rate": 24000}, "transport": "binary"},
        }
    },
}))

await ws.send(pcm16_bytes)  # binární rámec: surové 16bitové PCM, bez base64

async for message in ws:
    if isinstance(message, bytes):
        player.write(message)           # zvuk asistenta
    else:
        event = json.loads(message)     # událost JSON

Dokumentace stanovuje dvě pravidla. Na vstupu server po nastavení formátu přijímá obě cesty současně: input.transport pouze určuje tvou preferovanou cestu. Na výstupu přichází zvuk pouze prostřednictvím output.transport a změna uprostřed relace se projeví až od další odpovědi, takže jedna promluva nikdy nemíchá JSON a binární data. Binární přenos eliminuje režii base64, která zvyšuje objem dat přibližně o třetinu.

Klíčové poznatky

  • Výchozí formát je PCM na 24000 Hz, ideální pro webové aplikace
  • G.711 mu-law (pcmu) je standard pro severoamerickou telefonii
  • G.711 A-law (pcma) je standard pro evropskou telefonii
  • Kodeky G.711 jsou omezeny na 8000 Hz
  • Pro vstup a výstup můžeš použít různé formáty
  • audio/opus (24 kHz mono) snižuje šířku pásma; transport: "binary" odesílá zvuk jako binární rámce bez base64
  • Pro hlas je 24000 Hz nejlepší kompromis mezi kvalitou a šířkou pásma