Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

VAD: automatická detekce řeči

Lekce 6 z 16 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Jak funguje detekce předání slova
  2. Dva režimy, jedno pole
  3. Události VAD
  4. Výzva mlčícímu uživateli: idle_timeout_ms
  5. Manuální režim: turn_detection.type nastaveno na null
  6. Výběr režimu
  7. Klíčové poznatky

Aktualizováno 3. listopadu 2026 na základě stránky xAI Speech to Speech a reference k Voice API: detekce předání slova se nastavuje pomocí turn_detection.type ("server_vad" nebo null) a volitelně turn_detection.idle_timeout_ms. Zdroje: Speech to Speech · Voice API.

Jak funguje detekce předání slova

V hlasové konverzaci musí systém vědět, kdy uživatel začne mluvit a kdy přestane. To je úkolem VAD (detekce hlasové aktivity). Voice Agent API od xAI nabízí serverovou stranu VAD, server_vad: server analyzuje zvukový proud, rozpozná konec každé výpovědi a sám spustí odpověď.

Dva režimy, jedno pole

Režim vybíráš v objektu turn_detection u zprávy session.update:

{
  "type": "session.update",
  "session": {
    "turn_detection": { "type": "server_vad" }
  }
}
turn_detection.typeKdo rozhoduje o konci předání slovaCo odesíláš
"server_vad"Serverinput_audio_buffer.append, nic dalšího
nullTyinput_audio_buffer.append, poté input_audio_buffer.commit a response.create

V režimu server_vad server rozděluje předání slova, potvrzuje audio a spouští odpověď. Přerušení jsou také zpracována automaticky: xAI doporučuje tento režim pro přirozené střídání v řeči, když uživatel agenta přeruší uprostřed věty. Dokumentace však nenabízí žádné nastavení citlivosti ani délky ticha: rozdělování předání slova je plně v režii serveru.

Události VAD

Při použití server_vad server hlásí každý přechod:

  • input_audio_buffer.speech_started: VAD detekoval začátek řeči;
  • input_audio_buffer.speech_stopped: detekoval její konec;
  • input_audio_buffer.committed: audio bylo potvrzeno jako zpráva uživatele.
ws.on("message", (data) => {
  const event = JSON.parse(data);
  switch (event.type) {
    case "input_audio_buffer.speech_started":
      stopPlayback();       // uživatel mluví: zastav již přijaté audio agenta
      break;
    case "input_audio_buffer.speech_stopped":
      showThinking();       // detekován konec řeči: přichází odpověď
      break;
  }
});

Na straně serveru je přerušení automatické; na straně klienta by se již přijaté audio přehrávalo dál, pokud bys ho nezastavil. Událost speech_started je tím správným okamžikem pro vyprázdnění fronty přehrávání.

Výzva mlčícímu uživateli: idle_timeout_ms

Jediným zdokumentovaným nastavením souvisejícím s VAD je idle_timeout_ms. To donutí agenta převzít znovu iniciativu v konverzaci, když uživatel po odpovědi agenta ztichne:

{
  "type": "session.update",
  "session": {
    "turn_detection": { "type": "server_vad", "idle_timeout_ms": 8000 }
  }
}

Pokud není po skončení odpovědi po tuto dobu detekována žádná řeč, server vyšle událost input_audio_buffer.timeout_triggered, potvrdí tiché předání slova od uživatele a vygeneruje kontrolní dotaz. Časovač se po každé odpovědi resetuje, takže se spouští znovu každých idle_timeout_ms, dokud uživatel nic neřekne. Ve výchozím nastavení je vypnutý (null). U telefonní ústředny udrží kontrolní dotaz po několika vteřinách ticho na uzdě; do instrukcí agenta si napiš frázi, kterou má v takovém případě použít.

Manuální režim: turn_detection.type nastaveno na null

Pro rozhraní typu „stiskni a mluv“ (push-to-talk) nebo kdykoli chceš sám rozhodovat o konci předání slova, nastav typ na null:

{
  "type": "session.update",
  "session": {
    "turn_detection": { "type": null }
  }
}

Poté odesíláš audio pomocí input_audio_buffer.append a když uživatel pustí tlačítko, odešleš input_audio_buffer.commit pro potvrzení předání slova a response.create pro vyžádání odpovědi. input_audio_buffer.commit je dostupné pouze v manuálním režimu. input_audio_buffer.clear zahodí audio, které bylo odesláno, ale ještě ne potvrzeno, a response.cancel zastaví probíhající odpověď, protože přerušení již není v manuálním režimu automatické.

Výběr režimu

  • Plynulá konverzace (asistent, telefonní ústředna, kiosek): server_vad, případně s idle_timeout_ms pro výzvu mlčícím uživatelům.
  • Vysílačka, diktování, velmi hlučná prostředí: manuální režim, kde konec předání slova následuje stisk tlačítka a šum v pozadí nic nespouští.

Klíčové poznatky

  • turn_detection.type je buď "server_vad" (server rozděluje předání slova a řeší přerušení), nebo null (manuální režim)
  • Dokumentace xAI nenabízí žádný práh citlivosti ani délku ticha k ladění
  • Události speech_started, speech_stopped a committed hlásí přechody VAD
  • idle_timeout_ms vyzve mlčícího uživatele prostřednictvím události input_audio_buffer.timeout_triggered
  • V manuálním režimu: nejprve append, poté commit a response.create