Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Odesílání zvuku pomocí input_audio_buffer.append

Lekce 7 z 16 Aktualizováno 30. července 2026 Vývojář
Na této stránce
  1. Streamování zvuku na server
  2. Struktura události
  3. Záznam zvuku v prohlížeči
  4. Záznam zvuku v Pythonu
  5. Velikost části a frekvence
  6. Potlačení ozvěny
  7. Klíčové poznatky

Streamování zvuku na server

Jakmile je relace nakonfigurována, můžeš začít streamovat zvuk na server. Událost input_audio_buffer.append odesílá části zvuku kódované v base64.

Struktura události

{
  "type": "input_audio_buffer.append",
  "audio": "SGVsbG8gV29ybGQ..."
}

Pole audio obsahuje surová zvuková data zakódovaná v base64. Jeho formát musí odpovídat formátu nakonfigurovanému v session.update (ve výchozím nastavení 16bitové PCM s little-endian pořadím bajtů při 24 000 Hz).

Záznam zvuku v prohlížeči

Webové zvukové API (Web Audio API) v prohlížeči ti umožňuje zachytit mikrofon a odesílat data v reálném čase:

async function startCapture(ws) {
  const stream = await navigator.mediaDevices.getUserMedia({
    audio: {
      sampleRate: 24000,
      channelCount: 1,
      echoCancellation: true,
      noiseSuppression: true
    }
  });

  const audioContext = new AudioContext({ sampleRate: 24000 });
  const source = audioContext.createMediaStreamSource(stream);
  const processor = audioContext.createScriptProcessor(4096, 1, 1);

  processor.onaudioprocess = (event) => {
    const inputData = event.inputBuffer.getChannelData(0);
    const pcm16 = float32ToPCM16(inputData);
    const base64 = arrayBufferToBase64(pcm16.buffer);

    ws.send(JSON.stringify({
      type: "input_audio_buffer.append",
      audio: base64
    }));
  };

  source.connect(processor);
  processor.connect(audioContext.destination);
}

function float32ToPCM16(float32Array) {
  const pcm16 = new Int16Array(float32Array.length);
  for (let i = 0; i < float32Array.length; i++) {
    const s = Math.max(-1, Math.min(1, float32Array[i]));
    pcm16[i] = s < 0 ? s * 0x8000 : s * 0x7FFF;
  }
  return pcm16;
}

function arrayBufferToBase64(buffer) {
  const bytes = new Uint8Array(buffer);
  let binary = "";
  for (let i = 0; i < bytes.byteLength; i++) {
    binary += String.fromCharCode(bytes[i]);
  }
  return btoa(binary);
}

Záznam zvuku v Pythonu

Pomocí knihovny pyaudio můžeš zachytit mikrofon a odesílat části dat:

import pyaudio
import base64
import json

RATE = 24000
CHUNK = 4096
FORMAT = pyaudio.paInt16
CHANNELS = 1

p = pyaudio.PyAudio()
stream = p.open(
    format=FORMAT,
    channels=CHANNELS,
    rate=RATE,
    input=True,
    frames_per_buffer=CHUNK
)

async def send_audio(ws):
    while True:
        data = stream.read(CHUNK, exception_on_overflow=False)
        audio_b64 = base64.b64encode(data).decode("utf-8")
        await ws.send(json.dumps({
            "type": "input_audio_buffer.append",
            "audio": audio_b64
        }))

Velikost části a frekvence

Velikost části ovlivňuje latenci a výkon:

  • Malé části (1024 vzorků / ~42 ms): minimální latence, ale více zpráv WebSocket
  • Střední části (4096 vzorků / ~170 ms): dobrý kompromis
  • Velké části (8192 vzorků / ~341 ms): méně zpráv, ale znatelná latence

Pro přirozenou konverzaci odesílej část každých 100 až 200 ms. Serverová detekce hlasové aktivity (VAD) shromažďuje data do interní vyrovnávací paměti a průběžně je zpracovává.

Potlačení ozvěny

Pokud tvá aplikace přehrává zvukovou odpověď přes reproduktory, zatímco je mikrofon aktivní, potřebuješ potlačení ozvěny. Bez něj by agent slyšel sám sebe mluvit a mohl by se dostat do smyčky konverzace sám se sebou.

Možnosti řešení:

  • Použij možnosti echoCancellation a noiseSuppression ve Web Audio API
  • Ztlumi mikrofon, zatímco agent mluví
  • Použij náhlavní soupravu k izolaci vstupu od výstupu

Klíčové poznatky

  • input_audio_buffer.append odesílá části zvuku kódované v base64
  • Formát dat musí odpovídat konfiguraci relace (ve výchozím nastavení 16bitové PCM)
  • Pro dobrý poměr mezi latencí a výkonem odesílej část každých 100 až 200 ms
  • Záznam zvuku v prohlížeči využívá Web Audio API s převodem z Float32 na PCM16
  • Zajisti potlačení ozvěny, abys předešel zvukovým smyčkám