Odesílání zvuku pomocí input_audio_buffer.append
Na této stránce
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
echoCancellationanoiseSuppressionve Web Audio API - Ztlumi mikrofon, zatímco agent mluví
- Použij náhlavní soupravu k izolaci vstupu od výstupu
Klíčové poznatky
input_audio_buffer.appendodesílá 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