Odeslání a vymazání zvukové vyrovnávací paměti
Na této stránce
Aktualizováno 3. listopadu 2026 na základě reference xAI Voice API:
input_audio_buffer.commitje dostupné pouze tehdy, když jeturn_detection.typenastaveno nanull; v režimuserver_vadodesílá audio server sám. Zdroj: Voice API.
Správa zvukové vyrovnávací paměti
Když odešleš audio pomocí input_audio_buffer.append, data se hromadí ve vyrovnávací paměti na serveru. Tuto paměť řídí dvě operace: commit k odeslání jejího obsahu jako uživatelské zprávy a clear k jejímu vyprázdnění bez zpracování.
input_audio_buffer.commit
Tato událost odešle aktuální obsah zvukové vyrovnávací paměti jako uživatelskou zprávu. Je povinná v manuálním režimu (push-to-talk) a automatická v režimu VAD:
{
"type": "input_audio_buffer.commit"
}
Když server obdrží příkaz commit:
- Vytvoří novou položku konverzace s nahromaděným audiem
- Odešle událost
input_audio_buffer.committedpro potvrzení - Odešle událost
conversation.item.addeds novou položkou - Spustí přepis audia (pokud je povoleno)
Odpověď serveru
{
"type": "input_audio_buffer.committed",
"item_id": "item_audio_001"
}
item_id ti umožňuje později odkazovat na tuto zprávu v konverzaci.
Kdy odeslat commit manuálně
- Push-to-talk: uživatel drží tlačítko pro řeč a jeho uvolněním zprávu odešle
- Manuální segmentace: rozdělíš zvukový stream na logické segmenty na straně klienta
- Integrace telefonu: přijímáš zvukové bloky z pobočkové ústředny (PBX) a odesíláš je na konci každého tahu
// Příklad push-to-talk
talkButton.addEventListener("mousedown", () => {
isRecording = true;
startCapture();
});
talkButton.addEventListener("mouseup", () => {
isRecording = false;
stopCapture();
// Odeslání obsahu bufferu
ws.send(JSON.stringify({
type: "input_audio_buffer.commit"
}));
// Vyžádání odpovědi
ws.send(JSON.stringify({
type: "response.create"
}));
});
input_audio_buffer.clear
Tato událost vyprázdní zvukovou vyrovnávací paměť bez vytvoření zprávy v konverzaci:
{
"type": "input_audio_buffer.clear"
}
Server potvrdí odpovědí:
{
"type": "input_audio_buffer.cleared"
}
Kdy vymazat paměť
- Zrušení: uživatel stiskne tlačítko „Zrušit“ během řeči
- Přerušení: uživatel začne mluvit, ale jiná událost přeruší jeho tah
- Reset: po chybě nebo časovém limitu vymaž paměť před novým začátkem
- Šum v pozadí: systém detekuje, že paměť obsahuje pouze šum, nikoliv řeč
cancelButton.addEventListener("click", () => {
stopCapture();
ws.send(JSON.stringify({
type: "input_audio_buffer.clear"
}));
showMessage("Nahrávání zrušeno");
});
Režim VAD versus manuální režim
V režimu VAD (server_vad) server celý cyklus zpracovává automaticky:
- Detekuje začátek řeči (
speech_started) - Hromadí audio ve vyrovnávací paměti
- Detekuje konec řeči (
speech_stopped) - Automaticky odešle obsah paměti (commit)
- Automaticky začne generovat odpověď
V manuálním režimu (turn_detection.type nastaveno na null) každý krok řešíš sám a je to jediný režim, kde je input_audio_buffer.commit dostupné:
- Odešleš audio pomocí
append - Rozhodneš, kdy uživatel skončil
- Odešleš
commit - Odešleš
response.create
Srovnání
| Aspekt | Režim VAD | Manuální režim |
|---|---|---|
| Detekce řeči | Automatická | Na tobě |
| Odeslání paměti (commit) | Automatické | Manuální (commit) |
| Vyžádání odpovědi | Automatické | Manuální (response.create) |
| Kontrola | Menší kontrola | Plná kontrola |
| Složitost | Jednoduché | Složitější |
| Využití | Plynulá konverzace | Push-to-talk, IVR |
Klíčové poznatky
input_audio_buffer.commitodešle zvukovou vyrovnávací paměť jako uživatelskou zprávuinput_audio_buffer.clearvyprázdní paměť bez zpracování- V režimu VAD k odeslání (commit) dojde automaticky po detekci konce řeči
- V manuálním režimu (
turn_detection.typenastaveno nanull) musíš explicitně odeslatcommita následněresponse.create;commitje dostupné pouze v tomto režimu - Manuální režim je vhodný pro rozhraní typu push-to-talk a telefonní systémy IVR