Sessioner, begivenheder og livscyklus
På denne side
Opdateret 2. november 2026 — Lydmodeller. Flere modeller i dette kursus er udfaset:
tts-1,tts-1-hdoggpt-4o-mini-ttsophører med at fungere den 6. januar 2027 (erstatning:gpt-realtime-2.1-mini, som OpenAI TTS-guiden angiver ikke understøttes af/v1/audio/speech: migration af talesyntese flyttes til Realtime API);gpt-realtime,gpt-4o-realtimeog ældre lydmodeller den 20. januar 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeog/v1/audio/translationsden 26. februar 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Til fuld-duplex tale har GPT-Live 1 været tilgængelig i API’en siden 10. september 2026.
Korrigeret 3. november 2026. Input-transskription brugte
gpt-live-transcribe, som kun fungerer i en transskriptions-session og hverken understøtterserver_vadellersemantic_vad. I en konversationssession som denne, hvor VAD validerer hver tur, specificerer dokumentationengpt-transcribe, som transskriberer validerede tur og bruger tidligere tur som kontekst. Kilder: Realtime transcription · GPT-Transcribe · GPT-Live-Transcribe.
Sessioner, begivenheder og livscyklus
Hver WebSocket-forbindelse til Realtime API opretter en session. Denne session er den grundlæggende enhed for styring: den kapsler modelkonfiguration, konversationshistorik, tilgængelige værktøjer og den aktuelle tilstand af interaktionen ind. Det er afgørende at forstå dens livscyklus for at bygge robuste taleagenter.
En sessions livscyklus
Så snart WebSocket-forbindelsen er etableret, udsender serveren en session.created-begivenhed. Sessionen gennemgår flere faser:
Forbindelse → session.created
Serveren bekræfter sessionen med et unikt ID og standardkonfiguration.
Konfiguration → session.update
Du sender session.update for at definere instrukser, stemme, værktøjer og modaliteter.
Aktiv konversation
Udveksling af lyd- og tekstbegivenheder mellem klient og server.
Afslutning → WebSocket disconnect
Sessionen ødelægges, når forbindelsen lukkes. Ingen tilstand beholdes på serveren.
Konfiguration af en session
Efter session.created sender du en session.update-begivenhed for at konfigurere modellens adfærd. Transskription af brugerens udtalelser (audio.input.transcription) er valgfrit: uden det modtager du kun lyden, ikke teksten. languages specificerer de forventede sprog og forbedrer genkendelsen:
import asyncio
import websockets
import json
async def configure_session():
headers = {
"Authorization": f"Bearer {OPENAI_API_KEY}"
}
async with websockets.connect(URL, additional_headers=headers) as ws:
# Vent på session.created
event = json.loads(await ws.recv())
session_id = event["session"]["id"]
print(f"Session created: {session_id}")
# Konfigurer sessionen
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"instructions": "You are a French-speaking voice assistant. "
"Respond concisely and naturally.",
"audio": {
"input": {
"format": {"type": "audio/pcm", "rate": 24000},
"transcription": {"model": "gpt-transcribe", "languages": ["fr"]},
"turn_detection": {
"type": "server_vad",
"threshold": 0.5,
"prefix_padding_ms": 300,
"silence_duration_ms": 500
}
},
"output": {
"format": {"type": "audio/pcm", "rate": 24000},
"voice": "marin"
}
},
"tools": []
}
}))
# Vent på bekræftelse (andre begivenheder kan ankomme først)
while True:
event = json.loads(await ws.recv())
if event["type"] == "session.updated":
print("Session updated")
break
if event["type"] == "error":
raise RuntimeError(event["error"]["message"])
Vigtige sessionsparametre
| Parameter | Beskrivelse | Anbefalet værdi |
|---|---|---|
| output_modalities | Output-modaliteter | ["audio"] (eller ["text"]) |
| audio.output.voice | Syntese-stemme | marin, cedar, alloy, echo osv. |
| audio.input.turn_detection | Detektion af talestop | server_vad med threshold 0.5 |
| audio.input.format | Indgående lydformat | {"type": "audio/pcm", "rate": 24000} |
Begivenhedssystemet
Realtime API er fuldstændigt begivenhedsdrevet. Hver udvekslet besked er et JSON-objekt med et type-felt, der bestemmer dens natur. Begivenheder falder i to kategorier:
Klientbegivenheder (du → server)
# De vigtigste begivenheder, du sender
client_events = {
"session.update": "Ændr konfiguration",
"input_audio_buffer.append": "Send en lydblok",
"input_audio_buffer.commit": "Commit lydbufferen",
"input_audio_buffer.clear": "Ryd lydbufferen",
"conversation.item.create": "Tilføj en besked manuelt",
"conversation.item.truncate": "Afkort et svar",
"conversation.item.delete": "Slet en besked",
"response.create": "Udløs et svar",
"response.cancel": "Annuller det aktuelle svar",
}
Serverbegivenheder (server → dig)
# De vigtigste begivenheder, du modtager
server_events = {
"session.created": "Session initialiseret",
"session.updated": "Konfiguration anvendt",
"input_audio_buffer.speech_started": "Tale detekteret",
"input_audio_buffer.speech_stopped": "Stilhed detekteret",
"conversation.item.created": "Ny besked i historikken",
"response.created": "Generering startet",
"response.output_audio.delta": "Lyd-blok fra svar",
"response.output_audio_transcript.delta": "Transskriptions-blok",
"response.done": "Svar afsluttet",
"error": "Fejl",
}
Håndtering af fejl
Fejl udsendes via en begivenhed af typen error. Du skal altid afbryde dem:
async def handle_events(ws):
async for raw_message in ws:
event = json.loads(raw_message)
event_type = event["type"]
if event_type == "error":
error = event["error"]
print(f"Error [{error['type']}]: {error['message']}")
if error["type"] == "invalid_request_error":
# Konfigurationsfejl, ret og prøv igen
pass
elif error["type"] == "server_error":
# Problem på OpenAIs side, genopret forbindelse
pass
elif event_type == "session.updated":
print("Configuration applied successfully")
elif event_type == "response.done":
usage = event["response"].get("usage", {})
print(f"Tokens used: {usage}")
Vigtige pointer
- En session oprettes automatisk ved WebSocket-forbindelse og ødelægges ved afbrydelse
session.updatekonfigurerer sessionen eftersession.created; vent påsession.updated, før du stoler på den nye konfiguration- Brug
gpt-transcribetil at transskribere input i en konversationssession;gpt-live-transcribeer reserveret til transskriptionssessioner - Protokollen er rent begivenhedsdrevet: hver besked har en
type, der bestemmer håndteringen - Klientbegivenheder styrer interaktionen; serverbegivenheder rapporterer resultater
- Fejlhåndtering er afgørende: lyt altid efter
error-begivenheder