Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Modtag og afspil responslyden

Lektion 11 af 16 Opdateret 30. juli 2026 Udvikler
På denne side
  1. Streaming-afspilning
  2. Arkitektur for lydafspiller
  3. Tilslut til WebSocket-begivenhederne
  4. Håndtering af afbrydelser
  5. Lydafspiller i Python
  6. Vis transskriptionen sideløbende
  7. Vigtige pointer

Streaming-afspilning

Når taleagenten genererer et svar, ankommer lyden i base64-kodede bidder (deltas). Din app skal dekode dem, sætte dem i kø og afspille dem flydende, så brugeren hører ét sammenhængende svar uden huller.

Arkitektur for lydafspiller

Princippet er enkelt: Hver lyd-delta, du modtager, bliver dekodet og føjet til en kø. En afspilningsproces tærer på køen og sender dataene til systemets lydudgang:

class AudioStreamPlayer {
  constructor(sampleRate = 24000) {
    this.audioContext = new AudioContext({ sampleRate });
    this.queue = [];
    this.isPlaying = false;
    this.nextPlayTime = 0;
  }

  enqueue(pcm16ArrayBuffer) {
    // Convert PCM16 to Float32 for the Web Audio API
    const pcm16 = new Int16Array(pcm16ArrayBuffer);
    const float32 = new Float32Array(pcm16.length);
    for (let i = 0; i < pcm16.length; i++) {
      float32[i] = pcm16[i] / 32768.0;
    }

    const buffer = this.audioContext.createBuffer(
      1, float32.length, this.audioContext.sampleRate
    );
    buffer.getChannelData(0).set(float32);

    this.queue.push(buffer);
    if (!this.isPlaying) this.playNext();
  }

  playNext() {
    if (this.queue.length === 0) {
      this.isPlaying = false;
      return;
    }

    this.isPlaying = true;
    const buffer = this.queue.shift();
    const source = this.audioContext.createBufferSource();
    source.buffer = buffer;
    source.connect(this.audioContext.destination);

    const now = this.audioContext.currentTime;
    const startTime = Math.max(now, this.nextPlayTime);
    source.start(startTime);
    this.nextPlayTime = startTime + buffer.duration;

    source.onended = () => this.playNext();
  }

  stop() {
    this.queue = [];
    this.isPlaying = false;
    this.nextPlayTime = 0;
  }
}

Tilslut til WebSocket-begivenhederne

Sådan forbinder du lydafspilleren med API’ets begivenheder:

const player = new AudioStreamPlayer(24000);

ws.on("message", (data) => {
  const event = JSON.parse(data);

  switch (event.type) {
    case "response.output_audio.delta":
      const audioBytes = base64ToArrayBuffer(event.delta);
      player.enqueue(audioBytes);
      break;

    case "response.output_audio.done":
      console.log("Audio response complete");
      break;

    case "input_audio_buffer.speech_started":
      // The user interrupts the agent
      player.stop();
      ws.send(JSON.stringify({ type: "response.cancel" }));
      break;
  }
});

function base64ToArrayBuffer(base64) {
  const binary = atob(base64);
  const bytes = new Uint8Array(binary.length);
  for (let i = 0; i < binary.length; i++) {
    bytes[i] = binary.charCodeAt(i);
  }
  return bytes.buffer;
}

Håndtering af afbrydelser

I en naturlig samtale kan brugeren afbryde agenten ved at tale hen over dens svar. Din app skal håndtere dette:

  1. Detekter afbrydelsen: Begivenheden speech_started ankommer, mens lyden afspilles.
  2. Stop afspilningen: Tøm lydkøen og stop lyden.
  3. Annuller svaret: Send response.cancel, så serveren stopper genereringen.
  4. Lyt: Brugeren har ordet, og cyklussen starter forfra.

Denne „barge-in”-mekanisme er afgørende for en flydende samtale. Uden den ville brugere skulle vente på, at agenten blev færdig med at tale, før de kunne svare.

Lydafspiller i Python

Til en Python-app kan du bruge pyaudio til afspilning:

import pyaudio
import base64
import asyncio
from collections import deque

class AudioPlayer:
    def __init__(self, rate=24000):
        self.p = pyaudio.PyAudio()
        self.stream = self.p.open(
            format=pyaudio.paInt16,
            channels=1,
            rate=rate,
            output=True
        )
        self.queue = deque()

    def enqueue(self, base64_audio):
        audio_bytes = base64.b64decode(base64_audio)
        self.queue.append(audio_bytes)

    def play_all(self):
        while self.queue:
            chunk = self.queue.popleft()
            self.stream.write(chunk)

    def stop(self):
        self.queue.clear()

Vis transskriptionen sideløbende

Mens lyden afspilles, kan du vise svar-transskriptionen i realtid med begivenhederne response.output_audio_transcript.delta. Brugere kan dermed læse, hvad agenten siger, hvilket hjælper i støjende omgivelser og forbedrer tilgængeligheden:

let currentTranscript = "";

case "response.output_audio_transcript.delta":
  currentTranscript += event.delta;
  updateTranscriptDisplay(currentTranscript);
  break;

Vigtige pointer

  • Responslyd ankommer som base64-bidder via response.output_audio.delta
  • Brug en lydkø til at garantere sammenhængende afspilning uden huller
  • Håndter afbrydelser (barge-in) ved at stoppe afspilningen og annullere svaret
  • Vis transskriptionen sideløbende med lyden for at forbedre tilgængeligheden
  • Browserens Web Audio API kræver en konvertering fra base64 til PCM16 og videre til Float32