Modtag og afspil responslyden
På denne side
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:
- Detekter afbrydelsen: Begivenheden
speech_startedankommer, mens lyden afspilles. - Stop afspilningen: Tøm lydkøen og stop lyden.
- Annuller svaret: Send
response.cancel, så serveren stopper genereringen. - 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