Συνεδρίες, συμβάντα και κύκλος ζωής
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 2 Νοεμβρίου 2026 — Μοντέλα ήχου. Αρκετά μοντέλα σε αυτό το μάθημα έχουν καταργηθεί: τα
tts-1,tts-1-hdκαιgpt-4o-mini-ttsθα σταματήσουν να λειτουργούν στις 6 Ιανουαρίου 2027 (αντικατάσταση:gpt-realtime-2.1-mini, το οποίο ο οδηγός OpenAI TTS αναφέρει ότι δεν υποστηρίζεται από το/v1/audio/speech: η μετάβαση στη σύνθεση ομιλίας μεταφέρεται στο Realtime API)· ταgpt-realtime,gpt-4o-realtimeκαι τα παλαιότερα μοντέλα ήχου στις 20 Ιανουαρίου 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5)· ταwhisper-1,gpt-4o-transcribeκαι το/v1/audio/translationsστις 26 Φεβρουαρίου 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Για αμφίδρομη φωνητική επικοινωνία (full-duplex), το GPT-Live 1 είναι διαθέσιμο στο API από τις 10 Σεπτεμβρίου 2026.
Διορθώθηκε στις 3 Νοεμβρίου 2026. Η μεταγραφή εισόδου χρησιμοποιούσε το
gpt-live-transcribe, το οποίο λειτουργεί μόνο σε συνεδρία μεταγραφής και δεν υποστηρίζει ούτεserver_vadούτεsemantic_vad. Σε μια συνεδρία συνομιλίας όπως αυτή, όπου το VAD επικυρώνει κάθε στροφή, η τεκμηρίωση ορίζει τη χρήση τουgpt-transcribe, το οποίο μεταγράφει επικυρωμένες στροφές και χρησιμοποιεί προηγούμενες στροφές ως πλαίσιο. Πηγές: Realtime transcription · GPT-Transcribe · GPT-Live-Transcribe.
Συνεδρίες, συμβάντα και κύκλος ζωής
Κάθε σύνδεση WebSocket στο Realtime API δημιουργεί μια συνεδρία. Αυτή η συνεδρία αποτελεί τη θεμελιώδη μονάδα διαχείρισης: περικλείει τη διαμόρφωση του μοντέλου, το ιστορικό συνομιλίας, τα διαθέσιμα εργαλεία και την τρέχουσα κατάσταση της αλληλεπίδρασης. Η κατανόηση του κύκλου ζωής της είναι απαραίτητη για τη δημιουργία αξιόπιστων φωνητικών πρακτόρων.
Ο κύκλος ζωής μιας συνεδρίας
Μόλις establishθεί η σύνδεση WebSocket, ο διακομιστής εκπέμπει το συμβάν session.created. Η συνεδρία διέρχεται από διάφορα στάδια:
Σύνδεση → session.created
Ο διακομιστής επιβεβαιώνει τη συνεδρία με ένα μοναδικό ID και την προεπιλεγμένη διαμόρφωση.
Διαμόρφωση → session.update
Στέλνετε το session.update για να ορίσετε οδηγίες, φωνή, εργαλεία και τρόπους λειτουργίας.
Ενεργή συνομιλία
Ανταλλαγή συμβάντων ήχου και κειμένου μεταξύ πελάτη και διακομιστή.
Κλείσιμο → Αποσύνδεση WebSocket
Η συνεδρία καταστρέφεται όταν κλείσει η σύνδεση. Καμία κατάσταση δεν διατηρείται στον διακομιστή.
Διαμόρφωση μιας συνεδρίας
Μετά το session.created, στείλτε ένα συμβάν session.update για να διαμορφώσετε τη συμπεριφορά του μοντέλου. Η μεταγραφή των λεγομένων του χρήστη (audio.input.transcription) είναι προαιρετική: χωρίς αυτήν, λαμβάνετε τη φωνή αλλά όχι το κείμενο. Το πεδίο languages καθορίζει τις αναμενόμενες γλώσσες και βελτιώνει την αναγνώριση:
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:
# Αναμονή για session.created
event = json.loads(await ws.recv())
session_id = event["session"]["id"]
print(f"Session created: {session_id}")
# Διαμόρφωση της συνεδρίας
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": []
}
}))
# Αναμονή για επιβεβαίωση (ενδέχεται να φτάσουν πρώτα άλλα συμβάντα)
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"])
Βασικές παράμετροι συνεδρίας
| Παράμετρος | Περιγραφή | Συνιστώμενη τιμή |
|---|---|---|
| output_modalities | Τρόποι εξόδου | ["audio"] (ή ["text"]) |
| audio.output.voice | Φωνή σύνθεσης | marin, cedar, alloy, echo, κ.λπ. |
| audio.input.turn_detection | Ανίχνευση τέλους ομιλίας | server_vad με κατώφλι 0.5 |
| audio.input.format | Μορφή εισερχόμενου ήχου | {"type": "audio/pcm", "rate": 24000} |
Το σύστημα συμβάντων
Το Realtime API βασίζεται εξ ολοκλήρου σε συμβάντα. Κάθε ανταλλασσόμενο μήνυμα είναι ένα αντικείμενο JSON με ένα πεδίο type που καθορίζει τη φύση του. Τα συμβάντα εμπίπτουν σε δύο κατηγορίες:
Συμβάντα πελάτη (εσείς → διακομιστής)
# Τα κύρια συμβάντα που στέλνετε
client_events = {
"session.update": "Τροποποίηση διαμόρφωσης",
"input_audio_buffer.append": "Αποστολή τμήματος ήχου",
"input_audio_buffer.commit": "Επιβεβαίωση buffer ήχου",
"input_audio_buffer.clear": "Καθαρισμός buffer ήχου",
"conversation.item.create": "Προσθήκη μηνύματος χειροκίνητα",
"conversation.item.truncate": "Περικοπή απάντησης",
"conversation.item.delete": "Διαγραφή μηνύματος",
"response.create": "Ενεργοποίηση απάντησης",
"response.cancel": "Ακύρωση τρέχουσας απάντησης",
}
Συμβάντα διακομιστή (διακομιστής → εσείς)
# Τα κύρια συμβάντα που λαμβάνετε
server_events = {
"session.created": "Αρχικοποίηση συνεδρίας",
"session.updated": "Εφαρμογή διαμόρφωσης",
"input_audio_buffer.speech_started": "Ανίχνευση ομιλίας",
"input_audio_buffer.speech_stopped": "Ανίχνευση σιωπής",
"conversation.item.created": "Νέο μήνυμα στο ιστορικό",
"response.created": "Έναρξη δημιουργίας",
"response.output_audio.delta": "Τμήμα ήχου απάντησης",
"response.output_audio_transcript.delta": "Τμήμα μεταγραφής",
"response.done": "Ολοκλήρωση απάντησης",
"error": "Σφάλμα",
}
Διαχείριση σφαλμάτων
Τα σφάλματα εκπέμπονται μέσω ενός συμβάντος τύπου error. Πρέπει πάντα να τα αναχαιτίζετε:
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":
# Σφάλμα διαμόρφωσης, διόρθωση και επανάληψη
pass
elif error["type"] == "server_error":
# Πρόβλημα από την πλευρά της OpenAI, επανασύνδεση
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}")
Βασικά σημεία
- Μια συνεδρία δημιουργείται αυτόματα κατά τη σύνδεση WebSocket και καταστρέφεται κατά την αποσύνδεση
- Το
session.updateδιαμορφώνει τη συνεδρία μετά τοsession.created· περιμένετε τοsession.updatedπριν βασιστείτε στη νέα διαμόρφωση - Για τη μεταγραφή εισόδου σε συνεδρία συνομιλίας, χρησιμοποιήστε το
gpt-transcribe· τοgpt-live-transcribeπροορίζεται αποκλειστικά για συνεδρίες μεταγραφής - Το πρωτόκολλο βασίζεται αποκλειστικά σε συμβάντα: κάθε μήνυμα διαθέτει ένα
typeπου καθορίζει τον χειρισμό του - Τα συμβάντα πελάτη οδηγούν την αλληλεπίδραση· τα συμβάντα διακομιστή αναφέρουν τα αποτελέσματα
- Η διαχείριση σφαλμάτων είναι κρίσιμη: ακούτε πάντα για συμβάντα
error