Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Μορφές ήχου: PCM και G.711

Μάθημα 5 / 16 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Υποστηριζόμενες μορφές ήχου
  2. PCM (Διαμόρφωση Παλμοκωδικού)
  3. G.711: mu-law και A-law
  4. Διαφορετικές μορφές εισόδου και εξόδου
  5. Opus
  6. Μεταφορά: JSON ή binary
  7. Βασικά σημεία

Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση τη σελίδα Speech to Speech της xAI: το API δέχεται έναν τέταρτο κωδικοποιητή, το audio/opus (ακατέργαστα πακέτα Opus, 24 kHz mono), και έναν δεύτερο τρόπο μεταφοράς, το binary, το οποίο στέλνει τον ήχο ως δυαδικά καρέ WebSocket αντί για base64 μέσα σε JSON. Πηγή: Speech to Speech, Audio and Audio Transport.

Υποστηριζόμενες μορφές ήχου

Το Voice Agent API υποστηρίζει τέσσερις μορφές ήχου για είσοδο και έξοδο: PCM, G.711 μ-law, G.711 A-law και Opus. Η επιλογή σας εξαρτάται από τη χρήση που θέλετε να κάνετε: μια web εφαρμογή, τηλεφωνία ή επαγγελματική επεξεργασία ήχου.

Μορφή Κωδικοποίηση Ρυθμοί δειγματοληψίας Τυπική χρήση
audio/pcm Linear16, little-endian 8000–48000 Hz Web εφαρμογές, επεξεργασία ήχου
audio/pcmu G.711 mu-law Μόνο 8000 Hz Τηλεφωνία Βόρειας Αμερικής
audio/pcma G.711 A-law Μόνο 8000 Hz Ευρωπαϊκή / διεθνής τηλεφωνία
audio/opus Opus (ακατέργαστα πακέτα) 24000 Hz mono Κινητά, χαμηλό εύρος ζώνης

PCM (Διαμόρφωση Παλμοκωδικού)

Το PCM είναι η προεπιλεγμένη και πιο ευέλικτη μορφή. Κωδικοποιεί τον ήχο ως μη συμπιεσμένους ακέραιους 16-bit με πρόσημο (Linear16) σε διάταξη little-endian.

Διαθέσιμοι ρυθμοί δειγματοληψίας

Το API υποστηρίζει επτά ρυθμούς δειγματοληψίας για PCM:

  • 8000 Hz: ελάχιστη ποιότητα τηλεφώνου
  • 16000 Hz: καλός συμβιβασμός για φωνή (wideband)
  • 22050 Hz: ενδιάμεση ποιότητα
  • 24000 Hz: η προεπιλογή, συνιστάται για τις περισσότερες περιπτώσεις
  • 32000 Hz: υψηλότερη ποιότητα
  • 44100 Hz: ποιότητα CD
  • 48000 Hz: ποιότητα στούντιο

Για μια τυπική εφαρμογή φωνής, τα 24000 Hz προσφέρουν την καλύτερη ισορροπία μεταξύ ποιότητας και εύρους ζώνης. Η περαιτέρω αύξηση δεν φέρνει αισθητή βελτίωση στην ομιλία.

Διαμόρφωση στο session.update

{
  "type": "session.update",
  "session": {
    "audio": {
      "input": {
        "format": {"type": "audio/pcm", "rate": 24000}
      },
      "output": {
        "format": {"type": "audio/pcm", "rate": 24000}
      }
    }
  }
}

G.711: mu-law και A-law

Οι κωδικοποιητές G.711 είναι τα πρότυπα της παραδοσιακής τηλεφωνίας. Χρησιμοποιούν λογαριθμική συμπίεση για να μειώσουν τα δεδομένα ήχου διατηρώντας παράλληλα την ποιότητα της φωνής εντός της τηλεφωνικής ζώνης (300–3400 Hz).

mu-law (audio/pcmu)

Χρησιμοποιείται κυρίως στη Βόρεια Αμερική και την Ιαπωνία· είναι ο εγγενής κωδικοποιητής των τηλεφωνικών δικτύων της Βόρειας Αμερικής. Αν ενσωματώνετε το Voice Agent API με ένα σύστημα SIP με έδρα τις ΗΠΑ, το audio/pcmu είναι η φυσική επιλογή.

A-law (audio/pcma)

Χρησιμοποιείται στην Ευρώπη και τον υπόλοιπο κόσμο. Για ενσωμάτωση με ευρωπαϊκό πάροχο τηλεφωνίας, επιλέξτε το audio/pcma.

Περιορισμοί του G.711

Και οι δύο κωδικοποιητές G.711 περιορίζονται στα 8000 Hz, γεγονός που σημαίνει μειωμένο εύρος ζώνης ήχου. Η ποιότητα της φωνής είναι επαρκής για τηλεφωνία, αλλά χαμηλότερη από το PCM στα 24000 Hz. Χρησιμοποιήστε τα μόνο όταν η τηλεφωνική σας υποδομή το απαιτεί.

Διαφορετικές μορφές εισόδου και εξόδου

Το API σάς επιτρέπει να διαμορφώνετε διαφορετικές μορφές για είσοδο και έξοδο, κάτι που είναι χρήσιμο σε υβριδικές αρχιτεκτονικές:

{
  "type": "session.update",
  "session": {
    "audio": {
      "input": {
        "format": {"type": "audio/pcmu", "rate": 8000}
      },
      "output": {
        "format": {"type": "audio/pcm", "rate": 24000}
      }
    }
  }
}

Σε αυτό το παράδειγμα, λαμβάνετε G.711 mu-law από ένα τηλεφωνικό σύστημα και στέλνετε PCM υψηλής ποιότητας πίσω σε ένα σύστημα μετάδοσης.

Opus

Ο τέταρτος κωδικοποιητής, το audio/opus, μεταφέρει ακατέργαστα πακέτα Opus στα 24.000 Hz mono, ένα πακέτο ανά ωφέλιμο φορτίο, χωρίς κεφαλίδα container. Είναι ένας συμπιεσμένος κωδικοποιητής: μειώνει δραστικά το εύρος ζώνης σε σύγκριση με το PCM, κάτι που έχει σημασία σε μια κινητή σύνδεση, εφόσον ο πελάτης σας μπορεί να κωδικοποιήσει και να αποκωδικοποιήσει το Opus.

Μεταφορά: JSON ή binary

Ο κωδικοποιητής (format) καθορίζει πώς κωδικοποιείται ο ήχος· η μεταφορά (transport) καθορίζει πώς ταξιδεύουν αυτά τα bytes μέσω του WebSocket. Από προεπιλογή ("json"), ο ήχος κωδικοποιείται σε base64 μέσα στα input_audio_buffer.append και response.output_audio.delta. Με το "binary", εξέρχεται ως δυαδικά καρέ WebSocket, χωρίς base64 και χωρίς κεφαλίδα· τα γεγονότα του κύκλου ζωής (response.created, response.done, μεταγραφές) παραμένουν σε JSON.

await ws.send(json.dumps({
    "type": "session.update",
    "session": {
        "audio": {
            "input": {"format": {"type": "audio/pcm", "rate": 24000}, "transport": "binary"},
            "output": {"format": {"type": "audio/pcm", "rate": 24000}, "transport": "binary"},
        }
    },
}))

await ws.send(pcm16_bytes)  # binary frame: raw 16-bit PCM, no base64

async for message in ws:
    if isinstance(message, bytes):
        player.write(message)           # the assistant's audio
    else:
        event = json.loads(message)     # JSON event

Η τεκμηρίωση ορίζει δύο κανόνες. Κατά την είσοδο, μόλις διαμορφωθεί η μορφή, ο διακομιστής δέχεται και τις δύο διαδρομές ταυτόχρονα: το input.transport δηλώνει απλώς την προτιμώμενη διαδρομή σας. Κατά την έξοδο, ο ήχος φτάνει μόνο μέσω του output.transport και μια αλλαγή κατά τη διάρκεια της συνεδρίας ισχύει μόνο από την επόμενη απόκριση, ώστε μια μεμονωμένη εκφώνηση να μην αναμειγνύει ποτέ JSON και binary. Το binary αποφεύγει το γενικό κόστος του base64, το οποίο προσθέτει περίπου το ένα τρίτο στον όγκο των δεδομένων.

Βασικά σημεία

  • Η προεπιλεγμένη μορφή είναι το PCM στα 24000 Hz, ιδανικό για web εφαρμογές
  • Το G.711 mu-law (pcmu) είναι το πρότυπο τηλεφωνίας της Βόρειας Αμερικής
  • Το G.711 A-law (pcma) είναι το ευρωπαϊκό πρότυπο τηλεφωνίας
  • Οι κωδικοποιητές G.711 περιορίζονται στα 8000 Hz
  • Μπορείτε να χρησιμοποιήσετε διαφορετικές μορφές για είσοδο και έξοδο
  • Το audio/opus (24 kHz mono) μειώνει το εύρος ζώνης· το transport: "binary" στέλνει τον ήχο ως δυαδικά καρέ, χωρίς base64
  • Για φωνή, τα 24000 Hz αποτελούν τον καλύτερο συμβιβασμό μεταξύ ποιότητας και εύρους ζώνης