Επιβεβαίωση και εκκαθάριση του buffer ήχου
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση την αναφορά του xAI Voice API: το
input_audio_buffer.commitδιατίθεται μόνο όταν τοturn_detection.typeείναιnull· στη λειτουργίαserver_vad, ο διακομιστής επιβεβαιώνει τον ήχο μόνος του. Πηγή: Voice API.
Διαχείριση του buffer ήχου
Όταν στέλνετε ήχο με το input_audio_buffer.append, τα δεδομένα συσσωρεύονται σε ένα buffer στον διακομιστή. Δύο λειτουργίες ελέγχουν αυτό το buffer: το commit για την υποβολή των περιεχομένων του ως μήνυμα χρήστη και το clear για την εκκένωσή του χωρίς επεξεργασία.
input_audio_buffer.commit
Αυτό το συμβάν επιβεβαιώνει τα τρέχοντα περιεχόμενα του buffer ήχου ως μήνυμα χρήστη. Είναι απαραίτητο στη χειροκίνητη λειτουργία (push-to-talk) και αυτόματο στη λειτουργία VAD:
{
"type": "input_audio_buffer.commit"
}
Όταν ο διακομιστής λαμβάνει ένα commit:
- Δημιουργεί ένα νέο στοιχείο συνομιλίας με τον συσσωρευμένο ήχο
- Στέλνει ένα συμβάν
input_audio_buffer.committedγια επιβεβαίωση - Στέλνει ένα συμβάν
conversation.item.addedμε το νέο στοιχείο - Ξεκινά τη μεταγραφή του ήχου (εάν είναι ενεργοποιημένη)
Η απάντηση του διακομιστή
{
"type": "input_audio_buffer.committed",
"item_id": "item_audio_001"
}
Το item_id σας επιτρέπει να αναφέρεστε σε αυτό το μήνυμα στη συνομιλία αργότερα.
Πότε να κάνετε χειροκίνητο commit
- Push-to-talk: ο χρήστης κρατά πατημένο ένα κουμπί για να μιλήσει και το αφήνει για αποστολή
- Χειροκίνητη τμηματοποίηση: διαιρείτε τη ροή ήχου σε λογικά τμήματα στον πελάτη (client)
- Ενσωμάτωση τηλεφώνου: λαμβάνετε κομμάτια ήχου από ένα PBX και τα επιβεβαιώνετε στο τέλος κάθε στροφής (turn)
// Παράδειγμα Push-to-talk
talkButton.addEventListener("mousedown", () => {
isRecording = true;
startCapture();
});
talkButton.addEventListener("mouseup", () => {
isRecording = false;
stopCapture();
// Επιβεβαίωση του buffer
ws.send(JSON.stringify({
type: "input_audio_buffer.commit"
}));
// Αίτημα για απάντηση
ws.send(JSON.stringify({
type: "response.create"
}));
});
input_audio_buffer.clear
Αυτό το συμβάν αδειάζει το buffer ήχου χωρίς να δημιουργήσει μήνυμα στη συνομιλία:
{
"type": "input_audio_buffer.clear"
}
Ο διακομιστής επιβεβαιώνει με:
{
"type": "input_audio_buffer.cleared"
}
Πότε να κάνετε εκκαθάριση (clear)
- Ακύρωση: ο χρήστης πατάει ένα κουμπί “Ακύρωση” ενώ μιλάει
- Διακοπή: ο χρήστης αρχίζει να μιλάει, αλλά ένα άλλο συμβάν διακόπτει τη στροφή
- Επαναφορά: μετά από σφάλμα ή λήξη χρονικού ορίου, εκκαθαρίστε το buffer πριν ξεκινήσετε ξανά
- Θόρυβος περιβάλλοντος: το σύστημα εντοπίζει ότι το buffer περιέχει μόνο θόρυβο και όχι ομιλία
cancelButton.addEventListener("click", () => {
stopCapture();
ws.send(JSON.stringify({
type: "input_audio_buffer.clear"
}));
showMessage("Recording canceled");
});
Λειτουργία VAD έναντι χειροκίνητης λειτουργίας
Στη λειτουργία VAD (server_vad), ο διακομιστής διαχειρίζεται ολόκληρο τον κύκλο αυτόματα:
- Εντοπίζει την έναρξη της ομιλίας (
speech_started) - Συσσωρεύει τον ήχο στο buffer
- Εντοπίζει το τέλος της ομιλίας (
speech_stopped) - Επιβεβαιώνει το buffer αυτόματα
- Ξεκινά αυτόματα τη δημιουργία της απάντησης
Στη χειροκίνητη λειτουργία (turn_detection.type ορισμένο σε null), διαχειρίζεστε εσείς κάθε βήμα και είναι η μόνη λειτουργία όπου διατίθεται το input_audio_buffer.commit:
- Στέλνετε ήχο με το
append - Αποφασίζετε πότε τελείωσε ο χρήστης
- Στέλνετε
commit - Στέλνετε
response.create
Σύγκριση
| Πτυχή | Λειτουργία VAD | Χειροκίνητη λειτουργία |
|---|---|---|
| Εντοπισμός ομιλίας | Αυτόματος | Εξαρτάται από εσάς |
| Επιβεβαίωση buffer | Αυτόματη | Χειροκίνητη (commit) |
| Αίτημα απάντησης | Αυτόματο | Χειροκίνητο (response.create) |
| Έλεγχος | Λιγότερος έλεγχος | Πλήρης έλεγχος |
| Πολυπλοκότητα | Απλή | Πιο πολύπλοκη |
| Περιπτώσεις χρήσης | Ελεύθερη ροή συνομιλίας | Push-to-talk, IVR |
Βασικά σημεία
- Το
input_audio_buffer.commitυποβάλλει το buffer ήχου ως μήνυμα χρήστη - Το
input_audio_buffer.clearαδειάζει το buffer χωρίς επεξεργασία - Στη λειτουργία VAD, η επιβεβαίωση γίνεται αυτόματα όταν εντοπιστεί το τέλος της ομιλίας
- Στη χειροκίνητη λειτουργία (
turn_detection.typeορισμένο σεnull), πρέπει να στείλετε ρητά τοcommitκαι στη συνέχεια τοresponse.create· τοcommitδιατίθεται μόνο σε αυτή τη λειτουργία - Η χειροκίνητη λειτουργία είναι κατάλληλη για διεπαφές push-to-talk και τηλεφωνικά συστήματα IVR