Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Επιβεβαίωση και εκκαθάριση του buffer ήχου

Μάθημα 8 / 16 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Διαχείριση του buffer ήχου
  2. input_audio_buffer.commit
  3. input_audio_buffer.clear
  4. Λειτουργία VAD έναντι χειροκίνητης λειτουργίας
  5. Βασικά σημεία

Ενημερώθηκε στις 3 Νοεμβρίου 2026, με βάση την αναφορά του xAI Voice API: το input_audio_buffer.commit διατίθεται μόνο όταν το turn_detection.type είναι null· στη λειτουργία server_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:

  1. Δημιουργεί ένα νέο στοιχείο συνομιλίας με τον συσσωρευμένο ήχο
  2. Στέλνει ένα συμβάν input_audio_buffer.committed για επιβεβαίωση
  3. Στέλνει ένα συμβάν conversation.item.added με το νέο στοιχείο
  4. 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:

  1. Εντοπίζει την έναρξη της ομιλίας (speech_started)
  2. Συσσωρεύει τον ήχο στο buffer
  3. Εντοπίζει το τέλος της ομιλίας (speech_stopped)
  4. Επιβεβαιώνει το buffer αυτόματα
  5. 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:

  1. Στέλνετε ήχο με το append
  2. Αποφασίζετε πότε τελείωσε ο χρήστης
  3. Στέλνετε commit
  4. Στέλνετε response.create

Σύγκριση

ΠτυχήΛειτουργία VADΧειροκίνητη λειτουργία
Εντοπισμός ομιλίαςΑυτόματοςΕξαρτάται από εσάς
Επιβεβαίωση bufferΑυτόματηΧειροκίνητη (commit)
Αίτημα απάντησηςΑυτόματοΧειροκίνητο (response.create)
ΈλεγχοςΛιγότερος έλεγχοςΠλήρης έλεγχος
ΠολυπλοκότηταΑπλήΠιο πολύπλοκη
Περιπτώσεις χρήσηςΕλεύθερη ροή συνομιλίαςPush-to-talk, IVR

Βασικά σημεία

  • Το input_audio_buffer.commit υποβάλλει το buffer ήχου ως μήνυμα χρήστη
  • Το input_audio_buffer.clear αδειάζει το buffer χωρίς επεξεργασία
  • Στη λειτουργία VAD, η επιβεβαίωση γίνεται αυτόματα όταν εντοπιστεί το τέλος της ομιλίας
  • Στη χειροκίνητη λειτουργία (turn_detection.type ορισμένο σε null), πρέπει να στείλετε ρητά το commit και στη συνέχεια το response.create· το commit διατίθεται μόνο σε αυτή τη λειτουργία
  • Η χειροκίνητη λειτουργία είναι κατάλληλη για διεπαφές push-to-talk και τηλεφωνικά συστήματα IVR