Confirmar y vaciar el búfer de audio
En esta página
Actualizado el 3 de noviembre de 2026, según la referencia de la API de voz de xAI:
input_audio_buffer.commitsolo está disponible cuandoturn_detection.typeesnull; en el modoserver_vad, el servidor confirma el audio por sí mismo. Fuente: Voice API.
Gestión del búfer de audio
Cuando envías audio mediante input_audio_buffer.append, los datos se acumulan en un búfer en el servidor. Dos operaciones controlan dicho búfer: commit para enviar su contenido como un mensaje de usuario y clear para vaciarlo sin procesarlo.
input_audio_buffer.commit
Este evento confirma el contenido actual del búfer de audio como un mensaje de usuario. Es obligatorio en modo manual (pulsar para hablar) y automático en modo VAD:
{
"type": "input_audio_buffer.commit"
}
Cuando el servidor recibe una confirmación (commit):
- Crea un nuevo elemento de conversación con el audio acumulado
- Envía un evento
input_audio_buffer.committedpara confirmar la acción - Envía un evento
conversation.item.addedcon el nuevo elemento - Comienza a transcribir el audio (si está habilitado)
La respuesta del servidor
{
"type": "input_audio_buffer.committed",
"item_id": "item_audio_001"
}
El item_id te permite hacer referencia a este mensaje en la conversación más adelante.
Cuándo confirmar manualmente
- Pulsar para hablar: el usuario mantiene pulsado un botón para hablar y lo suelta para enviar
- Segmentación manual: divides el flujo de audio en segmentos lógicos en el cliente
- Integración telefónica: recibes fragmentos de audio de una centralita (PBX) y los confirmas al final de cada turno
// Ejemplo de pulsar para hablar
talkButton.addEventListener("mousedown", () => {
isRecording = true;
startCapture();
});
talkButton.addEventListener("mouseup", () => {
isRecording = false;
stopCapture();
// Confirmar el búfer
ws.send(JSON.stringify({
type: "input_audio_buffer.commit"
}));
// Solicitar una respuesta
ws.send(JSON.stringify({
type: "response.create"
}));
});
input_audio_buffer.clear
Este evento vacía el búfer de audio sin crear un mensaje en la conversación:
{
"type": "input_audio_buffer.clear"
}
El servidor confirma la acción con:
{
"type": "input_audio_buffer.cleared"
}
Cuándo vaciar el búfer
- Cancelación: el usuario pulsa un botón «Cancelar» mientras habla
- Interrupción: el usuario comienza a hablar, pero otro evento interrumpe el turno
- Reinicio: tras un error o un tiempo de espera agotado, vacía el búfer antes de empezar de nuevo
- Ruido de fondo: el sistema detecta que el búfer contiene solo ruido, no voz
cancelButton.addEventListener("click", () => {
stopCapture();
ws.send(JSON.stringify({
type: "input_audio_buffer.clear"
}));
showMessage("Grabación cancelada");
});
Modo VAD frente a modo manual
En modo VAD (server_vad), el servidor gestiona todo el ciclo automáticamente:
- Detecta el inicio del habla (
speech_started) - Acumula el audio en el búfer
- Detecta el final del habla (
speech_stopped) - Confirma el búfer automáticamente
- Comienza a generar la respuesta automáticamente
En modo manual (turn_detection.type establecido en null), tú gestionas cada paso y es el único modo donde input_audio_buffer.commit está disponible:
- Envías audio con
append - Decides cuándo el usuario ha terminado
- Envías
commit - Envías
response.create
Comparativa
| Aspecto | Modo VAD | Modo manual |
|---|---|---|
| Detección de voz | Automática | A tu cargo |
| Confirmación del búfer | Automática | Manual (commit) |
| Solicitud de respuesta | Automática | Manual (response.create) |
| Control | Menos control | Control total |
| Complejidad | Sencilla | Más compleja |
| Casos de uso | Conversación fluida | Pulsar para hablar, IVR |
Puntos clave
input_audio_buffer.commitenvía el búfer de audio como un mensaje de usuarioinput_audio_buffer.clearvacía el búfer sin procesarlo- En modo VAD, la confirmación ocurre automáticamente cuando se detecta el final del habla
- En modo manual (
turn_detection.typeestablecido ennull), debes enviarcommity luegoresponse.createexplícitamente;commitsolo está disponible en este modo - El modo manual es adecuado para interfaces de pulsar para hablar y sistemas telefónicos IVR