Vasta heli vastuvõtt ja esitamine
Sellel lehel
Voogedastuse taasesitus
Kui häälagent vastuse genereerib, saabub heli base64-kodeeritud tükkidena (deltad). Sinu rakendus peab need dekodeerima, järjekorda panema ja sujuvalt esitama, et kasutaja kuuleks ühtset vastust ilma katkestusteta.
Helimängija arhitektuur
Põhimõte on lihtne: iga saabuv helidelta dekodeeritakse ja lisatakse järjekorda. Taasesitusprotsess tarbib järjekorda ja saadab andmed süsteemi heliväljundisse:
class AudioStreamPlayer {
constructor(sampleRate = 24000) {
this.audioContext = new AudioContext({ sampleRate });
this.queue = [];
this.isPlaying = false;
this.nextPlayTime = 0;
}
enqueue(pcm16ArrayBuffer) {
// Teisenda PCM16 Float32-ks Web Audio API jaoks
const pcm16 = new Int16Array(pcm16ArrayBuffer);
const float32 = new Float32Array(pcm16.length);
for (let i = 0; i < pcm16.length; i++) {
float32[i] = pcm16[i] / 32768.0;
}
const buffer = this.audioContext.createBuffer(
1, float32.length, this.audioContext.sampleRate
);
buffer.getChannelData(0).set(float32);
this.queue.push(buffer);
if (!this.isPlaying) this.playNext();
}
playNext() {
if (this.queue.length === 0) {
this.isPlaying = false;
return;
}
this.isPlaying = true;
const buffer = this.queue.shift();
const source = this.audioContext.createBufferSource();
source.buffer = buffer;
source.connect(this.audioContext.destination);
const now = this.audioContext.currentTime;
const startTime = Math.max(now, this.nextPlayTime);
source.start(startTime);
this.nextPlayTime = startTime + buffer.duration;
source.onended = () => this.playNext();
}
stop() {
this.queue = [];
this.isPlaying = false;
this.nextPlayTime = 0;
}
}
Ühendamine WebSocketi sündmustega
Siin on näide, kuidas ühendada helimängija API sündmustega:
const player = new AudioStreamPlayer(24000);
ws.on("message", (data) => {
const event = JSON.parse(data);
switch (event.type) {
case "response.output_audio.delta":
const audioBytes = base64ToArrayBuffer(event.delta);
player.enqueue(audioBytes);
break;
case "response.output_audio.done":
console.log("Audio response complete");
break;
case "input_audio_buffer.speech_started":
// Kasutaja katkestab agenti
player.stop();
ws.send(JSON.stringify({ type: "response.cancel" }));
break;
}
});
function base64ToArrayBuffer(base64) {
const binary = atob(base64);
const bytes = new Uint8Array(binary.length);
for (let i = 0; i < binary.length; i++) {
bytes[i] = binary.charCodeAt(i);
}
return bytes.buffer;
}
Katkestuste käsitlemine
Loomulikus vestluses võib kasutaja agenti katkestada, rääkides üle tema vastuse. Sinu rakendus peab sellega arvestama:
- Tuvasta katkestus: sündmus
speech_startedsaabub heli esitamise ajal. - Peata taasesitus: tühjenda helijärjekord ja lõpeta heli.
- Tühista vastus: saada
response.cancel, et server lõpetaks genereerimise. - Kuula: nüüd on sõna kasutajal ja tsükkel algab uuesti.
See „vahelesegamise“ (barge-in) mehhanism on sujuva vestluse jaoks hädavajalik. Ilma selleta peaksid kasutajad ootama, kuni agent oma jutu lõpetab, enne kui nad saavad vastata.
Helimängija Pythonis
Pythoni rakenduse saad kasutada taasesituseks teeki pyaudio:
import pyaudio
import base64
import asyncio
from collections import deque
class AudioPlayer:
def __init__(self, rate=24000):
self.p = pyaudio.PyAudio()
self.stream = self.p.open(
format=pyaudio.paInt16,
channels=1,
rate=rate,
output=True
)
self.queue = deque()
def enqueue(self, base64_audio):
audio_bytes = base64.b64decode(base64_audio)
self.queue.append(audio_bytes)
def play_all(self):
while self.queue:
chunk = self.queue.popleft()
self.stream.write(chunk)
def stop(self):
self.queue.clear()
Transkriptsiooni näitamine kõrvuti
Samal ajal kui heli mängib, saad reaalajas kuvada vastuse transkriptsiooni, kasutades sündmusi response.output_audio_transcript.delta. Kasutajad saavad siis lugeda, mida agent ütleb, mis on abiks mürasetes keskkondades ja ligipääsetavuse tagamiseks:
let currentTranscript = "";
case "response.output_audio_transcript.delta":
currentTranscript += event.delta;
updateTranscriptDisplay(currentTranscript);
break;
Peamised punktid
- Vastuse heli saabub base64-tükkidena läbi
response.output_audio.delta - Kasuta helijärjekorda, et tagada katkestusteta pidev taasesitus
- Käitle katkestusi (vahelesegamine), peatades taasesituse ja tühistades vastuse
- Kuva transkriptsioon heli kõrval, et parandada ligipääsetavust
- Brauseri Web Audio API nõuab teisendust base64 → PCM16 → Float32