Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Äänen suoratoisto reaaliajassa

Oppitunti 12 / 18 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Äänen suoratoisto reaaliajassa
  2. Suoratoisto TTS-rajapinnan avulla
  3. Viiveen mittaaminen
  4. Asynkroninen suoratoisto
  5. Esitäyttöpuskuri
  6. Integrointi LLM + TTS -putkeen
  7. Keskeiset asiat

Päivitys 2. marraskuuta 2026 — Äänimallit. Useat tämän kurssin malleista on poistumassa käytöstä: tts-1, tts-1-hd ja gpt-4o-mini-tts lakkaavat toimimasta 6. tammikuuta 2027 (seuraaja: gpt-realtime-2.1-mini, jonka OpenAI:n TTS-opas ilmoittaa ei tukevan päätepistettä /v1/audio/speech: puheentuotannon siirtyminen tapahtuu Realtime API:n kautta); gpt-realtime, gpt-4o-realtime ja vanhat äänimallit 20. tammikuuta 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe ja /v1/audio/translations 26. helmikuuta 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Täysdupleksista ääntä varten GPT-Live 1 on ollut saatavilla rajapinnassa 10. syyskuuta 2026 lähtien. Päivitetty 3. marraskuuta 2026: Aiemmin LLM → TTS -putki käsitteli kaikki tapahtumat, joissa oli delta-kenttä, mukaan lukien funktiokutsujen argumentit tai päättely-yhteenveto; nyt se suodattaa tarkasti vain kohdan response.output_text.delta, eli varsinaisen vastauksen tekstin.

Äänen suoratoisto reaaliajassa

Ääniagentissa koko äänitiedoston odottaminen valmiiksi ennen toiston aloittamista aiheuttaa hyväksymätöntä viivettä. TTS-suoratoisto mahdollistaa toiston aloittamisen heti ensimmäisten tavujen saavuttua, mikä lyhentää vasteen alkamisajan muutamaan sataan millisekuntiin.

Suoratoisto TTS-rajapinnan avulla

TTS-rajapinta tukee suoratoistoa natiivisti. Täydellisen tiedoston odottamisen sijaan vastaanotat äänen osissa:

from openai import OpenAI
import pyaudio

client = OpenAI()

def stream_tts_to_speaker(text: str, voice: str = "alloy"):
    """Tuota ja toista ääni suoratoistotilassa."""
    # Alusta äänisoitin
    pa = pyaudio.PyAudio()
    player = pa.open(
        format=pyaudio.paInt16,
        channels=1,
        rate=24000,
        output=True
    )

    try:
        # Luo suoratoistovaste
        with client.audio.speech.with_streaming_response.create(
            model="tts-1",
            voice=voice,
            input=text,
            response_format="pcm"  # Raaka PCM suoraa toistoa varten
        ) as response:
            # Lue ja toista pala kerrallaan
            for chunk in response.iter_bytes(chunk_size=4096):
                player.write(chunk)

    finally:
        player.stop_stream()
        player.close()
        pa.terminate()

stream_tts_to_speaker("Hello, here is a real-time streaming response.")

pcm-muoto on ihanteellinen suoratoistolle, koska se ei vaadi purkamista: raakatavut ovat valmiita toistettavaksi välittömästi.

Viiveen mittaaminen

Ensimmäisen tavun aika (Time to First Byte, TTFB) on keskeinen mittari suoratoiston suorituskyvylle:

import time

def measure_tts_latency(text: str, voice: str = "alloy") -> dict:
    """Mittaa TTS-suoratoiston viiveet."""
    start_time = time.time()
    first_byte_time = None
    total_bytes = 0

    with client.audio.speech.with_streaming_response.create(
        model="tts-1",
        voice=voice,
        input=text,
        response_format="pcm"
    ) as response:
        for chunk in response.iter_bytes(chunk_size=4096):
            if first_byte_time is None:
                first_byte_time = time.time()
            total_bytes += len(chunk)

    end_time = time.time()

    return {
        "ttfb_ms": round((first_byte_time - start_time) * 1000),
        "total_ms": round((end_time - start_time) * 1000),
        "total_bytes": total_bytes,
        "audio_duration_s": round(total_bytes / (24000 * 2), 2)
    }

metrics = measure_tts_latency("Hello, how are you?")
print(f"TTFB: {metrics['ttfb_ms']}ms, Total: {metrics['total_ms']}ms")

Asynkroninen suoratoisto

Palvelinpuolen sovelluksissa käytä asynkronista asiakasta:

from openai import AsyncOpenAI
import asyncio

async_client = AsyncOpenAI()

async def stream_tts_async(text: str, voice: str = "alloy"):
    """Asynkroninen TTS-suoratoisto palvelimille."""
    chunks = []

    async with async_client.audio.speech.with_streaming_response.create(
        model="tts-1",
        voice=voice,
        input=text,
        response_format="pcm"
    ) as response:
        async for chunk in response.iter_bytes(chunk_size=4096):
            chunks.append(chunk)
            # Tästä lähetät palan asiakkaalle WebSocketin kautta
            yield chunk

# Käyttö FastAPI-palvelimessa
from fastapi import FastAPI
from fastapi.responses import StreamingResponse

app = FastAPI()

@app.get("/tts/stream")
async def tts_stream(text: str, voice: str = "alloy"):
    return StreamingResponse(
        stream_tts_async(text, voice),
        media_type="audio/pcm"
    )

Esitäyttöpuskuri

Varmistaaksesi sujuvan toiston ilman katkoja, kerää pieni puskuri ennen aloitusta:

async def buffered_tts_playback(
    text: str,
    voice: str = "alloy",
    buffer_size: int = 3  # Esiladattavien palojen määrä
):
    """TTS-toisto esitäyttöpuskurilla."""
    pa = pyaudio.PyAudio()
    player = pa.open(
        format=pyaudio.paInt16,
        channels=1,
        rate=24000,
        output=True
    )

    buffer = []
    playback_started = False

    try:
        async with async_client.audio.speech.with_streaming_response.create(
            model="tts-1",
            voice=voice,
            input=text,
            response_format="pcm"
        ) as response:
            async for chunk in response.iter_bytes(chunk_size=4096):
                buffer.append(chunk)

                if not playback_started and len(buffer) >= buffer_size:
                    playback_started = True
                    # Tyhjennä alkuperäinen puskuri
                    for buffered_chunk in buffer:
                        player.write(buffered_chunk)
                    buffer.clear()
                elif playback_started:
                    player.write(chunk)

        # Toista loput palat
        for remaining in buffer:
            player.write(remaining)

    finally:
        player.stop_stream()
        player.close()
        pa.terminate()

Integrointi LLM + TTS -putkeen

Ei-reaaliaikaisessa ääniagentissa voit yhdistää LLM-suoratoiston TTS-suoratoistoon:

async def llm_to_tts_pipeline(user_message: str):
    """Putki: Suoratoistava LLM → Reaaliaikainen TTS-suoratoisto."""
    # Vaihe 1: Kerää LLM-vastaus lauseittain
    sentence_buffer = ""

    stream = client.responses.create(
        model="gpt-5.6-luna",
        input=[{"role": "user", "content": user_message}],
        stream=True
    )

    for event in stream:
        # Vain vastauksen teksti pitäisi puhua
        if event.type == "response.output_text.delta":
            sentence_buffer += event.delta

            # Havaitse lauseen loppu
            if sentence_buffer.rstrip().endswith((".", "!", "?")):
                sentence = sentence_buffer.strip()
                sentence_buffer = ""

                # Vaihe 2: Suoratoista tämä lause TTS:ään
                stream_tts_to_speaker(sentence)

    # Käsittele jäljellä oleva puskuri
    if sentence_buffer.strip():
        stream_tts_to_speaker(sentence_buffer.strip())

Keskeiset asiat

  • TTS-suoratoisto lyhentää TTFB:n muutamaan sataan millisekuntiin aloittamalla toiston ennen generoinnin valmistumista
  • pcm-muoto on optimaalinen suoratoistolle: purkamista ei tarvita, suora toisto mahdollista
  • 2–3 palan esitäyttöpuskuri estää katkot toiston alussa
  • Asynkroninen asiakas on välttämätön palvelimille, jotka käsittelevät useita samanaikaisia yhteyksiä
  • Suoratoistavan LLM:n ja suoratoistavan TTS:n yhdistäminen mahdollistaa reagoivan ääniagentin ilman Realtime API:a