Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Vastaanota ja toista vastausääni

Oppitunti 11 / 16 Päivitetty 30. heinäkuuta 2026 Kehittäjä
Tällä sivulla
  1. Suoratoistotoisto
  2. Äänisoittimen arkkitehtuuri
  3. Kytke se WebSocket-tapahtumiin
  4. Keskeytysten käsittely
  5. Äänisoitin Pythonissa
  6. Näytä litteraatio äänen rinnalla
  7. Keskeiset asiat

Suoratoistotoisto

Kun puheagentti tuottaa vastauksen, ääni saapuu base64-koodattuina palasina (delta-arvoina). Sovelluksesi täytyy purkaa ne, laittaa ne jonoon ja toistaa ne saumattomasti, jotta käyttäjä kuulee yhden jatkuvan vastauksen ilman katkoja.

Äänisoittimen arkkitehtuuri

Periaate on yksinkertainen: jokainen vastaanottamasi äänidelta puretaan ja lisätään jonoon. Toistoprosessi kuluttaa jonon ja lähettää datan järjestelmän äänilähtöön:

class AudioStreamPlayer {
  constructor(sampleRate = 24000) {
    this.audioContext = new AudioContext({ sampleRate });
    this.queue = [];
    this.isPlaying = false;
    this.nextPlayTime = 0;
  }

  enqueue(pcm16ArrayBuffer) {
    // Muunna PCM16 Float32-muotoon Web Audio API:ta varten
    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;
  }
}

Kytke se WebSocket-tapahtumiin

Näin kytket äänisoittimen rajapinnan tapahtumiin:

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":
      // Käyttäjä keskeyttää agentin
      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;
}

Keskeytysten käsittely

Luonnollisessa keskustelussa käyttäjä voi keskeyttää agentin puhumalla sen vastauksen päälle. Sovelluksesi täytyy osata käsitellä tämä:

  1. Havaitse keskeytys: speech_started-tapahtuma saapuu äänen toiston aikana.
  2. Pysäytä toisto: tyhjennä äänijono ja lopeta ääni.
  3. Peruuta vastaus: lähetä response.cancel, jotta palvelin lopettaa generoinnin.
  4. Kuuntele: käyttäjällä on puheenvuoro, ja sykli alkaa alusta.

Tämä “barge-in”-mekanismi on välttämätön sujuvalle keskustelulle. Ilman sitä käyttäjien pitäisi odottaa agentin puhuvan loppuun ennen kuin he voisivat vastata.

Äänisoitin Pythonissa

Python-sovellusta varten voit käyttää toistoon kirjastoa 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()

Näytä litteraatio äänen rinnalla

Äänen toiston aikana voit näyttää vastauksen litteraation reaaliajassa käyttämällä response.output_audio_transcript.delta-tapahtumia. Käyttäjät voivat sitten lukea, mitä agentti sanoo, mikä auttaa meluisissa ympäristöissä ja saavutettavuuden parantamisessa:

let currentTranscript = "";

case "response.output_audio_transcript.delta":
  currentTranscript += event.delta;
  updateTranscriptDisplay(currentTranscript);
  break;

Keskeiset asiat

  • Vastausääni saapuu base64-paloina tapahtuman response.output_audio.delta kautta
  • Käytä äänijonoa varmistaaksesi jatkuvan toiston ilman katkoja
  • Käsittele keskeytykset (barge-in) pysäyttämällä toisto ja peruuttamalla vastaus
  • Näytä litteraatio äänen rinnalla parantaaksesi saavutettavuutta
  • Selaimen Web Audio API vaatii muunnoksen base64 → PCM16 → Float32