Vastaanota ja toista vastausääni
Tällä sivulla
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:
- Havaitse keskeytys:
speech_started-tapahtuma saapuu äänen toiston aikana. - Pysäytä toisto: tyhjennä äänijono ja lopeta ääni.
- Peruuta vastaus: lähetä
response.cancel, jotta palvelin lopettaa generoinnin. - 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.deltakautta - 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