Äänenmuunnosapuvälineet Pythonissa
Tällä sivulla
Äänenkäsittelyn apukirjasto
Jotta voit rakentaa toimivan Voice Agent -sovelluksen, tarvitset apufunktioita, jotka muuntavat ääntä eri formaattien välillä. Tämä oppitunti kokoaa yhteen keskeiset Python-työkalut reaaliaikaiseen äänenkäsittelyyn.
PCM16:n ja base64:n välinen muunnos
Nämä ovat kaksi funktiota, joita tulet käyttämään useimmiten: kaapatun äänen koodaaminen base64-muotoon lähetystä varten ja vastaanotetun base64-äänen purkaminen toistamista varten.
import base64
import numpy as np
def audio_to_base64(audio_data: np.ndarray) -> str:
"""Converts a float32 numpy array in [-1, 1] to base64 PCM16."""
audio_int16 = (audio_data * 32767).astype(np.int16)
return base64.b64encode(audio_int16.tobytes()).decode("utf-8")
def base64_to_audio(base64_audio: str) -> np.ndarray:
"""Converts a base64 PCM16 string to a float32 numpy array."""
audio_bytes = base64.b64decode(base64_audio)
audio_int16 = np.frombuffer(audio_bytes, dtype=np.int16)
return audio_int16.astype(np.float32) / 32768.0
Käyttö Voice Agent -vuossa
import pyaudio
import json
# Mic capture → send
def capture_and_send(ws, stream, chunk_size=4096):
raw_data = stream.read(chunk_size, exception_on_overflow=False)
audio_array = np.frombuffer(raw_data, dtype=np.int16)
audio_float = audio_array.astype(np.float32) / 32768.0
b64 = audio_to_base64(audio_float)
ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": b64
}))
# Receive → play
def play_received(player_stream, base64_audio):
audio_float = base64_to_audio(base64_audio)
audio_int16 = (audio_float * 32767).astype(np.int16)
player_stream.write(audio_int16.tobytes())
Näytetaajuuden muunnos (Resampling)
Jos mikrofonisi tallentaa eri näytetaajuudella kuin mitä API odottaa, sinun on suoritettava näytetaajuuden muunnos:
from scipy.signal import resample
def resample_audio(
audio: np.ndarray,
original_rate: int,
target_rate: int
) -> np.ndarray:
"""Resamples audio from one sample rate to another."""
if original_rate == target_rate:
return audio
num_samples = int(len(audio) * target_rate / original_rate)
return resample(audio, num_samples)
# Example: mic at 44100 Hz → API at 24000 Hz
audio_44100 = capture_microphone()
audio_24000 = resample_audio(audio_44100, 44100, 24000)
b64 = audio_to_base64(audio_24000)
Muunnos G.711:n ja PCM:n välillä
Puhelinintegraatioita varten sinun on muunnettava G.711:n ja lineaarisen PCM:n välillä. Huomioi Python-versiosi: audioop poistettiin vakiokirjastosta versiossa 3.13. Uudemmassa Pythonissa asenna audioop-lts-paketti, joka tarjoaa saman rajapinnan:
import audioop
def pcm_to_mulaw(pcm_data: bytes) -> bytes:
"""Converts PCM16 to G.711 mu-law."""
return audioop.lin2ulaw(pcm_data, 2)
def mulaw_to_pcm(mulaw_data: bytes) -> bytes:
"""Converts G.711 mu-law to PCM16."""
return audioop.ulaw2lin(mulaw_data, 2)
def pcm_to_alaw(pcm_data: bytes) -> bytes:
"""Converts PCM16 to G.711 A-law."""
return audioop.lin2alaw(pcm_data, 2)
def alaw_to_pcm(alaw_data: bytes) -> bytes:
"""Converts G.711 A-law to PCM16."""
return audioop.alaw2lin(alaw_data, 2)
Täydellinen puhelinvälitys
Tässä on esimerkki välityksestä G.711-SIP-virran ja Voice Agent API:n välillä:
async def relay_sip_to_voice_agent(sip_stream, ws):
"""Relays audio from a SIP call to the Voice Agent API."""
async for mulaw_chunk in sip_stream:
# Convert mu-law → PCM → base64
pcm_data = mulaw_to_pcm(mulaw_chunk)
b64 = base64.b64encode(pcm_data).decode("utf-8")
await ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": b64
}))
async def relay_voice_agent_to_sip(ws, sip_stream):
"""Relays the API's audio response to the SIP stream."""
async for message in ws:
event = json.loads(message)
if event["type"] == "response.output_audio.delta":
pcm_data = base64.b64decode(event["delta"])
mulaw_data = pcm_to_mulaw(pcm_data)
await sip_stream.send(mulaw_data)
Asiakaspään hiljaisuuden tunnistus
Jos hallitset puheenvuoron aloitusta itse tai haluat paikallisen hiljaisuuden tunnistuksen ennen lähetystä, tämä funktio mittaa signaalin energiaa:
def is_silence(
audio: np.ndarray,
threshold: float = 0.01
) -> bool:
"""Detects whether an audio chunk is silence."""
rms = np.sqrt(np.mean(audio ** 2))
return rms < threshold
# Usage
audio_chunk = capture_microphone()
if not is_silence(audio_chunk, threshold=0.02):
b64 = audio_to_base64(audio_chunk)
ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": b64
}))
WAV-tiedostojen tallennus ja lataus
Virheenkorjausta ja testausta varten voit tallentaa ja ladata WAV-tiedostoja:
import wave
def save_wav(
filename: str,
audio: np.ndarray,
sample_rate: int = 24000
):
"""Saves a numpy array as a WAV file."""
audio_int16 = (audio * 32767).astype(np.int16)
with wave.open(filename, "wb") as wf:
wf.setnchannels(1)
wf.setsampwidth(2)
wf.setframerate(sample_rate)
wf.writeframes(audio_int16.tobytes())
def load_wav(filename: str) -> tuple[np.ndarray, int]:
"""Loads a WAV file as a float32 numpy array."""
with wave.open(filename, "rb") as wf:
sample_rate = wf.getframerate()
frames = wf.readframes(wf.getnframes())
audio_int16 = np.frombuffer(frames, dtype=np.int16)
return audio_int16.astype(np.float32) / 32768.0, sample_rate
Keskeiset asiat
audio_to_base64jabase64_to_audioovat kaksi keskeistä funktiota Voice Agent -vuolle- Näytetaajuuden muunnos on tarpeen, kun mikrofonisi näytetaajuus ei täsmää API:n kanssa
audioop-moduuli hoitaa G.711 mu-law- ja A-law-muunnokset; se poistettiin vakiokirjastosta Python 3.13:ssa, joten asennaaudioop-ltsPyPI:stä uusimmissa versioissa- Asiakaspään hiljaisuuden tunnistus säästää kaistanleveyttä lähettämällä vain hyödyllistä ääntä
- WAV-apuvälineet helpottavat virheenkorjausta mahdollistamalla äänivirtojen tallentamisen ja toistamisen
Testaa ymmärryksesi
WebSocket, VAD, ääni: voice agent alusta loppuun.
1. Miten määrität Voice Agent -istunnon?
Vastaus: Reaaliaikaisella WebSocket-yhteydellä, joka on todennettu väliaikaisilla tunnuksilla (ei koskaan pääavaimella asiakaspäässä), ja joka määritetään session.update-kutsulla sekä vahvistetaan session.created- ja session.updated-tapahtumilla.
2. Mitä VAD hoitaa?
Vastaus: Automaattisen puheen tunnistuksen: se selvittää, milloin käyttäjä alkaa ja lopettaa puhumisen, jotta agentti tietää, milloin kuunnella ja milloin vastata, ilman painikkeita.
3. Miten ääni virtaa?
Vastaus: Syöte lähtee input_audio_buffer.append-komennolla (puskurin commit ja clear), ja vastaus saapuu toistettavina äänitapahtumina PCM- tai G.711-muodossa kanavasta riippuen.
4. Mitä työkalut ja MCP mahdollistavat äänikeskustelussa?
Vastaus: Funktiokutsut ja sisäänrakennetut työkalut (web, X, kokoelmat) puhutun vuorovaikutuksen aikana: agentti hakee tietoja ja ryhtyy toimiin puhuessaan, mukaan lukien MCP-tapahtumat.
5. Entä puhelinkäyttö?
Vastaus: SIP ja LiveKit G.711:n kanssa: voice agent liittyy puhelinverkkoon, ja Pythonin äänenmuunnosapuvälineet siltaavat formaatit.
Turvallinen istunto, VAD, hyvin hallitut puskurit, työkalut äänessä: täydellinen puhelinavustaja on ulottuvillasi, ja tämä kurssi on antanut sinulle kaikki tarvittavat osat.