Cúntóir Gutha Ilmhóideach
Ar an leathanach seo
Nuashonraithe an 2 Samhain, 2026 — Múnlaí fuaime. Tá roinnt múnlaí sa chúrsa seo tar éis dul in éag: stopfaidh
tts-1,tts-1-hd, agusgpt-4o-mini-ttsag obair ar an 6 Eanáir, 2027 (is égpt-realtime-2.1-minian t-ionadaí a luaitear, ach deir treoir TTS OpenAI nach dtacaítear leis trí/v1/audio/speech: caithfidh imirce sintéise cainte dul tríd an Realtime API);gpt-realtime,gpt-4o-realtime, agus múnlaí fuaime oidhreachta ar an 20 Eanáir, 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribe, agus/v1/audio/translationsar an 26 Feabhra, 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Maidir le guth lán-dúbailte, tá GPT-Live 1 ar fáil san API ón 10 Meán Fómhair, 2026.
Ceartaithe an 3 Samhain, 2026. Chun íomhá a anailísiú, rinne an ceacht glao ar leith ar an Responses API roimhe seo, ansin instealladh an cur síos mar theachtaireacht chúntóra le hábhar
input_text, cineál atá curtha in áirithe do theachtaireachtaí úsáideora nó córais. Mar sin féin, glacanngpt-realtime-2.1agusgpt-realtime-2le híomhánna mar ionchur: ceanglaítear an íomhá go díreach, marinput_image, le teachtaireacht úsáideora. Tugtarresponse.output_text.deltaanois ar an imeachtresponse.text.deltaón mbéite seanbhunaithe. Fíoraíodh cruthanna imeachta i gcoinne cineálacha SDKopenai3.42.1. Foincí: Realtime conversations, Image inputs · gpt-realtime-2.1.
Cúntóir Gútha Ilmhóideach
Comhcheanglaíonn cúntóir gutha ilmhóideach guth le móideanna eile: téacs, íomhánna, físeán, agus sonraí struchtúrtha. Labhraíonn an t-úsáideoir, ach is féidir leis an ngníomhaire faisnéis amhairc a thaispeáint freisin, íomhánna a sheol an t-úsáideoir a anailísiú, nó roinnt foinsí sonraí a chomhcheangal. Seo é todhchaí na hidirghníomhaíochta idir duine agus ríomhaire.
Téacs agus Fuaim i gComhthráth
Tacaíonn an Realtime API go dúchasach le móideanna téacs agus fuaime ag an am céanna. Is féidir leat téacs a instealladh sa chomhrá agus an malartú gutha á choinneáil ag an am céanna:
async def inject_text_context(ws, context: str):
"""Adds text context to the voice conversation."""
await ws.send(json.dumps({
"type": "conversation.item.create",
"item": {
"type": "message",
"role": "user",
"content": [
{
"type": "input_text",
"text": context
}
]
}
}))
# Trigger a voice response based on this context
await ws.send(json.dumps({"type": "response.create"}))
# The user verbally asks "Read me my latest email"
# You inject the email content as text
await inject_text_context(ws, """
Here is the latest email received:
From: [email protected]
Subject: Quote Request
Content: Hello, I would like to request a quote for
integrating a voice agent into our call center.
""")
Íomhá a Thaispeáint don Ghníomhaire Gutha
Glacann gpt-realtime-2.1 agus gpt-realtime-2 le téacs, fuaim, agus íomhánna mar ionchur. Ceanglaítear íomhá mar chuid input_image de theachtaireacht úsáideora, ag baint úsáide as URI Sonraí Base64, thar WebSocket agus an cainéal sonraí WebRTC araon. Cuireann an múnla san áireamh é seo ina fhreagairt ghutha, gan aon API eile a ghlaowh:
import base64
import json
async def montrer_image(ws, chemin_image: str, question: str) -> None:
"""Attaches an image and a question to the conversation, then requests a voice response."""
with open(chemin_image, "rb") as f:
image_b64 = base64.b64encode(f.read()).decode()
await ws.send(json.dumps({
"type": "conversation.item.create",
"item": {
"type": "message",
"role": "user",
"content": [
{"type": "input_image", "image_url": f"data:image/jpeg;base64,{image_b64}"},
{"type": "input_text", "text": question},
],
},
}))
await ws.send(json.dumps({"type": "response.create"}))
await montrer_image(ws, "facture.jpg", "What do I need to pay, and by what date?")
Billeáiltear íomhánna mar chomharthaí íomhá, ag ráta sonrach atá liostaithe ar chárta an mhúnla. Chun anailís throm a dhéanamh nó múnla radhairc níos cumasaí a úsáid, is féidir leat ceist a chur ar an Responses API ar leithligh fós, ansin an toradh a chur chuig an seisiún: déan é seo trí theachtaireacht system nó user (le hábhar input_text), riamh trí theachtaireacht bhréige chúntóra, rud a léirmhíneodh an múnla mar a chuid focal féin.
Comhéadan Gréasáin Ilmhóideach
Chun feidhmchlár gréasáin a chruthú, comhcheangail an Realtime WebSocket le comhéadan amhairc:
from fastapi import FastAPI, WebSocket
from fastapi.staticfiles import StaticFiles
app = FastAPI()
@app.websocket("/ws/agent")
async def multimodal_agent(client_ws: WebSocket):
"""Multimodal agent with web interface."""
await client_ws.accept()
headers = {
"Authorization": f"Bearer {OPENAI_API_KEY}"
}
async with websockets.connect(REALTIME_URL, additional_headers=headers) as openai_ws:
await openai_ws.recv() # session.created
await openai_ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"instructions": "Multimodal assistant. Respond in English.",
"audio": {"output": {"voice": "marin"}}
}
}))
await openai_ws.recv()
async def client_to_openai():
async for message in client_ws.iter_text():
data = json.loads(message)
if data["type"] == "audio":
# Relay audio
await openai_ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": data["audio"]
}))
elif data["type"] == "text":
# Text message (chat)
await openai_ws.send(json.dumps({
"type": "conversation.item.create",
"item": {
"type": "message",
"role": "user",
"content": [{
"type": "input_text",
"text": data["text"]
}]
}
}))
await openai_ws.send(json.dumps({
"type": "response.create"
}))
async def openai_to_client():
async for message in openai_ws:
event = json.loads(message)
t = event["type"]
if t == "response.output_audio.delta":
await client_ws.send_json({
"type": "audio",
"delta": event["delta"]
})
elif t == "response.output_audio_transcript.delta":
await client_ws.send_json({
"type": "transcript",
"delta": event["delta"]
})
elif t == "response.output_text.delta":
await client_ws.send_json({
"type": "text",
"delta": event["delta"]
})
await asyncio.gather(client_to_openai(), openai_to_client())
Cásanna Úsáide Ilmhóideacha
Seo conas a láimhseálann gníomhaire ilmhóideach cásanna éagsúla in uirlis glaonna feidhme:
tools = [
{
"type": "function",
"name": "show_chart",
"description": "Displays a data chart to the user",
"parameters": {
"type": "object",
"properties": {
"chart_type": {"type": "string", "enum": ["bar", "line", "pie"]},
"title": {"type": "string"},
"data": {"type": "object"}
},
"required": ["chart_type", "title", "data"]
}
},
{
"type": "function",
"name": "send_document",
"description": "Sends a document to the client by email",
"parameters": {
"type": "object",
"properties": {
"document_type": {"type": "string"},
"recipient": {"type": "string"}
},
"required": ["document_type", "recipient"]
}
}
]
Deir an t-úsáideoir go béil: “Taispeáin dom díolacháin na ráithe seo caite mar chairt.” Glaonn an gníomhaire show_chart, taispeánann do chliant tosaigh an chairt, agus déanann an gníomhaire trácht béil ar na torthaí.
Príomhphointí
- Tacaíonn an Realtime API le móideanna téacs agus fuaime ag an am céanna sa seisiún céanna
- Tríd an téacs a instealladh via
conversation.item.create, is féidir leat comhthéacs an ghutha a shaibhriú - Glacann múnlaí Realtime le híomhánna: ceangail iad mar
input_imagele teachtaireacht úsáideora - Ligeann uirlisí (glaonna feidhme) duit eilimintí amhairc a thaispeáint agus tú ag freagairt go béil
- Ligeann ailtireacht WebSocket taobh an chliaint duit fuaim, téacs, agus sonraí struchtúrtha a mheascadh