Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Cúntóir Gutha Ilmhóideach

Ceacht 16 as 18 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Cúntóir Gútha Ilmhóideach
  2. Téacs agus Fuaim i gComhthráth
  3. Íomhá a Thaispeáint don Ghníomhaire Gutha
  4. Comhéadan Gréasáin Ilmhóideach
  5. Cásanna Úsáide Ilmhóideacha
  6. Príomhphointí

Nuashonraithe an 2 Samhain, 2026 — Múnlaí fuaime. Tá roinnt múnlaí sa chúrsa seo tar éis dul in éag: stopfaidh tts-1, tts-1-hd, agus gpt-4o-mini-tts ag obair ar an 6 Eanáir, 2027 (is é gpt-realtime-2.1-mini an 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/translations ar 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, glacann gpt-realtime-2.1 agus gpt-realtime-2 le híomhánna mar ionchur: ceanglaítear an íomhá go díreach, mar input_image, le teachtaireacht úsáideora. Tugtar response.output_text.delta anois ar an imeacht response.text.delta ón mbéite seanbhunaithe. Fíoraíodh cruthanna imeachta i gcoinne cineálacha SDK openai 3.42.1. 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_image le 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