Léiriú: Scálú agus Monatóireacht
Ar an leathanach seo
Nuashonraithe 2 Samhain, 2026 — Múnlaí fuaime. Tá roinnt múnlaí sa chúrsa seo imithe in éag: stopfaidh
tts-1,tts-1-hd, agusgpt-4o-mini-ttsag obair ar 6 Eanáir, 2027 (ionadaí:gpt-realtime-2.1-mini, a deir treoir TTS OpenAI nach dtacaítear leis le/v1/audio/speech: caithfidh imirce sintéise cainte dul tríd an API Realtime);gpt-realtime,gpt-4o-realtime, agus múnlaí fuaime oidhreachta ar 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 26 Feabhra, 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Maidir le guth lán-dúbailte, tá GPT-Live 1 ar fáil san API ó 10 Meán Fómhair, 2026.
Nuashonraithe 3 Samhain, 2026. Bhíodh bainistiú costais oiriúnach in abairt amháin; léiríonn sé anois an tsamhail billeála a thuairiscíonn OpenAI (billeáil in aghaidh freagartha, comhrá ar ais gach casadh, fuaim áirithe i dtócananna, taisceadh uathoibríoch, tras-scríobh billeáilte ar leithligh) agus gearradh trí
retention_ratio, a fíoraíodh a fhormáid i gcoinne cineálacha SDKopenaileagan 3.42.1. Foinse: Cost optimization.
Léiriú: Scálú agus Monatóireacht
Éilíonn bogadh ó phrótaitíopa gníomhaire gutha go seirbhís léirithe iontaofa, inscálaithe aird dhíreach ar bhonneagar, monatóireacht, agus láimhseáil earráidí. Clúdaíonn an ceacht deireanach seo na bunriachtanais oibríochtúla chun gníomhaire gutha a chur in úsáid i gcoinníollacha an tsaoil réadaigh.
Ailtireacht Léirithe
Sa léiriú, ritheann an gníomhaire gutha taobh thiar de chothromóir ualaigh agus linn oibrithe:
Cothromóir Ualaigh (nginx / HAProxy)
Dáileann sé naisc WebSocket isteach thar oibrithe. Tacaíonn sé le seisiáin ghreamaitheacha chun cleamhnas a choinneáil.
Oibrithe (FastAPI + uvicorn)
Láimhseálann gach oibrí roinnt seisiún Realtime comhuaineacha mar gheall ar asyncio.
Bunachar Sonraí (PostgreSQL)
Stórálann sé logaí comhráite, méadrachtaí, agus cumraíocht an ghníomhaire.
Monatóireacht (Prometheus + Grafana)
Bailíonn sé méadrachtaí fíor-ama: moill, líon seisiún, earráidí, costais.
Seisiúin Chomhuaineacha a Bhainistiú
Coinníonn gach nasc WebSocket seisiún API Realtime. Tá an líon seisiún comhuaineach teoranta ag do theorainneacha ráta OpenAI agus acmhainn do chuid oibrithe:
import asyncio
from dataclasses import dataclass
@dataclass
class SessionManager:
"""Bainistíonn sé seisiúin API Realtime comhuaineacha."""
max_sessions: int = 50
active_sessions: dict = None
semaphore: asyncio.Semaphore = None
def __post_init__(self):
self.active_sessions = {}
self.semaphore = asyncio.Semaphore(self.max_sessions)
async def create_session(self, session_id: str, config: dict):
"""Cruthaíonn sé seisiún nua le rialú comhthreomhaireachta."""
async with self.semaphore:
if session_id in self.active_sessions:
raise ValueError(f"Session {session_id} already active")
self.active_sessions[session_id] = {
"created_at": asyncio.get_event_loop().time(),
"config": config,
"status": "active"
}
return session_id
async def close_session(self, session_id: str):
"""Dúnann sé seisiún i gceart."""
if session_id in self.active_sessions:
del self.active_sessions[session_id]
@property
def active_count(self) -> int:
return len(self.active_sessions)
@property
def available_slots(self) -> int:
return self.max_sessions - self.active_count
session_manager = SessionManager(max_sessions=50)
Logáil Struchtúrtha
Déan logáil ar gach idirghníomhaíocht chun dífhabhtaithe agus comhlíontachta:
import logging
import json
from datetime import datetime
class ConversationLogger:
"""Logálaí struchtúrtha do chomhráite gutha."""
def __init__(self, session_id: str):
self.session_id = session_id
self.logger = logging.getLogger(f"voice.{session_id}")
self.events = []
def log_event(self, event_type: str, data: dict = None):
entry = {
"timestamp": datetime.utcnow().isoformat(),
"session_id": self.session_id,
"event_type": event_type,
"data": data or {}
}
self.events.append(entry)
self.logger.info(json.dumps(entry))
def log_transcription(self, role: str, text: str):
self.log_event("transcription", {
"role": role,
"text": text
})
def log_function_call(self, name: str, args: dict, result: dict, duration_ms: float):
self.log_event("function_call", {
"name": name,
"arguments": args,
"result": result,
"duration_ms": round(duration_ms)
})
def log_error(self, error_type: str, message: str):
self.log_event("error", {
"type": error_type,
"message": message
})
async def save_to_db(self, db_pool):
"""Buanaíonn sé an loga iomlán sa bhunachar sonraí."""
async with db_pool.acquire() as conn:
await conn.execute(
"INSERT INTO conversation_logs (session_id, events, created_at) "
"VALUES ($1, $2, NOW())",
self.session_id, json.dumps(self.events)
)
Méadrachtaí Prometheus
Nocht méadrachtaí le haghaidh monatóireachta fíor-ama:
from prometheus_client import Counter, Histogram, Gauge, start_http_server
# Méadrachtaí tábhachtacha
sessions_active = Gauge(
"voice_sessions_active",
"Number of active voice sessions"
)
session_duration = Histogram(
"voice_session_duration_seconds",
"Duration of voice sessions",
buckets=[30, 60, 120, 300, 600, 1800]
)
response_latency = Histogram(
"voice_response_latency_ms",
"Response latency (end of speech → first audio)",
buckets=[200, 400, 600, 800, 1000, 1500, 2000, 3000]
)
errors_total = Counter(
"voice_errors_total",
"Total number of errors",
["error_type"]
)
tokens_used = Counter(
"voice_tokens_total",
"Tokens consumed",
["type"] # input_audio, output_audio, input_text, output_text
)
# Tosaigh an freastalaí méadrachtaí
start_http_server(9090)
Bainistiú Costais
De réir threoir Cost optimization ó OpenAI, billeáiltear seisiún comhrá Realtime in aghaidh na freagartha, i dtócananna ionchuir agus aschuir do théacs, fuaim, agus íomhánna. Tiomáineann trí mheicníocht an chuid is mó den bhille:
- Seoltar an comhrá iomlán ar ais chuig an múnla le gach freagra: costálann casanna níos déanaí níos mó ná cinn níos luaithe.
- Áirítear fuaim i dtócananna: 1 tócan in aghaidh gach 100 ms d’fhuaime úsáideora, 1 tócan in aghaidh gach 50 ms d’fhuaime an chúntóra.
- Baineann taisceadh leid isteach go huathoibríoch: fad nach n-athraíonn tús an chomhrá, billeáiltear é ag an ráta laghdaithe tócananna taisce. Briseann modhnú nó scriosadh eiliminte níos sine an taisce ón bpointe sin amach.
Má chumasaítear é, billeáiltear tras-scríobh ionchuir ar leithligh ag ráta a mhúnla féin: gearrtar táille ar gpt-transcribe de réir faid, léite ón imeacht conversation.item.input_audio_transcription.completed. Feictear tomhaltas do gach freagra in response.done, faoi response.usage (total_tokens, input_tokens, output_tokens, chomh maith leis an mbriseadh síos do théacs, fuaim, íomhá, agus taisce).
Chun méid an chomhthéacs a theorannú — agus mar sin costais chasanna níos déanaí — glacann an seisiún le riail ghearrtha: thar an teorainn, scaoiltear na teachtaireachtaí is sine. Le retention_ratio socraithe faoi 1, baineann an freastalaí beagán níos mó ná mar is gá, rud a chuireann spás idir gearrthacha agus a chaomhnaíonn an taisce:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"truncation": {
"type": "retention_ratio",
"retention_ratio": 0.8,
"token_limits": {"post_instructions": 8000},
},
},
}))
An malartú: déanann gníomhaire a choinníonn níos lú comhthéacs dearmad níos tapúla. Comhlánaigh é seo le teorainneacha seisiúna i do chód:
class CostController:
"""Rialaíonn sé costais do sheisiún Realtime."""
def __init__(self, max_duration_s: int = 600, max_tokens: int = 50000):
self.max_duration_s = max_duration_s
self.max_tokens = max_tokens
self.total_tokens = 0
self.start_time = None
def start(self):
self.start_time = asyncio.get_event_loop().time()
def update_tokens(self, usage: dict):
self.total_tokens += usage.get("total_tokens", 0)
@property
def elapsed_seconds(self) -> float:
if not self.start_time:
return 0
return asyncio.get_event_loop().time() - self.start_time
@property
def should_terminate(self) -> bool:
if self.elapsed_seconds > self.max_duration_s:
return True
if self.total_tokens > self.max_tokens:
return True
return False
@property
def warning_message(self) -> str:
remaining = self.max_duration_s - self.elapsed_seconds
if remaining < 60:
return f"This session will end in {int(remaining)} seconds."
return ""
Láimhseáil Earráidí sa Léiriú
async def production_event_loop(ws, logger, cost_ctrl):
"""Lúb imeachta láidir don léiriú."""
cost_ctrl.start()
try:
async for raw in ws:
event = json.loads(raw)
t = event["type"]
# Seiceáil teorainneacha costais
if cost_ctrl.should_terminate:
logger.log_event("session_limit_reached")
await ws.send(json.dumps({
"type": "conversation.item.create",
"item": {
"type": "message",
"role": "user",
"content": [{"type": "input_text",
"text": "The session is approaching its duration limit."}]
}
}))
break
if t == "response.done":
usage = event["response"].get("usage", {})
cost_ctrl.update_tokens(usage)
tokens_used.labels(type="total").inc(usage.get("total_tokens", 0))
elif t == "error":
error = event["error"]
logger.log_error(error["type"], error["message"])
errors_total.labels(error_type=error["type"]).inc()
if error["type"] == "rate_limit_error":
await asyncio.sleep(1)
except websockets.exceptions.ConnectionClosed as e:
logger.log_error("connection_closed", str(e))
except Exception as e:
logger.log_error("unexpected", str(e))
finally:
session_duration.observe(cost_ctrl.elapsed_seconds)
sessions_active.dec()
Príomhphointí
- Scarann ailtireacht léirithe cothromóir ualaigh, oibrithe asyncio, bunachar sonraí, agus monatóireacht
- Rialaíonn
SessionManagerle semaphore líon na seisiún comhuaineach - Cumasaíonn logáil struchtúrtha JSON dífhabhtú agus comhlíontacht (taifeadadh comhráite)
- Tá méadrachtaí Prometheus (TTFA, fad, tócananna, earráidí) riachtanach d’oibríochtaí laethúla
- Teorannaíonn an
CostControllerfad seisiúna agus tócananna chun sáruithe buiséid a chosc
Tástáil do Chuid Eolais
Cúig cheist a chlúdaíonn an slabhra gutha iomlán, ó WebSocket go dtí cur in úsáid léirithe.
1. Cén fáth a n-úsáideann an API Realtime WebSocket in ionad iarratais HTTP?
Freagra: Toisc go ligeann nasc leanúnach, déthreoch duit fuaime micreafóin a shruthlú agus freagraí a fháil go leanúnach, gan an t-ualach a bhaineann le hiarratas a bhunú do gach malartú a íoc. Is é seo an réamhriachtanas do chomhrá íseal-mhoille.
2. Cad a chaithfidh tú a sheoladh láithreach tar éis `session.created`, agus cén fáth?
Freagra: session.update, láithreach: is é seo an áit a ndéanann tú cumraíocht ar an nguth, treoracha, uirlisí, agus formáid fuaime. Go dtí go seoltar an teachtaireacht seo, ritheann an seisiún le luachanna réamhshocraithe.
3. Cén fáth a bhfuil freastalaí seachfhreastail riachtanach sa léiriú?
Freagra: Cuireann sé cosc ar an eochair API a nochtadh sa chliant, agus ligeann sé duit an t-úsáideoir a fhíordheimhniú, tomhaltas a theorannú, agus glaonna a logáil — trí rud nach féidir a dhéanamh má labhraíonn an brabhsálaí go díreach leis an API.
4. Cad é cuspóir an pharaiméadair `prompt` san API tras-scríofa?
Freagra: Chun aitheantas a stiúradh i dtreo foclóraíochta a bhfuiltear ag súil léi: ainmneacha dílse, brandaí, argóit fearainn. Déantar téarmaí a liostaíonn tú ansin a thras-scríobh i bhfad níos cruinne.
5. Cad é an príomhghiómar don mhoill mheasta i ngníomhaire gutha?
Freagra: Sruthú ó cheann go ceann: seinm fuaime chomh luath agus a thagann na chéad blúirí isteach in ionad fanacht leis an bhfreagra iomlán, agus láimhseáil cur isteach ionas gur féidir leis an úsáideoir isteach a ghearradh ag am ar bith.