Faigh agus seinm an fhreagra fuaime
Ar an leathanach seo
Seinm sruthaithe
Nuair a ghineann an gníomhaire gutha freagra, tagann an fhuaim i bpíosaí atá ionchódaithe i mbonn64 (deiltí). Caithfidh d’fheidhmchlár iad a dhíchódú, iad a chur i scuaine, agus iad a sheinm go réidh ionas go gcloiseann an t-úsáideoir freagra leanúnach amháin gan bearnaí.
Ailtireacht an seinnteora fuaime
Tá an prionsabal simplí: déantar gach deilt fuaime a fhaigheann tú a dhíchódú agus a chur le scuaine. Baineann próiseas seinmte úsáid as an scuaine agus seolann sé na sonraí chuig aschur fuaime an chórais:
class AudioStreamPlayer {
constructor(sampleRate = 24000) {
this.audioContext = new AudioContext({ sampleRate });
this.queue = [];
this.isPlaying = false;
this.nextPlayTime = 0;
}
enqueue(pcm16ArrayBuffer) {
// Convert PCM16 to Float32 for the Web Audio API
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;
}
}
Ceangail leis na himeachtaí WebSocket
Seo conas an seinnteoir fuaime a cheangal le himeachtaí an API:
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":
// The user interrupts the agent
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;
}
Cur isteach a láimhseáil
I gcomhrá nádúrtha, is féidir leis an úsáideoir cur isteach ar an ngníomhaire trí labhairt thar a fhreagra. Caithfidh d’fheidhmchlár é sin a láimhseáil:
- Braith an cur isteach: tagann an t-imeacht
speech_startedagus fuaim á seinm - Stad an tseinm: folmhaigh an scuaine fuaime agus cuir deireadh leis an bhfuaim
- Cealaigh an freagra: seol
response.cancelionas go stopfaidh an freastalaí ag giniúint - Éist: tá an urlár ag an úsáideoir, agus tosaíonn an timthriall arís
Tá an mheicníocht “barge-in” seo riachtanach le haghaidh comhrá sreabhach. Gan í, bheadh ar úsáideoirí fanacht go mbeadh an gníomhaire críochnaithe ag caint sular fhéadfaidís freagairt.
Seinnteoir fuaime i bPython
Le haghaidh feidhmchláir Python, is féidir leat pyaudio a úsáid don tseinm:
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()
Taispeáin an tras-scríbhinn in éineacht
Cé go bhfuil an fhuaim á seinm, is féidir leat tras-scríbhinn an fhreagra a thaispeáint i bhfíor-am leis na himeachtaí response.output_audio_transcript.delta. Is féidir le húsáideoirí ansin léamh cad atá an gníomhaire a rá, rud a chuidíonn i dtimpeallachtaí torannacha agus don inrochtaineacht:
let currentTranscript = "";
case "response.output_audio_transcript.delta":
currentTranscript += event.delta;
updateTranscriptDisplay(currentTranscript);
break;
Príomhphointí
- Tagann fuaim fhreagra mar chodanna bonn64 trí
response.output_audio.delta - Úsáid scuaine fuaime chun seinm leanúnach a ráthú gan bearnaí
- Láimhseáil cur isteach (barge-in) trí sheinm a stopadh agus an freagra a chealú
- Taispeáin an tras-scríbhinn in éineacht leis an bhfuaim chun inrochtaineacht a fheabhsú
- Teastaíonn tiontú ó bhonn64 go PCM16 go Float32 ó API Fuaime Gréasáin an bhrabhsálaí