Formáidí fuaime: PCM agus G.711
Ar an leathanach seo
Nuashonraithe an 3 Samhain 2026, bunaithe ar leathanach Speech to Speech de chuid xAI: glacann an API le ceathrú cóidec,
audio/opus(pacáistí Opus amh, 24 kHz monó), agus dara mód iompair,binary, a sheolann fuaim mar fhrámaí WebSocket dénártha in ionad base64 laistigh de JSON. Foinse: Speech to Speech, Audio and Audio Transport.
Formáidí fuaime a dtacaítear leo
Tacaíonn Voice Agent API le ceithre fhormáid fuaime le haghaidh ionchuir agus aschuir: PCM, G.711 μ-law, G.711 A-law, agus Opus. Braitheann an ceann a roghnaíonn tú ar do chás úsáide: feidhmchlár gréasáin, teileafónaíocht, nó próiseáil ghairmiúil fuaime.
| Formáid | Ionchódú | Rátaí samplála | Úsáid thipiciúil |
|---|---|---|---|
| audio/pcm | Linear16, deireadh beag (little-endian) | 8000–48000 Hz | Feidhmchláir ghréasáin, próiseáil fuaime |
| audio/pcmu | G.711 mu-law | 8000 Hz amháin | Teileafónaíocht Mheiriceá Thuaidh |
| audio/pcma | G.711 A-law | 8000 Hz amháin | Teileafónaíocht Eorpach / idirnáisiúnta |
| audio/opus | Opus (pacáistí amha) | 24000 Hz monó | Soghluaiste, bandaleithead íseal |
PCM (Modhnú Cód Impulse)
Is é PCM an fhoirmáid réamhshocraithe agus is ilúsáidí í. Ionchódaíonn sé fuaim mar shlánuimhreacha sínithe 16-giotán neamh-chomhbhrúite (Linear16) in ord deiridh bheag (little-endian).
Rátaí samplála atá ar fáil
Tacaíonn an API le seacht ráta samplála do PCM:
- 8000 Hz: cáilíocht íosta teileafóin
- 16000 Hz: comhréir mhaith do ghuth (leathanbhanda)
- 22050 Hz: cáilíocht idirmheánach
- 24000 Hz: an réamhshocrú, moltar é do chásanna formhóra
- 32000 Hz: cáilíocht níos airde
- 44100 Hz: cáilíocht CD
- 48000 Hz: cáilíocht stiúideo
Do ghnáthfheidhmchlár gutha, tairgeann 24000 Hz an chothromaíocht is fearr idir cáilíocht agus bandaleithead. Ní bhíonn aon fheabhsú suntasach le fáil do chaint nuair a théann tú níos airde ná sin.
Cumraíocht i session.update
{
"type": "session.update",
"session": {
"audio": {
"input": {
"format": {"type": "audio/pcm", "rate": 24000}
},
"output": {
"format": {"type": "audio/pcm", "rate": 24000}
}
}
}
}
G.711: mu-law agus A-law
Is iad cóideic G.711 caighdeáin na teileafónaíochta traidisiúnta. Úsáideann siad comhbhrú logartamach chun sonraí fuaime a laghdú agus cáilíocht an ghutha a chaomhnú laistigh de bhandaleithead an teileafóin (300–3400 Hz).
mu-law (audio/pcmu)
Úsáidtear go príomha é i Meiriceá Thuaidh agus sa tSeapáin; is é an cóidec dúchasach atá ag líonraí teileafóin Mheiriceá Thuaidh. Má tá tú ag comhtháthú Voice Agent API le córas SIP bunaithe sna SA, is é audio/pcmu an rogha nádúrtha.
A-law (audio/pcma)
Úsáidtear in Eoraip agus i gcuid eile an domhain é. Maidir le comhtháthú le hiompróir teileafóin Eorpach, roghnaigh audio/pcma.
Teorainneacha G.711
Tá an dá chóidec G.711 teoranta do 8000 Hz, rud a chiallaíonn bandaleithead fuaime laghdaithe. Tá cáilíocht an ghutha ceart go leor don teileafónaíocht ach níos ísle ná PCM 24000 Hz. Ná húsáid iad ach amháin nuair a éilíonn do bhonneagar teileafóin é.
Formáidí éagsúla ionchuir agus aschuir
Ligeann an API duit formáidí éagsúla a chumrú don ionchur agus don aschur, rud atá úsáideach in ailtireachtaí hibrideacha:
{
"type": "session.update",
"session": {
"audio": {
"input": {
"format": {"type": "audio/pcmu", "rate": 8000}
},
"output": {
"format": {"type": "audio/pcm", "rate": 24000}
}
}
}
}
Sa sampla seo, faigheann tú G.711 mu-law ó chóras teileafóin agus seolann tú PCM ar ardcháilíocht ar ais go córas craolacháin.
Opus
Is é audio/opus an ceathrú cóidec; iompraíonn sé pacáistí Opus amha ag 24,000 Hz monó, pacáiste amháin in aghaidh an phallóid, gan aon cheanntásc coimeádáin. Is cóidec comhbhrúite é: gearrann sé bandaleithead go géar i gcomparáid le PCM, rud a tábhachtach ar nasc soghluaiste, fad is atá do chliant in ann Opus a ionchódú agus a dhíchódú.
Iompar: JSON nó dénártha
Deir an cóidec (format) conas a ionchódaítear an fhuaim; deir an t-iompar (transport) conas a thaistealaíonn na bearta sin thar an WebSocket. De réir réamhshocraithe ("json"), tá an fhuaim ionchódaithe i mbase64 laistigh de input_audio_buffer.append agus response.output_audio.delta. Le "binary", téann sé amach mar fhrámaí WebSocket dénártha, gan base64 agus gan ceanntásc; fanann imeachtaí saolré (response.created, response.done, tras-scríbhinní) i JSON.
await ws.send(json.dumps({
"type": "session.update",
"session": {
"audio": {
"input": {"format": {"type": "audio/pcm", "rate": 24000}, "transport": "binary"},
"output": {"format": {"type": "audio/pcm", "rate": 24000}, "transport": "binary"},
}
},
}))
await ws.send(pcm16_bytes) # fráma dénártha: PCM 16-giotán amh, gan base64
async for message in ws:
if isinstance(message, bytes):
player.write(message) # fuaim an chúntóra
else:
event = json.loads(message) # imeacht JSON
Leagann an doiciméadacht dhá riail síos. Ar an ionchur, nuair a bhíonn an fhoirmáid cumraithe, glacann an freastalaí leis an dá bhealach ag an am céanna: ní luaann input.transport ach do bhealach roghnaithe. Ar an aschur, tagann an fhuaim trí output.transport amháin, agus ní bhaineann athrú le linn seisiúin ach leis an bhfreagra seo chugainn, mar sin ní mheascann aon ráiteas amháin JSON agus dénártha. Seachnaíonn an mód dénártha an t-ualach base64, a chuireann thart ar thríú cuid leis an méid sonraí.
Príomhphointí
- Is é an fhoirmáid réamhshocraithe ná PCM 24000 Hz, idéalach d’fheidhmchláir ghréasáin
- Is é G.711 mu-law (pcmu) an caighdeán teileafónaíochta do Mheiriceá Thuaidh
- Is é G.711 A-law (pcma) an caighdeán teileafónaíochta don Eoraip
- Tá cóideic G.711 teoranta do 8000 Hz
- Is féidir leat formáidí éagsúla a úsáid don ionchur agus don aschur
- Laghdaíonn
audio/opus(24 kHz monó) an bandaleithead; seolanntransport: "binary"fuaim mar fhrámaí dénártha, gan base64 - Do ghuth, is é 24000 Hz an chothromaíocht is fearr idir cáilíocht agus bandaleithead