Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

VAD: braiteadh cainte uathoibríoch

Ceacht 6 as 16 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Conas a oibríonn braiteadh sealaíochta
  2. Dhá mhód, réimse amháin
  3. Imeachtaí VAD
  4. Úsáideoir ciúin a spreagadh: idle_timeout_ms
  5. Mód láimhe: turn_detection.type socraithe ar null
  6. Roghnaigh do mhód
  7. Príomhphointí

Nuashonraithe an 3 Samhain 2026, bunaithe ar leathanach Speech to Speech xAI agus ar thagairt Voice API: socraítear braiteadh sealaíochta le turn_detection.type ("server_vad" nó null) agus, roghnach, turn_detection.idle_timeout_ms. Foinse: Speech to Speech · Voice API.

Conas a oibríonn braiteadh sealaíochta

I gcomhrá gutha, caithfidh an córas a bheith ar an eolas faoin uair a thosaíonn an t-úsáideoir ag caint agus faoin uair a stopann sé. Sin post VAD (braiteadh gníomhaíochta gutha). Soláthraíonn Voice Agent API xAI VAD taobh freastalaí, server_vad: déanann an freastalaí anailís ar shruth fuaime, aimsíonn sé deireadh gach ráitis, agus spreagann sé an freagra leis féin.

Dhá mhód, réimse amháin

Roghnaíonn tú an mód san oibiacht turn_detection de session.update:

{
  "type": "session.update",
  "session": {
    "turn_detection": { "type": "server_vad" }
  }
}
turn_detection.typeCé a chinneann cathain a chríochnaíonn an sealCad a sheolann tú
"server_vad"An freastalaíinput_audio_buffer.append, aon rud eile seachas sin
nullTusainput_audio_buffer.append, ansin input_audio_buffer.commit agus response.create

Sa mhód server_vad, roinneann an freastalaí na sealaíochtaí, déanann sé tiomnú ar an bhfuaim, agus tosaíonn sé an freagra. Déileáiltear le bristeadh isteach go huathoibríoch freisin: molann xAI an mód seo le haghaidh sealaíochta nádúrtha, nuair a chuireann an t-úsáideoir isteach ar an ngníomhaire i lár abairte. Níl aon socrú íogaireachta nó fad ciúnais ar fáil sa doiciméadú, áfach: is gnó an fhreastalaí é sealaíochtaí a roinnt.

Imeachtaí VAD

Le server_vad, tuairiscíonn an freastalaí gach aistriú:

  • input_audio_buffer.speech_started: bhrath VAD tús na cainte;
  • input_audio_buffer.speech_stopped: bhrath sé an deireadh;
  • input_audio_buffer.committed: rinneadh tiomnú ar an bhfuaim mar theachtaireacht ón úsáideoir.
ws.on("message", (data) => {
  const event = JSON.parse(data);
  switch (event.type) {
    case "input_audio_buffer.speech_started":
      stopPlayback();       // tá an t-úsáideoir ag caint: stop fuaim an ghníomhaire a fuarthas cheana
      break;
    case "input_audio_buffer.speech_stopped":
      showThinking();       // braitheadh deireadh na cainte: tá an freagra ar a bhealach
      break;
  }
});

Ar thaobh an fhreastalaí, tá bristeadh isteach uathoibríoch; ar thaobh an chliaint, leanfadh fuaim a fuair tú cheana á seinm mura gcuirfeá stop léi. Is é speech_started an t-am ceart do do scuaine athsheinm a fholmhú.

Úsáideoir ciúin a spreagadh: idle_timeout_ms

Is é idle_timeout_ms an t-aon socrú doiciméadaithe timpeall ar VAD; cuireann sé ar chumas an ghníomhaire an comhrá a thógáil ar ais nuair a éiríonn an t-úsáideoir ciúin tar éis freagra:

{
  "type": "session.update",
  "session": {
    "turn_detection": { "type": "server_vad", "idle_timeout_ms": 8000 }
  }
}

Mura mbraitear caint ar feadh an ama sin tar éis deireadh freagra, eisíonn an freastalaí input_audio_buffer.timeout_triggered, déanann sé tiomnú ar sheal ciúin ón úsáideoir, agus gineann sé seiceáil. Athshocraítear an t-amadóir tar éis gach freagra, mar sin lasctar arís é gach idle_timeout_ms fad is nach labhraíonn an t-úsáideoir. Tá sé múchta de réir réamhshocraithe (null). Ar chlár comhlaite teileafóin, coinníonn seiceáil tar éis cúpla soicind ciúnas ó bheith ag síneadh amach; scríobh an frása leantacha ba chóir don ghníomhaire a úsáid isteach i do threoracha.

Mód láimhe: turn_detection.type socraithe ar null

Le haghaidh comhéadan brú-chun-labhairt, nó uair ar bith a theastaíonn uait a chinneadh féin cathain a chríochnaíonn seal, socraigh an cineál ar null:

{
  "type": "session.update",
  "session": {
    "turn_detection": { "type": null }
  }
}

Ansin seolann tú fuaim le input_audio_buffer.append agus, nuair a scaoileann an t-úsáideoir an cnaipe, seol input_audio_buffer.commit chun an seal a dheimhniú agus response.create chun an freagra a iarraidh. Níl input_audio_buffer.commit ar fáil ach sa mhód láimhe. Caillfidh input_audio_buffer.clear fuaim a seoladh ach nár deineadh tiomnú uirthi fós, agus stopfaidh response.cancel freagra atá ar siúl, ós rud é nach bhfuil bristeadh isteach uathoibríoch a thuilleadh sa mhód láimhe.

Roghnaigh do mhód

  • Comhrá saorshreabach (cúntóir, clár comhlaite teileafóin, ciosc): server_vad, le idle_timeout_ms chun úsáideoirí ciúine a spreagadh más gá
  • Walkie-talkie, deachtú, timpeallachtaí an-torannach: mód láimhe, áit a leanann deireadh an tsealaigh an cnaipe agus nach spreagann torann cúlra aon rud a thuilleadh

Príomhphointí

  • Is é turn_detection.type ná "server_vad" (roinneann an freastalaí sealaíochtaí agus déileálann sé le bristeadh isteach) nó null (mód láimhe)
  • Níl aon tairseach íogaireachta ná fad ciúnais le coigeartú i ndoiciméadú xAI
  • Tuairiscíonn speech_started, speech_stopped, agus committed aistrithe VAD
  • Spreagann idle_timeout_ms úsáideoir ciúin, leis an imeacht input_audio_buffer.timeout_triggered
  • Sa mhód láimhe: append, ansin commit agus response.create