VAD: braiteadh cainte uathoibríoch
Ar an leathanach seo
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"nónull) 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.type | Cé a chinneann cathain a chríochnaíonn an seal | Cad a sheolann tú |
|---|---|---|
"server_vad" | An freastalaí | input_audio_buffer.append, aon rud eile seachas sin |
null | Tusa | input_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, leidle_timeout_mschun 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.typená"server_vad"(roinneann an freastalaí sealaíochtaí agus déileálann sé le bristeadh isteach) nónull(mód láimhe) - Níl aon tairseach íogaireachta ná fad ciúnais le coigeartú i ndoiciméadú xAI
- Tuairiscíonn
speech_started,speech_stopped, aguscommittedaistrithe VAD - Spreagann
idle_timeout_msúsáideoir ciúin, leis an imeachtinput_audio_buffer.timeout_triggered - Sa mhód láimhe:
append, ansincommitagusresponse.create