Seol fuaim le input_audio_buffer.append
Ar an leathanach seo
Sruthú fuaime chuig an bhfreastalaí
Nuair a bheidh an seisiún cumraithe, is féidir leat tosú ag sruthú fuaime chuig an bhfreastalaí. Seolann an teagmhas input_audio_buffer.append smután fuaime atá ionchódaithe i mbonn-64.
Struchtúr an teagmhais
{
"type": "input_audio_buffer.append",
"audio": "SGVsbG8gV29ybGQ..."
}
Tá sonraí fuaime amh san réimse audio, ionchódaithe i mbonn-64. Ní mór don fhormáid teacht leis an gceann a cumraíodh in session.update (de réir réamhshocraithe, PCM 16-giotán ord-litil ag 24000 Hz).
Gabháil fuaime sa bhrabhsálaí
Ligeann API Fuaim Gréasáin an bhrabhsálaí duit an micreafón a ghabháil agus na sonraí a sheoladh i bhfíor-am:
async function startCapture(ws) {
const stream = await navigator.mediaDevices.getUserMedia({
audio: {
sampleRate: 24000,
channelCount: 1,
echoCancellation: true,
noiseSuppression: true
}
});
const audioContext = new AudioContext({ sampleRate: 24000 });
const source = audioContext.createMediaStreamSource(stream);
const processor = audioContext.createScriptProcessor(4096, 1, 1);
processor.onaudioprocess = (event) => {
const inputData = event.inputBuffer.getChannelData(0);
const pcm16 = float32ToPCM16(inputData);
const base64 = arrayBufferToBase64(pcm16.buffer);
ws.send(JSON.stringify({
type: "input_audio_buffer.append",
audio: base64
}));
};
source.connect(processor);
processor.connect(audioContext.destination);
}
function float32ToPCM16(float32Array) {
const pcm16 = new Int16Array(float32Array.length);
for (let i = 0; i < float32Array.length; i++) {
const s = Math.max(-1, Math.min(1, float32Array[i]));
pcm16[i] = s < 0 ? s * 0x8000 : s * 0x7FFF;
}
return pcm16;
}
function arrayBufferToBase64(buffer) {
const bytes = new Uint8Array(buffer);
let binary = "";
for (let i = 0; i < bytes.byteLength; i++) {
binary += String.fromCharCode(bytes[i]);
}
return btoa(binary);
}
Gabháil fuaime i bPython
Leis an leabharlann pyaudio, is féidir leat an micreafón a ghabháil agus na smután a sheoladh:
import pyaudio
import base64
import json
RATE = 24000
CHUNK = 4096
FORMAT = pyaudio.paInt16
CHANNELS = 1
p = pyaudio.PyAudio()
stream = p.open(
format=FORMAT,
channels=CHANNELS,
rate=RATE,
input=True,
frames_per_buffer=CHUNK
)
async def send_audio(ws):
while True:
data = stream.read(CHUNK, exception_on_overflow=False)
audio_b64 = base64.b64encode(data).decode("utf-8")
await ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": audio_b64
}))
Méid an smután agus minicíocht
Bíonn tionchar ag méid an smután ar an moill agus ar an bhfeidhmíocht:
- Smutáin bheaga (1024 sampla / ~42 ms): moill íosta, ach níos teachtaireachtaí WebSocket
- Smutáin mheánacha (4096 sampla / ~170 ms): comhréir mhaith
- Smutáin mhóra (8192 sampla / ~341 ms): níos lú teachtaireachtaí, ach moill inaitheanta
Chun comhrá nádúrtha a bheith agat, seol smután gach 100 go 200 ms. Bailíonn VAD an fhreastalaí na sonraí i mbufar inmheánach agus déanann sé próiseáil orthu go leanúnach.
Cealú athshondais
Má sheinneann d’aip an fhreagra fuaime trí chainteoirí agus an micreafón ar siúl, beidh ort cealú athshondais a úsáid. Gan é, chloisfeadh an gníomhaire é féin ag caint agus d’fhéadfadh sé dul i mbun lúibe comhrá leis féin.
Seo do roghanna:
- Úsáid na roghanna
echoCancellationagusnoiseSuppressionin API Fuaim Gréasáin - Balbhaigh an micreafón nuair a bheidh an gníomhaire ag caint
- Úsáid cinnfhón chun an t-ionchur a scaradh ón aschur
Príomhphointí
- Seolann
input_audio_buffer.appendsmután fuaime atá ionchódaithe i mbonn-64 - Ní mór don fhormáid sonraí teacht leis an gcumraíocht seisiúin (PCM 16-giotán de réir réamhshocraithe)
- Seol smután gach 100 go 200 ms chun cothromaíocht mhaith a bhaint amach idir moill agus feidhmíocht
- Baineann gabháil fuaime sa bhrabhsálaí úsáid as API Fuaim Gréasáin le tiontú ó Float32 go PCM16
- Déileáil le cealú athshondais chun lúibe fuaime a sheachaint