Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Formáidí fuaime agus optamú

Ceacht 14 as 14 Nuashonraithe 29 Iúil 2026 Meánleibhéal
Ar an leathanach seo
  1. Roghnaigh an formáid cheart do gach comhthéacs
  2. Cóideic thacaíochta
  3. Rátaí samplála
  4. Rátaí giotáin MP3
  5. Tiontaigh fuaim i bPython
  6. Optamaigh don cheann scríbe
  7. Bainistigh cuimhne sa bhrabhsálaí
  8. Léirmhínigh cóid earráide TTS
  9. Príomhphointí
  10. Seiceáil do thuiscint

Roghnaigh an formáid cheart do gach comhthéacs

Is ceann de na socruithe sin é formáid fuaime a dhéanann tú deifir leo ag an tús agus a mbíonn aiféala ort ina dhiaidh sin. Ach is é a chinneann an cháilíocht mheasta, an bandaleithead a úsáideann gach éisteacht, agus an chomhoiriúnacht le do spriocardán. Déanann podchraoladh a sheachadtar mar PCM amh do chostais dáileachta pléascadh, agus déantar traschódú ar shruth fóin ag 24,000 Hz ar an mbealach, leis an díghrádú go léir a thagann leis. Déanann an ceacht seo athbhreithniú ar na formáidí atá ar fáil agus ar conas roghnú eatarthu.

Cóideic thacaíochta

CóidecCineál MIMEComhbhrúPríomhúsáid
mp3audio/mpegCaillteachGréasán, soghluaiste, podchraoltaí
wavaudio/wavGan chaillteanasIar-léiriú, cartlannú
pcmaudio/pcmGan (amh)Píblínte fuaime, Gníomhaire Gutha
mulawaudio/basicLogartamachTeileafónaíocht (Meiriceá, an tSeapáin)
alawaudio/alawLogartamachTeileafónaíocht (an Eoraip, idirnáisiúnta)

Clúdaíonn MP3 an chuid is mó den dáileadh do thomhaltóirí. Is do fhuaime a bhfuil gá fós lena gcur in eagar nó nach mór a choinneáil gan chaillteanas é WAV. Is é PCM an formáid malartaithe do phíblínte fíor-ama, lena n-áirítear an Gníomhaire Gutha, toisc nach gcostaíonn sé aon rud é a dhíchódú. Níl Mu-law agus A-law ann ach do theileafónaíocht agus níl aon chúis leo teacht chun solais in aon áit eile.

Rátaí samplála

Socraíonn an ráta samplála cé chomh mín agus atá an comhartha: dá airde é, is fearr a thagann minicíochtaí arda tríd, agus is mó an comhad.

Ráta samplálaCáilíochtÚsáid
8,000 HzTeileafónaíochtVoIP, SIP, G.711
16,000 HzUrlabhra leathanbhandaTrascríobh, aitheantas cainte
22,050 HzRaidió FMPodchraoltaí, fógraí
24,000 HzCaighdeán TTS (réamhshocraithe)Gnáthúsáid
44,100 HzFuaime CDLéiriú ceoil, leabhair fuaime
48,000 HzFíseán/craolachánIar-léiriú, craolachán

Go praiticiúil, socraíonn trí chás é. Éilíonn teileafónaíocht 8,000 Hz, gan aon phlé: sin é a éilíonn G.711. Déanann an gréasán agus gléasanna soghluaiste go maith leis an 24,000 Hz réamhshocraithe, an chothromaíocht is fearr idir cáilíocht agus bandaleithead don ghuth. Tugann obair léirithe, mar shampla leabhar fuaime nó fuaimrian físeáin, údar le 44,100 nó 48,000 Hz, toisc go ndéanfar meascadh ar an gcomhad, normalú, agus b’fhéidir athchódú, agus itheann gach céim beagán cáilíochta.

Rátaí giotáin MP3

Leis an gcóidec MP3, socraíonn an ráta giotáin an comhbhrú agus dá bhrí sin méid deiridh an chomhaid.

Ráta giotáinCáilíochtMéid do 1 nóiméad
32,000 bpsÍseal~240 KB
64,000 bpsMeánach~480 KB
96,000 bpsMaith~720 KB
128,000 bps (réamhshocraithe)An-mhaith~960 KB
192,000 bpsAr fheabhas~1.4 MB

Ní ghlacann urlabhra ach cuid bheag den speictream: atáirgeann 128 kbps go han-mhaith é cheana féin, agus déanann dul suas go 192 kbps do chatalóg leath chomh trom arís gan aon éisteoir an difríocht a chloisteáil ar ábhar labhartha. Sábháil an sraith barr sin do léirithe préimhe nó do phasáistí ceoil.

Tiontaigh fuaim i bPython

Seachadann an Gníomhaire Gutha PCM amh, códaithe base64, agus tagann dhá thiontú chun cinn i mbeagnach gach tionscadal. Casann an chéad cheann an sruth sin ina eagar numpy normalaithe idir -1 agus 1, an formáid a bhfuil súil ag an gcuid is mó de leabharlanna próiseála comhartha léi, agus téann sé ar an mbealach eile chun fuaim a sheoladh ar ais chuig an API.

import base64
import numpy as np

def base64_to_audio(base64_audio: str) -> np.ndarray:
    audio_bytes = base64.b64decode(base64_audio)
    audio_int16 = np.frombuffer(audio_bytes, dtype=np.int16)
    return audio_int16.astype(np.float32) / 32768.0

def audio_to_base64(audio_data: np.ndarray) -> str:
    audio_int16 = (audio_data * 32767).astype(np.int16)
    return base64.b64encode(audio_int16.tobytes()).decode("utf-8")

Cuireann an dara ceann PCM i gcoimeádán WAV. Gan an ceanntásc sin, ní fhios ag seinnteoir fuaime cé mhéad cainéal ná cén ráta samplála le glacadh leis, agus diúltóidh sé an comhad nó seinneoidh sé é ag an luas mícheart.

import wave

def pcm_to_wav(pcm_data: bytes, sample_rate: int = 24000) -> bytes:
    import io
    buffer = io.BytesIO()
    with wave.open(buffer, "wb") as wf:
        wf.setnchannels(1)
        wf.setsampwidth(2)  # 16-bit
        wf.setframerate(sample_rate)
        wf.writeframes(pcm_data)
    return buffer.getvalue()

Optamaigh don cheann scríbe

Do fheidhmchlár gréasáin, fan le MP3 128 kbps ag 24,000 Hz do TTS agus PCM 24,000 Hz don Gníomhaire Gutha, a éilíonn sruthú déthreoch. Tiontaigh do shócmhainní fuaime statacha, mar shampla jingles agus teachtaireachtaí réamhthaifeadta, go MP3 uair amháin agus go hiomlán in ionad WAV a sheirbheáil do gach cuairteoir.

Do theileafónaíocht, fan go docht le G.711 ag 8,000 Hz agus cumraigh an Gníomhaire Gutha go díreach sa fhormáid sin: cuireann aon traschódú fíor-ama moill leis nach bhfuil spás agat dó.

Do stóráil, coinnigh cartlannú agus dáileadh ar leith: fanann an máistir i WAV 24,000 Hz, réidh le hathoibriú, agus dáileann tú MP3 128 kbps, atá i bhfad níos éadroime. An t-ábhar céanna, dhá chomhad, dhá chríoch.

Bainistigh cuimhne sa bhrabhsálaí

Le linn seinm sruthaithe, coimeádann gach glao URL.createObjectURL cuimhne nach scaoileann an brabhsálaí leis leis féin. Thar seisiún fada, carnann na URLanna seo suas go dtí go mbíonn an cluaisín mall go maol. Cúlghairm an ceann roimhe seo sula gcruthaíonn tú ceann nua:

let currentBlobUrl = null;

function playAudioChunk(base64Data) {
  // Scaoil an URL roimhe seo
  if (currentBlobUrl) {
    URL.revokeObjectURL(currentBlobUrl);
  }

  const audioBuffer = Uint8Array.from(atob(base64Data), c => c.charCodeAt(0));
  const blob = new Blob([audioBuffer], { type: "audio/pcm" });
  currentBlobUrl = URL.createObjectURL(blob);
  // Seinn an fhuaim...
}

Léirmhínigh cóid earráide TTS

CódBríGníomh
200RathFuaim i gcorp an fhreagra
400Iarratas mícheartSeiceáil an téacs, an cóidec, agus an ráta samplála
401Gan údarúSeiceáil an eochair API
429Cuóta sáraitheCuir cúltarraingt easpónantúil i bhfeidhm
500/503Earráid freastalaíDéan iarracht arís le cúltarraingt

Déantar earráidí 400 a shocrú i do chód agus ní rachaidh siad ar shiúl leo féin: tagann siad ó pharaiméadar neamh-chomhoiriúnach, de ghnáth ráta samplála nach nglacann an cóidec roghnaithe leis. Ar an láimh eile, éilíonn earráidí 429 agus 5xx an freagra céanna: cúltarraingt easpónantúil, le moilleanna a dhéanann dúbailt ar gach iarracht. Ní dhéanann lúb iarrachta láithreach ach rudaí a dhéanamh níos measa trí bhuailt ar an gcuóta a sháraigh tú díreach.

Príomhphointí

  • Tá cúig chóidec ar fáil: MP3, WAV, PCM, mu-law, agus A-law, gach ceann oiriúnach do chomhthéacs sonrach
  • Is é 24,000 Hz an ráta samplála réamhshocraithe; úsáid 8,000 Hz do theileafónaíocht agus 44,100 Hz nó níos airde do léiriú
  • Tairgeann MP3 128 kbps an comhréir cáilíochta-go-méid is fearr do ghuth labhartha
  • Bainistigh URLanna Blob sa bhrabhsálaí chun sceitheadh cuimhne a sheachaint
  • Cuir cúltarraingt easpónantúil i bhfeidhm chun earráidí 429 (teorannú ráta) agus 5xx a láimhseáil

Seiceáil do thuiscint

Gníomhaire Gutha agus TTS: guth ó thús go deireadh, i gcúig cheist.

1. Conas a oibrí seisiún Gníomhaire Gutha?

Freagra: Thar WebSocket fíor-ama. Cumraíonn tú an seisiún (guth, pearsantacht, treoracha), ansin sreabhann imeachtaí an dá bhealach: fuaim an úsáideora in aon treo amháin, freagraí labhartha an ghníomhaire sa treo eile.

2. Cad a dhéanann glaonna feidhme indéanta sa ghuth?

Freagra: Glaoíonn an gníomhaire gutha ar do uirlisí i lár comhrá chun cuntas a lorg, áirithint a dhéanamh, nó gníomh a dhéanamh. Éiríonn an guth ina chomhéadan iomlán, ní hamháin ina mheaisín dictéadúcháin.

3. Cad a chuireann clibeanna sléachtúla TTS leis?

Freagra: Rialú ar chaint: intanú, sosanna, béim. Stopann sintéis bheith ag fuaimniú monatóineach agus leanann sé rún an téacs, i ngach teanga a dtacaítear léi.

4. Cén fáth a bhfuil tábhacht le comharthaí sealadacha?

Freagra: Ligeann siad don chliant (brabhsálaí nó feidhmchlár soghluaiste) nascadh leis an tseirbhís gutha gan do phríomheochair API a nochtadh. Tá na dintiúir gearrthéarmach, scóipthe do sheisiún gutha, agus téann siad in éag leo féin, rud a dhéanann guth fíor-ama slán.

5. Cad a ligeann formáidí fuaime duit a rialú?

Freagra: An comhréir idir cáilíocht, moill, agus bandaleithead: an formáid agus an ráta samplála a oireann don chainéal a roghnú (gréasán, teileafónaíocht SIP, LiveKit). Is é an t-optamú é a thugann thar an líne críche thú.

Seisiún, uirlisí, sléachtúlacht, slándáil, formáidí: tugann an cúntóir gutha iomlán sa chúrsa seo na cúig cinn le chéile, agus leanfaidh do cheann an plean céanna.