Formáidí fuaime agus optamú
Ar an leathanach seo
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
| Cóidec | Cineál MIME | Comhbhrú | Príomhúsáid |
|---|---|---|---|
mp3 | audio/mpeg | Caillteach | Gréasán, soghluaiste, podchraoltaí |
wav | audio/wav | Gan chaillteanas | Iar-léiriú, cartlannú |
pcm | audio/pcm | Gan (amh) | Píblínte fuaime, Gníomhaire Gutha |
mulaw | audio/basic | Logartamach | Teileafónaíocht (Meiriceá, an tSeapáin) |
alaw | audio/alaw | Logartamach | Teileafónaíocht (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 samplála | Cáilíocht | Úsáid |
|---|---|---|
| 8,000 Hz | Teileafónaíocht | VoIP, SIP, G.711 |
| 16,000 Hz | Urlabhra leathanbhanda | Trascríobh, aitheantas cainte |
| 22,050 Hz | Raidió FM | Podchraoltaí, fógraí |
| 24,000 Hz | Caighdeán TTS (réamhshocraithe) | Gnáthúsáid |
| 44,100 Hz | Fuaime CD | Léiriú ceoil, leabhair fuaime |
| 48,000 Hz | Físeán/craolachán | Iar-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 giotáin | Cáilíocht | Méid do 1 nóiméad |
|---|---|---|
| 32,000 bps | Íseal | ~240 KB |
| 64,000 bps | Meánach | ~480 KB |
| 96,000 bps | Maith | ~720 KB |
| 128,000 bps (réamhshocraithe) | An-mhaith | ~960 KB |
| 192,000 bps | Ar 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
| Cód | Brí | Gníomh |
|---|---|---|
| 200 | Rath | Fuaim i gcorp an fhreagra |
| 400 | Iarratas mícheart | Seiceáil an téacs, an cóidec, agus an ráta samplála |
| 401 | Gan údarú | Seiceáil an eochair API |
| 429 | Cuóta sáraithe | Cuir cúltarraingt easpónantúil i bhfeidhm |
| 500/503 | Earráid freastalaí | Déan 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.