Cumraigh seisiún gutha
Ar an leathanach seo
Nuashonraithe an 3 Samhain 2026, bunaithe ar leathanach Speech to Speech xAI agus ar an treoir leideanna gutha. Foincí: Speech to Speech · Prompting Guide.
An teachtaireacht a shocraíonn gach rud: session.update
Nuair a bheidh an nasc WebSocket oscailte, ní tharlaíonn aon rud fós. Is é an teachtaireacht session.update a thugann pearsantacht don ghníomhaire: an ghuth a úsáideann sé, na treoracha a leanann sé, an chaoi a mbraitear athruithe cainte, agus cé na huirlisí is féidir leis a ghlaow. Smaoinigh air mar theastas breithe an tseisiúin. Eascraíonn gach rud eile sa chomhrá as.
{
"type": "session.update",
"session": {
"instructions": "You are a professional voice assistant for an e-commerce company. Keep your answers short and help customers with their orders.",
"voice": "Ara",
"turn_detection": {
"type": "server_vad"
},
"audio": {
"input": { "format": { "type": "audio/pcm", "rate": 24000 } },
"output": { "format": { "type": "audio/pcm", "rate": 24000 } }
},
"tools": [
{ "type": "web_search" }
]
}
}
Aithníonn an freastalaí é le himeacht session.updated. Ní gá duit an teachtaireacht seo a sheoladh ach uair amháin. Is féidir leat é a sheoladh arís i lár an chomhrá chun socruithe a athrú ar an toirt, mar shampla chun guthanna a athrú nuair a aistríonn an glao ó dhíolacháin go dtí tacaíocht theicniúil, gan an nasc a bhriseadh riamh.
Scríobh treoracha don chluas, ní don tsúil
Feidhmíonn an réimse instructions mar leid an chórais. Úsáid é chun pearsantacht an ghníomhaire a shocrú (foirmiúil, ócáideach, teicniúil), na topaicí is féidir leis a chlúdach, na srianta ar a chuid freagraí (fad, formáid, teanga), agus an comhthéacs gnó atá ag teastáil: ainm do chuideachta, raon táirgí, agus nósanna imeachta inmheánacha.
Is é an fhadhb ná go ndéanann an rud a dhéanann leid scríofa maith gníomhaire gutha bocht de ghnáth. Má fhágtar leis féin é, scríobhann an tsamhail freagraí deich líne ar fhad. Nuair a léitear iad go hard, bíonn siad ró-fhada, agus éalaíonn an t-úsáideoir ón ábhar sula mbíonn deireadh leo. Mar sin, iarr go sonrach ar fhreagraí gairide, díreacha. Má oibríonn d’aip i dteanga amháin, ráitis cé hi, nó d’fhéadfadh an gníomhaire athrú chun teacht le blas an ghlaoóra. Inis dó freisin cad atá le déanamh nuair nach dtuigeann sé: coinníonn treoir mar “fiafraigh ceist shoiléirithe in ionad buille faoi thuairim” ar uimhir ordú mí-éisteachta cuardach gan bhrí a spreagadh. Molann treoir leideanna gutha xAI fiú struchtúr cúig chuid (ról agus pearsantacht, sprioc, sreabhadh comhrá, cosaintí agus éalú, stíl gutha) agus molann siad nóta amháin nó dhá ghearrphhrása in aghaidh an chasaidh, mura n-iarrann an glaoóir tuilleadh mionsonraí.
Braiteadh casaidh
Cinneann an bloc turn_detection cé a labhraíonn agus cathain, agus ní sholáthraíonn doiciméadú xAI ach dhá shocrú dó. Is é an chéad cheann ná type. Sa mhód "server_vad", braithfidh an freastalaí deireadh gach ráitis leis féin, tiomnaíonn sé an fuaime, tosaíonn sé an freagra, agus láimhseálann sé bristeacht: ní dhéanann tú ach fuaime a sheoladh le input_audio_buffer.append. Is é an dara socruithe, idle_timeout_ms, roghnach. Má fhanann an t-úsáideoir ina thost ar feadh an oiread sin milleasoicind tar éis freagra, cuireann an freastalaí spreagadh air, agus déanann sé é arís tar éis gach tost nua den fhad céanna.
{
"turn_detection": { "type": "server_vad", "idle_timeout_ms": 8000 }
}
Níl aon tairseach íogaireachta ná fad tost le coigeartú. Ní fheictear na paraiméadair threshold, silence_duration_ms, agus prefix_padding_ms a fheicfidh tú i samplaí scríofa don OpenAI Realtime API i ndoiciméadú xAI.
Mura n-oireann an iompar uathoibríoch duit, socraigh an cineál ar null agus glac smacht. Ansin, is ortsa an fhuaim a mhaolánú le input_audio_buffer.append, an casadh a thiomnú go sainráite le input_audio_buffer.commit, agus an ghiniúint a spreagadh le response.create. Is é an mód láimhe an rogha cheart do chomhéadan brú-chun-labhairt, nó uair ar bith a theastaíonn smacht cruinn ort ar cathain a labhraíonn an gníomhaire.
Roghnaigh an formáid fuaime ceart
Socraíonn an bloc audio na formáidí ionchuir agus aschuir go neamhspleách:
{
"audio": {
"input": { "format": { "type": "audio/pcm", "rate": 24000 } },
"output": { "format": { "type": "audio/pcm", "rate": 24000 } }
}
}
Glactar le ceithre chineál. Mura sonraíonn tú ceann, gheobhaidh tú PCM ag 24,000 Hz:
| Cineál | Ionchódú | Rátaí samplála |
|---|---|---|
audio/pcm | PCM Linear16, deireadh beag (little-endian) | 8000, 16000, 22050, 24000, 32000, 44100, 48000 Hz |
audio/pcmu | G.711 mu-law (teileafónaíocht Mheiriceá Thuaidh) | 8000 Hz amháin |
audio/pcma | G.711 A-law (teileafónaíocht Eorpach) | 8000 Hz amháin |
audio/opus | Opus, pacáiste amháin in aghaidh na teachtaireachta | 24000 Hz |
Cinneann do chainéal seachadta é. Déanann aip gréasáin i mbrabhsálaí go maith le PCM 24,000 Hz, cothromaíocht mhaith idir cáilíocht mhothaithe agus bandaleithead. Níl aon rogha ag comhtháthú fóin SIP: iompraíonn an líonra G.711 ag 8,000 Hz, agus ní chuireann formáid ardcháilíochta a fhorchur air ach athshlánú gan bhrí leis.
Tabhair uirlisí don ghníomhaire
Liostaíonn an eagar tools na rudaí is féidir leis an ngníomhaire a ghlaow le linn an chomhrá, agus is féidir leat cineálacha éagsúla a mheascadh sa seisiún céanna:
{
"tools": [
{ "type": "web_search" },
{ "type": "x_search", "allowed_x_handles": ["gaborit_music"] },
{
"type": "function",
"name": "get_order_status",
"parameters": {
"type": "object",
"properties": {
"order_id": { "type": "string" }
},
"required": ["order_id"]
}
}
]
}
Soláthraíonn tusa an bosca uirlisí; roghnaíonn an gníomhaire an uirlis. De réir mar a fhorbraíonn an comhrá, cinneann sé go n-éilíonn ceist faoin nuacht cuardach gréasáin, ach go n-éilíonn uimhir ordú get_order_status. Mar sin, is lú do obair faoi chomhordú glaonna agus níos mó faoi gach uirlis a chur síos go soiléir, ionas go ndéanfaidh an gníomhaire an rogha cheart.
Príomhphointí
- Cumraíonn an teachtaireacht
session.updatean ghuth, na treoracha, VAD, agus na huirlisí - Braithfidh VAD taobh an fhreastalaí (
server_vad) casaidh agus láimhseálann sé bristeacht; is éidle_timeout_msan t-aon socrú - Tugann an mód láimhe (
turn_detection.typesocraithe arnull) smacht cruinn duit, mar shampla le brú-chun-labhairt - Clúdaíonn formáidí fuaime PCM, G.711, agus Opus cásanna úsáide gréasáin agus teileafónaíochta araon
- Is féidir leat an chumraíocht a athrú i lár an tseisiúin gan an nasc a bhriseadh