Strujanje zvuka u stvarnom vremenu
Na ovoj stranici
Ažuriranje 2. studenoga 2026. — Zvučni modeli. Nekoliko modela u ovom tečaju je zastarjelo:
tts-1,tts-1-hdigpt-4o-mini-ttsprestat će raditi 6. siječnja 2027. (nasljednik:gpt-realtime-2.1-mini, za koji OpenAI TTS vodič navodi da nije podržan od strane/v1/audio/speech: migracija sinteze glasa prelazi na Realtime API);gpt-realtime,gpt-4o-realtimei stariji zvučni modeli 20. siječnja 2027. (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribei/v1/audio/translations26. veljače 2027. (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Za full-duplex glas, GPT-Live 1 dostupan je u API-ju od 10. rujna 2026. Ažurirano 3. studenoga 2026.: LLM → TTS pipeline prethodno je obrađivao bilo koji događaj koji sadrži poljedelta, uključujući argumente poziva funkcija ili sažetke rezoniranja; sada strogo filtrira samoresponse.output_text.delta, odnosno stvarni tekst odgovora.
Strujanje zvuka u stvarnom vremenu
Kod glasovnog agenta, čekanje da se cijela zvučna datoteka generira prije početka reprodukcije uvodi neprihvatljivo kašnjenje. Strujanje TTS-a omogućuje ti početak reprodukcije čim stignu prvi bajtovi, smanjujući vrijeme do prvog odgovora na nekoliko stotina milisekundi.
Strujanje s TTS API-jem
TTS API izvorno podržava strujanje. Umjesto čekanja kompletne datoteke, audio primaš u komadima (chunkovima):
from openai import OpenAI
import pyaudio
client = OpenAI()
def stream_tts_to_speaker(text: str, voice: str = "alloy"):
"""Generiraj i reproduciraj audio u načinu strujanja."""
# Inicijaliziraj audio player
pa = pyaudio.PyAudio()
player = pa.open(
format=pyaudio.paInt16,
channels=1,
rate=24000,
output=True
)
try:
# Kreiraj odgovor za strujanje
with client.audio.speech.with_streaming_response.create(
model="tts-1",
voice=voice,
input=text,
response_format="pcm" # Sirovi PCM za izravnu reprodukciju
) as response:
# Čitaj i reproduciraj komad po komad
for chunk in response.iter_bytes(chunk_size=4096):
player.write(chunk)
finally:
player.stop_stream()
player.close()
pa.terminate()
stream_tts_to_speaker("Hello, here is a real-time streaming response.")
Format pcm idealan je za strujanje jer ne zahtijeva dekodiranje: sirovi bajtovi spremni su za trenutnu reprodukciju.
Mjerenje latencije
Vrijeme do prvog bajta (TTFB) ključna je metrika za performanse strujanja:
import time
def measure_tts_latency(text: str, voice: str = "alloy") -> dict:
"""Izmjeri latencije TTS strujanja."""
start_time = time.time()
first_byte_time = None
total_bytes = 0
with client.audio.speech.with_streaming_response.create(
model="tts-1",
voice=voice,
input=text,
response_format="pcm"
) as response:
for chunk in response.iter_bytes(chunk_size=4096):
if first_byte_time is None:
first_byte_time = time.time()
total_bytes += len(chunk)
end_time = time.time()
return {
"ttfb_ms": round((first_byte_time - start_time) * 1000),
"total_ms": round((end_time - start_time) * 1000),
"total_bytes": total_bytes,
"audio_duration_s": round(total_bytes / (24000 * 2), 2)
}
metrics = measure_tts_latency("Hello, how are you?")
print(f"TTFB: {metrics['ttfb_ms']}ms, Total: {metrics['total_ms']}ms")
Asinkrono strujanje
Za aplikacije na strani poslužitelja koristi asinkroni klijent:
from openai import AsyncOpenAI
import asyncio
async_client = AsyncOpenAI()
async def stream_tts_async(text: str, voice: str = "alloy"):
"""Asinkrono TTS strujanje za poslužitelje."""
chunks = []
async with async_client.audio.speech.with_streaming_response.create(
model="tts-1",
voice=voice,
input=text,
response_format="pcm"
) as response:
async for chunk in response.iter_bytes(chunk_size=4096):
chunks.append(chunk)
# Ovdje bi poslao komad klijentu putem WebSocket-a
yield chunk
# Upotreba u FastAPI poslužitelju
from fastapi import FastAPI
from fastapi.responses import StreamingResponse
app = FastAPI()
@app.get("/tts/stream")
async def tts_stream(text: str, voice: str = "alloy"):
return StreamingResponse(
stream_tts_async(text, voice),
media_type="audio/pcm"
)
Predpunjenje međuspremnika (Pre-fill buffer)
Kako bi osigurao glatku reprodukciju bez prekida, akumuliraj mali međuspremnik prije početka:
async def buffered_tts_playback(
text: str,
voice: str = "alloy",
buffer_size: int = 3 # Broj komada za predučitavanje
):
"""TTS reprodukcija s međuspremnikom za predpunjenje."""
pa = pyaudio.PyAudio()
player = pa.open(
format=pyaudio.paInt16,
channels=1,
rate=24000,
output=True
)
buffer = []
playback_started = False
try:
async with async_client.audio.speech.with_streaming_response.create(
model="tts-1",
voice=voice,
input=text,
response_format="pcm"
) as response:
async for chunk in response.iter_bytes(chunk_size=4096):
buffer.append(chunk)
if not playback_started and len(buffer) >= buffer_size:
playback_started = True
# Isprazni početni međuspremnik
for buffered_chunk in buffer:
player.write(buffered_chunk)
buffer.clear()
elif playback_started:
player.write(chunk)
# Reproduciraj preostale komade
for remaining in buffer:
player.write(remaining)
finally:
player.stop_stream()
player.close()
pa.terminate()
Integracija s LLM + TTS pipelineom
U glasovnom agentu koji ne koristi Realtime API, možeš kombinirati LLM strujanje s TTS strujanjem:
async def llm_to_tts_pipeline(user_message: str):
"""Pipeline: Strujanje LLM → Strujanje TTS u stvarnom vremenu."""
# Faza 1: Akumuliraj LLM odgovor po rečenicama
sentence_buffer = ""
stream = client.responses.create(
model="gpt-5.6-luna",
input=[{"role": "user", "content": user_message}],
stream=True
)
for event in stream:
# Govoriti treba samo tekst odgovora
if event.type == "response.output_text.delta":
sentence_buffer += event.delta
# Detektiraj kraj rečenice
if sentence_buffer.rstrip().endswith((".", "!", "?")):
sentence = sentence_buffer.strip()
sentence_buffer = ""
# Faza 2: Strujaj ovu rečenicu u TTS
stream_tts_to_speaker(sentence)
# Obradi preostali međuspremnik
if sentence_buffer.strip():
stream_tts_to_speaker(sentence_buffer.strip())
Ključne točke
- TTS strujanje smanjuje TTFB na nekoliko stotina milisekundi pokretanjem reprodukcije prije završetka generiranja
- Format
pcmoptimalan je za strujanje: nije potrebno dekodiranje, izravna reprodukcija - Međuspremnik za predpunjenje od 2–3 komada sprječava prekide na početku reprodukcije
- Asinkroni klijent ključan je za poslužitelje koji obrađuju više istovremenih veza
- Kombinacija strujanja LLM-a i strujanja TTS-a omogućuje responzivan glasovni agent bez korištenja Realtime API-ja