Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Primanje i reprodukcija audio odgovora

Lekcija 11 od 16 Ažurirano 30. srpnja 2026. Programer
Na ovoj stranici
  1. Streaming reprodukcija
  2. Arhitektura audio playera
  3. Povezivanje s WebSocket događajima
  4. Rukovanje prekidima
  5. Audio player u Pythonu
  6. Prikaz transkripta uz audio
  7. Ključne točke

Streaming reprodukcija

Kada glasovni agent generira odgovor, audio stiže u base64 kodiranim komadima (deltama). Tvoja aplikacija mora ih dekodirati, staviti u red čekanja i reproducirati glatko kako bi korisnik čuo jedan kontinuirani odgovor bez prekida.

Arhitektura audio playera

Princip je jednostavan: svaka audio delta koju primiš dekodira se i dodaje u red čekanja. Proces reprodukcije troši taj red i šalje podatke na audio izlaz sustava:

class AudioStreamPlayer {
  constructor(sampleRate = 24000) {
    this.audioContext = new AudioContext({ sampleRate });
    this.queue = [];
    this.isPlaying = false;
    this.nextPlayTime = 0;
  }

  enqueue(pcm16ArrayBuffer) {
    // Convert PCM16 to Float32 for the Web Audio API
    const pcm16 = new Int16Array(pcm16ArrayBuffer);
    const float32 = new Float32Array(pcm16.length);
    for (let i = 0; i < pcm16.length; i++) {
      float32[i] = pcm16[i] / 32768.0;
    }

    const buffer = this.audioContext.createBuffer(
      1, float32.length, this.audioContext.sampleRate
    );
    buffer.getChannelData(0).set(float32);

    this.queue.push(buffer);
    if (!this.isPlaying) this.playNext();
  }

  playNext() {
    if (this.queue.length === 0) {
      this.isPlaying = false;
      return;
    }

    this.isPlaying = true;
    const buffer = this.queue.shift();
    const source = this.audioContext.createBufferSource();
    source.buffer = buffer;
    source.connect(this.audioContext.destination);

    const now = this.audioContext.currentTime;
    const startTime = Math.max(now, this.nextPlayTime);
    source.start(startTime);
    this.nextPlayTime = startTime + buffer.duration;

    source.onended = () => this.playNext();
  }

  stop() {
    this.queue = [];
    this.isPlaying = false;
    this.nextPlayTime = 0;
  }
}

Povezivanje s WebSocket događajima

Evo kako povezati audio player s događajima API-ja:

const player = new AudioStreamPlayer(24000);

ws.on("message", (data) => {
  const event = JSON.parse(data);

  switch (event.type) {
    case "response.output_audio.delta":
      const audioBytes = base64ToArrayBuffer(event.delta);
      player.enqueue(audioBytes);
      break;

    case "response.output_audio.done":
      console.log("Audio response complete");
      break;

    case "input_audio_buffer.speech_started":
      // The user interrupts the agent
      player.stop();
      ws.send(JSON.stringify({ type: "response.cancel" }));
      break;
  }
});

function base64ToArrayBuffer(base64) {
  const binary = atob(base64);
  const bytes = new Uint8Array(binary.length);
  for (let i = 0; i < binary.length; i++) {
    bytes[i] = binary.charCodeAt(i);
  }
  return bytes.buffer;
}

Rukovanje prekidima

U prirodnom razgovoru korisnik može prekinuti agenta govoreći preko njegovog odgovora. Tvoja aplikacija to mora obraditi:

  1. Detektiraj prekid: događaj speech_started stiže dok se audio reproducira
  2. Zaustavi reprodukciju: isprazni red čekanja za audio i zaustavi zvuk
  3. Otkaži odgovor: pošalji response.cancel kako bi server prestao generirati sadržaj
  4. Slušaj: korisnik ima riječ i ciklus počinje ispočetka

Ovaj mehanizam „barge-in“ (upadanje u riječ) ključan je za fluidan razgovor. Bez njega, korisnici bi morali čekati da agent završi govor prije nego što bi mogli odgovoriti.

Audio player u Pythonu

Za Python aplikaciju možeš koristiti pyaudio za reprodukciju:

import pyaudio
import base64
import asyncio
from collections import deque

class AudioPlayer:
    def __init__(self, rate=24000):
        self.p = pyaudio.PyAudio()
        self.stream = self.p.open(
            format=pyaudio.paInt16,
            channels=1,
            rate=rate,
            output=True
        )
        self.queue = deque()

    def enqueue(self, base64_audio):
        audio_bytes = base64.b64decode(base64_audio)
        self.queue.append(audio_bytes)

    def play_all(self):
        while self.queue:
            chunk = self.queue.popleft()
            self.stream.write(chunk)

    def stop(self):
        self.queue.clear()

Prikaz transkripta uz audio

Dok se audio reproducira, transkript odgovora možeš prikazivati u stvarnom vremenu pomoću događaja response.output_audio_transcript.delta. Korisnici tada mogu čitati što agent govori, što pomaže u bučnim okruženjima i poboljšava pristupačnost:

let currentTranscript = "";

case "response.output_audio_transcript.delta":
  currentTranscript += event.delta;
  updateTranscriptDisplay(currentTranscript);
  break;

Ključne točke

  • Audio odgovora stiže kao base64 chunkovi putem response.output_audio.delta
  • Koristi red čekanja za audio kako bi osigurao kontinuiranu reprodukciju bez praznina
  • Obradi prekide (barge-in) zaustavljanjem reprodukcije i otkazivanjem odgovora
  • Prikaži transkript uz audio kako bi poboljšao pristupačnost
  • Web Audio API preglednika zahtijeva konverziju iz base64 u PCM16, a zatim u Float32