Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Formati zvuka: PCM i G.711

Lekcija 5 od 16 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Podržani formati zvuka
  2. PCM (Pulse Code Modulation)
  3. G.711: mu-law i A-law
  4. Različiti formati za ulaz i izlaz
  5. Opus
  6. Prijenos: JSON ili binary
  7. Ključne točke

Ažurirano 3. studenog 2026., na temelju xAI stranice Speech to Speech: API prihvaća četvrti kodek, audio/opus (sirovi Opus paketi, 24 kHz mono), i drugi način prijenosa, binary, koji šalje zvuk kao binarne WebSocket okvire umjesto base64 unutar JSON-a. Izvor: Speech to Speech, Audio and Audio Transport.

Podržani formati zvuka

Voice Agent API podržava četiri formata zvuka za ulaz i izlaz: PCM, G.711 μ-law, G.711 A-law i Opus. Odabir ovisi o tvom slučaju upotrebe: web aplikacija, telefonija ili profesionalna obrada zvuka.

Format Kodiranje Frekvencije uzorkovanja Tipična upotreba
audio/pcm Linear16, little-endian 8000–48000 Hz Web aplikacije, obrada zvuka
audio/pcmu G.711 mu-law Samo 8000 Hz Sjevernoamerička telefonija
audio/pcma G.711 A-law Samo 8000 Hz Europska / međunarodna telefonija
audio/opus Opus (sirovi paketi) 24000 Hz mono Mobilni uređaji, mala propusnost

PCM (Pulse Code Modulation)

PCM je zadani i najsvestraniji format. Kodira zvuk kao nekompresirane 16-bitne predznačene cijele brojeve (Linear16) u little-endian poretku.

Dostupne frekvencije uzorkovanja

API podržava sedam frekvencija uzorkovanja za PCM:

  • 8000 Hz: minimalna telefonska kvaliteta
  • 16000 Hz: dobar kompromis za glas (wideband)
  • 22050 Hz: srednja kvaliteta
  • 24000 Hz: zadano, preporučeno za većinu slučajeva
  • 32000 Hz: viša kvaliteta
  • 44100 Hz: CD kvaliteta
  • 48000 Hz: studijska kvaliteta

Za standardnu glasovnu aplikaciju, 24000 Hz nudi najbolju ravnotežu između kvalitete i propusnosti. Više frekvencije ne donose primjetno poboljšanje za govor.

Konfiguracija u session.update

{
  "type": "session.update",
  "session": {
    "audio": {
      "input": {
        "format": {"type": "audio/pcm", "rate": 24000}
      },
      "output": {
        "format": {"type": "audio/pcm", "rate": 24000}
      }
    }
  }
}

G.711: mu-law i A-law

G.711 kodeci su standardi tradicionalne telefonije. Koriste logaritamsku kompresiju za smanjenje podataka uz očuvanje kvalitete glasa unutar telefonskog pojasa (300–3400 Hz).

mu-law (audio/pcmu)

Koristi se uglavnom u Sjevernoj Americi i Japanu; to je izvorni kodek sjevernoameričkih telefonskih mreža. Ako integriraš Voice Agent API sa SIP sustavom u SAD-u, audio/pcmu je prirodan izbor.

A-law (audio/pcma)

Koristi se u Europi i ostatku svijeta. Za integraciju s europskim telefonskim operaterom, odaberi audio/pcma.

Ograničenja G.711

Oba G.711 kodeka ograničena su na 8000 Hz, što znači smanjenu audio propusnost. Kvaliteta glasa je prihvatljiva za telefoniju, ali niža od PCM-a na 24000 Hz. Koristi ih samo kada tvoja telefonska infrastruktura to zahtijeva.

Različiti formati za ulaz i izlaz

API ti omogućuje konfiguraciju različitih formata za ulaz i izlaz, što je korisno u hibridnim arhitekturama:

{
  "type": "session.update",
  "session": {
    "audio": {
      "input": {
        "format": {"type": "audio/pcmu", "rate": 8000}
      },
      "output": {
        "format": {"type": "audio/pcm", "rate": 24000}
      }
    }
  }
}

U ovom primjeru, primaš G.711 mu-law iz telefonskog sustava i šalješ visokokvalitetni PCM natrag u emiterski sustav.

Opus

Četvrti kodek, audio/opus, prenosi sirove Opus pakete na 24.000 Hz mono, jedan paket po payloadu, bez zaglavlja kontejnera. To je komprimirani kodek: drastično smanjuje propusnost u usporedbi s PCM-om, što je bitno na mobilnim vezama, pod uvjetom da tvoj klijent može kodirati i dekodirati Opus.

Prijenos: JSON ili binary

Kodek (format) definira kako je zvuk kodiran; prijenos (transport) definira kako ti bajtovi putuju kroz WebSocket. Zadano ("json"), zvuk je base64-kodiran unutar input_audio_buffer.append i response.output_audio.delta. S "binary", izlazi kao binarni WebSocket okviri, bez base64 i bez zaglavlja; događaji životnog ciklusa (response.created, response.done, transkripti) ostaju u JSON-u.

await ws.send(json.dumps({
    "type": "session.update",
    "session": {
        "audio": {
            "input": {"format": {"type": "audio/pcm", "rate": 24000}, "transport": "binary"},
            "output": {"format": {"type": "audio/pcm", "rate": 24000}, "transport": "binary"},
        }
    },
}))

await ws.send(pcm16_bytes)  # binary frame: raw 16-bit PCM, no base64

async for message in ws:
    if isinstance(message, bytes):
        player.write(message)           # the assistant's audio
    else:
        event = json.loads(message)     # JSON event

Dokumentacija postavlja dva pravila. Na ulazu, jednom kada je format konfiguriran, poslužitelj prihvaća oba puta istovremeno: input.transport samo navodi tvoj preferirani put. Na izlazu, zvuk stiže samo kroz output.transport, a promjena usred sesije vrijedi tek od sljedećeg odgovora, tako da se u jednoj izjavi nikada ne miješaju JSON i binary. Binary izbjegava overhead base64 kodiranja, koji povećava volumen podataka za oko trećinu.

Ključne točke

  • Zadani format je PCM na 24000 Hz, idealan za web aplikacije
  • G.711 mu-law (pcmu) je standard sjevernoameričke telefonije
  • G.711 A-law (pcma) je standard europske telefonije
  • G.711 kodeci ograničeni su na 8000 Hz
  • Možeš koristiti različite formate za ulaz i izlaz
  • audio/opus (24 kHz mono) smanjuje propusnost; transport: "binary" šalje zvuk kao binarne okvire, bez base64
  • Za glas, 24000 Hz je najbolji kompromis između kvalitete i propusnosti