Slanje zvuka pomoću input_audio_buffer.append
Na ovoj stranici
Strujanje zvuka prema poslužitelju
Nakon što konfiguriraš sesiju, možeš početi strujati zvuk prema poslužitelju. Događaj input_audio_buffer.append šalje dijelove zvuka kodirane u base64 formatu.
Struktura događaja
{
"type": "input_audio_buffer.append",
"audio": "SGVsbG8gV29ybGQ..."
}
Polje audio sadrži sirove audio podatke kodirane u base64. Njegov format mora odgovarati onome konfiguriranom u session.update (zadano: 16-bitni PCM s little-endian zapisom pri 24000 Hz).
Snimanje zvuka u pregledniku
Web Audio API preglednika omogućuje ti snimanje mikrofona i slanje podataka u stvarnom vremenu:
async function startCapture(ws) {
const stream = await navigator.mediaDevices.getUserMedia({
audio: {
sampleRate: 24000,
channelCount: 1,
echoCancellation: true,
noiseSuppression: true
}
});
const audioContext = new AudioContext({ sampleRate: 24000 });
const source = audioContext.createMediaStreamSource(stream);
const processor = audioContext.createScriptProcessor(4096, 1, 1);
processor.onaudioprocess = (event) => {
const inputData = event.inputBuffer.getChannelData(0);
const pcm16 = float32ToPCM16(inputData);
const base64 = arrayBufferToBase64(pcm16.buffer);
ws.send(JSON.stringify({
type: "input_audio_buffer.append",
audio: base64
}));
};
source.connect(processor);
processor.connect(audioContext.destination);
}
function float32ToPCM16(float32Array) {
const pcm16 = new Int16Array(float32Array.length);
for (let i = 0; i < float32Array.length; i++) {
const s = Math.max(-1, Math.min(1, float32Array[i]));
pcm16[i] = s < 0 ? s * 0x8000 : s * 0x7FFF;
}
return pcm16;
}
function arrayBufferToBase64(buffer) {
const bytes = new Uint8Array(buffer);
let binary = "";
for (let i = 0; i < bytes.byteLength; i++) {
binary += String.fromCharCode(bytes[i]);
}
return btoa(binary);
}
Snimanje zvuka u Pythonu
Pomoću biblioteke pyaudio možeš snimiti mikrofon i poslati dijelove podataka:
import pyaudio
import base64
import json
RATE = 24000
CHUNK = 4096
FORMAT = pyaudio.paInt16
CHANNELS = 1
p = pyaudio.PyAudio()
stream = p.open(
format=FORMAT,
channels=CHANNELS,
rate=RATE,
input=True,
frames_per_buffer=CHUNK
)
async def send_audio(ws):
while True:
data = stream.read(CHUNK, exception_on_overflow=False)
audio_b64 = base64.b64encode(data).decode("utf-8")
await ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": audio_b64
}))
Veličina dijela i učestalost
Veličina dijela utječe na kašnjenje i performanse:
- Mali dijelovi (1024 uzorka / ~42 ms): minimalno kašnjenje, ali više WebSocket poruka
- Srednji dijelovi (4096 uzoraka / ~170 ms): dobar kompromis
- Veliki dijelovi (8192 uzorka / ~341 ms): manje poruka, ali primjetno kašnjenje
Za prirodan razgovor šalji dio svakih 100 do 200 ms. Poslužiteljev VAD prikuplja podatke u interni međuspremnik i neprestano ih obrađuje.
Poništavanje eha
Ako tvoja aplikacija reproducira odgovorni zvuk kroz zvučnike dok je mikrofon uključen, trebaš poništavanje eha. Bez toga, agent bi čuo sam sebe kako govori i mogao bi upasti u petlju razgovora sa samim sobom.
Tvoje opcije:
- Koristi opcije
echoCancellationinoiseSuppressionWeb Audio API-ja - Isključi mikrofon dok agent govori
- Koristi slušalice kako bi izolirao ulaz od izlaza
Ključne točke
input_audio_buffer.appendšalje dijelove zvuka kodirane u base64- Format podataka mora odgovarati konfiguraciji sesije (zadano 16-bitni PCM)
- Šalji dio svakih 100 do 200 ms za dobru ravnotežu između kašnjenja i performansi
- Snimanje zvuka u pregledniku koristi Web Audio API s konverzijom iz Float32 u PCM16
- Riješi poništavanje eha kako bi izbjegao audio petlje