Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Potvrđivanje i brisanje međuspremnika zvuka

Lekcija 8 od 16 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Upravljanje međuspremnikom zvuka
  2. input_audio_buffer.commit
  3. input_audio_buffer.clear
  4. VAD način naspram ručnog načina
  5. Ključne točke

Ažurirano 3. studenoga 2026., na temelju referencije xAI Voice API-ja: input_audio_buffer.commit dostupan je samo kada je turn_detection.type postavljen na null; u načinu rada server_vad poslužitelj sam potvrđuje zvuk. Izvor: Voice API.

Upravljanje međuspremnikom zvuka

Kada pošalješ zvuk pomoću input_audio_buffer.append, podaci se akumuliraju u međuspremniku na poslužitelju. Dvije operacije upravljaju tim međuspremnikom: commit za slanje njegovog sadržaja kao korisničke poruke i clear za njegovo pražnjenje bez obrade.

input_audio_buffer.commit

Ovaj događaj potvrđuje trenutni sadržaj međuspremnika zvuka kao korisničku poruku. Obavezan je u ručnom načinu rada (push-to-talk), a automatski se izvršava u VAD načinu:

{
  "type": "input_audio_buffer.commit"
}

Kada poslužitelj primi potvrdu (commit), on:

  1. Stvara novu stavku razgovora s akumuliranim zvukom
  2. Šalje događaj input_audio_buffer.committed kao potvrdu
  3. Šalje događaj conversation.item.added s novom stavkom
  4. Pokreće transkripciju zvuka (ako je omogućena)

Odgovor poslužitelja

{
  "type": "input_audio_buffer.committed",
  "item_id": "item_audio_001"
}

item_id ti omogućuje da se kasnije u razgovoru pozoveš na ovu poruku.

Kada ručno potvrditi (commit)

  • Push-to-talk: korisnik drži gumb za govor i pušta ga kako bi poslao poruku
  • Ručna segmentacija: dijeliš tok zvuka na logične segmente na klijentskoj strani
  • Integracija s telefonijom: primaš dijelove zvuka s PBX sustava i potvrđuješ ih na kraju svakog govornog okreta
// Primjer push-to-talk
talkButton.addEventListener("mousedown", () => {
  isRecording = true;
  startCapture();
});

talkButton.addEventListener("mouseup", () => {
  isRecording = false;
  stopCapture();

  // Potvrdi međuspremnik
  ws.send(JSON.stringify({
    type: "input_audio_buffer.commit"
  }));

  // Zatraži odgovor
  ws.send(JSON.stringify({
    type: "response.create"
  }));
});

input_audio_buffer.clear

Ovaj događaj prazni međuspremnik zvuka bez stvaranja poruke u razgovoru:

{
  "type": "input_audio_buffer.clear"
}

Poslužitelj to potvrđuje s:

{
  "type": "input_audio_buffer.cleared"
}

Kada izbrisati (clear)

  • Otkazivanje: korisnik pritisne gumb “Odustani” tijekom govora
  • Prekid: korisnik počne govoriti, no drugi događaj prekine govorni okret
  • Resetiranje: nakon pogreške ili isteka vremena, očisti međuspremnik prije ponovnog pokretanja
  • Pozadinska buka: sustav detektira da međuspremnik sadrži samo buku, a ne govor
cancelButton.addEventListener("click", () => {
  stopCapture();
  ws.send(JSON.stringify({
    type: "input_audio_buffer.clear"
  }));
  showMessage("Snimanje otkazano");
});

VAD način naspram ručnog načina

U VAD načinu (server_vad), poslužitelj automatski upravlja cijelim ciklusom:

  1. Detektira početak govora (speech_started)
  2. Akumulira zvuk u međuspremniku
  3. Detektira kraj govora (speech_stopped)
  4. Automatski potvrđuje međuspremnik
  5. Automatski pokreće generiranje odgovora

U ručnom načinu (turn_detection.type postavljen na null), svaki korak obrađuješ samostalno, a to je jedini način u kojem je input_audio_buffer.commit dostupan:

  1. Šalješ zvuk pomoću append
  2. Sam odlučuješ kada je korisnik završio
  3. Šalješ commit
  4. Šalješ response.create

Usporedba

AspektVAD načinRučni način
Detekcija govoraAutomatskaNa tebi je
Potvrda međuspremnikaAutomatskaRučna (commit)
Zahtjev za odgovorAutomatskiRučni (response.create)
KontrolaManja kontrolaPotpuna kontrola
SloženostJednostavnoSloženije
Slučajevi upotrebeSlobodan tijek razgovoraPush-to-talk, IVR

Ključne točke

  • input_audio_buffer.commit šalje međuspremnik zvuka kao korisničku poruku
  • input_audio_buffer.clear prazni međuspremnik bez obrade
  • U VAD načinu, potvrda se događa automatski kada se detektira kraj govora
  • U ručnom načinu (turn_detection.type postavljen na null), moraš eksplicitno poslati commit, a zatim response.create; commit je dostupan samo u ovom načinu
  • Ručni način odgovara sučeljima tipa push-to-talk i IVR telefonskim sustavima