Potvrđivanje i brisanje međuspremnika zvuka
Na ovoj stranici
Ažurirano 3. studenoga 2026., na temelju referencije xAI Voice API-ja:
input_audio_buffer.commitdostupan je samo kada jeturn_detection.typepostavljen nanull; u načinu radaserver_vadposlužitelj 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:
- Stvara novu stavku razgovora s akumuliranim zvukom
- Šalje događaj
input_audio_buffer.committedkao potvrdu - Šalje događaj
conversation.item.addeds novom stavkom - 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:
- Detektira početak govora (
speech_started) - Akumulira zvuk u međuspremniku
- Detektira kraj govora (
speech_stopped) - Automatski potvrđuje međuspremnik
- 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:
- Šalješ zvuk pomoću
append - Sam odlučuješ kada je korisnik završio
- Šalješ
commit - Šalješ
response.create
Usporedba
| Aspekt | VAD način | Ručni način |
|---|---|---|
| Detekcija govora | Automatska | Na tebi je |
| Potvrda međuspremnika | Automatska | Ručna (commit) |
| Zahtjev za odgovor | Automatski | Ručni (response.create) |
| Kontrola | Manja kontrola | Potpuna kontrola |
| Složenost | Jednostavno | Složenije |
| Slučajevi upotrebe | Slobodan tijek razgovora | Push-to-talk, IVR |
Ključne točke
input_audio_buffer.commitšalje međuspremnik zvuka kao korisničku porukuinput_audio_buffer.clearprazni međuspremnik bez obrade- U VAD načinu, potvrda se događa automatski kada se detektira kraj govora
- U ručnom načinu (
turn_detection.typepostavljen nanull), moraš eksplicitno poslaticommit, a zatimresponse.create;commitje dostupan samo u ovom načinu - Ručni način odgovara sučeljima tipa push-to-talk i IVR telefonskim sustavima