A válaszhang fogadása és lejátszása
Ezen az oldalon
Streaming lejátszás
Amikor a hangalapú ügynök választ generál, a hang base64-kódolt darabokban (deltákban) érkezik. Az alkalmazásodnak dekódolnia kell ezeket, sorba kell állítania, és folyamatosan le kell játszania őket, hogy a felhasználó egy megszakítások nélküli, folyamatos választ halljon.
Hanglejátszó architektúra
Az elv egyszerű: minden egyes beérkező hangdelta dekódolásra kerül, és bekerül egy sorba. Egy lejátszási folyamat fogyasztja ezt a sort, és elküldi az adatokat a rendszer hangkimenetére:
class AudioStreamPlayer {
constructor(sampleRate = 24000) {
this.audioContext = new AudioContext({ sampleRate });
this.queue = [];
this.isPlaying = false;
this.nextPlayTime = 0;
}
enqueue(pcm16ArrayBuffer) {
// PCM16 konvertálása Float32-re a Web Audio API számára
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;
}
}
Bekötés a WebSocket eseményekhez
Így kötheted össze a hanglejátszót az API eseményeivel:
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":
// A felhasználó megszakítja az ügynököt
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;
}
Megszakítások kezelése
Egy természetes beszélgetés során a felhasználó megszakíthatja az ügynököt azzal, hogy belebeszél a válaszba. Az alkalmazásodnak kezelnie kell ezt a helyzetet:
- Megszakítás észlelése: a
speech_startedesemény megérkezik, miközben a hang lejátszása folyamatban van. - Lejátszás leállítása: a hangsor ürítése és a hang elnémítása.
- Válasz megszakítása: a
response.cancelelküldése, hogy a szerver abbahagyja a generálást. - Figyelés: a felhasználóé a szó, és a ciklus újraindul.
Ez a „belebeszélés“ (barge-in) mechanizmus elengedhetetlen a gördülékeny beszélgetéshez. Enélkül a felhasználóknak meg kellene várniuk, amíg az ügynök befejezi a beszédet, mielőtt válaszolhatnának.
Hanglejátszó Pythonban
Python alkalmazás esetén a lejátszáshoz használhatod a pyaudio könyvtárat:
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()
Átirat megjelenítése hang mellett
Amíg a hang lejátszása zajlik, valós időben megjelenítheted a válasz átiratát a response.output_audio_transcript.delta események segítségével. Így a felhasználók olvashatják is, amit az ügynök mond; ez zajos környezetben és az akadálymentesítés szempontjából is nagy segítség:
let currentTranscript = "";
case "response.output_audio_transcript.delta":
currentTranscript += event.delta;
updateTranscriptDisplay(currentTranscript);
break;
Főbb megállapítások
- A válaszhang base64-es darabokban érkezik a
response.output_audio.deltaeseményen keresztül. - Használj hangsort a folyamatos, hézagmentes lejátszás biztosításához.
- Kezeld a megszakításokat (belebeszélést) a lejátszás leállításával és a válasz megszakításával.
- Jelenítsd meg az átiratot a hang mellett az akadálymentesítés javítása érdekében.
- A böngésző Web Audio API-ja base64-ből PCM16-on át Float32-be történő konverziót igényel.