Hang küldése az input_audio_buffer.append eseménnyel
Ezen az oldalon
Hang streamelése a szerverre
Miután beállítottad a munkamenetet, elindíthatod a hang adatfolyamát a szerver felé. Az input_audio_buffer.append esemény base64-kódolt hangdarabkákat küld.
Eseményszerkezet
{
"type": "input_audio_buffer.append",
"audio": "SGVsbG8gV29ybGQ..."
}
Az audio mező nyers hangadatokat tartalmaz, base64 formátumban kódolva. A formátumnak meg kell egyeznie a session.update hívásban beállítottal (alapértelmezetten 16 bites, little-endian PCM, 24000 Hz-en).
Hang rögzítése böngészőben
A böngésző Web Audio API-ja lehetővé teszi a mikrofon használatát és az adatok valós idejű elküldését:
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);
}
Hang rögzítése Pythonban
A pyaudio könyvtár segítségével rögzítheted a mikrofon bemenetét, és elküldheted a darabkákat:
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
}))
Darabkaméret és gyakoriság
A darabkaméret befolyásolja a késleltetést és a teljesítményt:
- Kis darabkák (1024 minta / ~42 ms): minimális késleltetés, de több WebSocket üzenet
- Közepes darabkák (4096 minta / ~170 ms): jó kompromisszum
- Nagy darabkák (8192 minta / ~341 ms): kevesebb üzenet, de észrevehető késleltetés
Természetes beszélgetés érdekében küldj egy darabkát 100 és 200 ms közötti időközönként. A szerver VAD (Voice Activity Detection) komponense egy belső pufferben gyűjti az adatokat, és folyamatosan dolgozza fel azokat.
Visszhangszűrés (Echo cancellation)
Ha az alkalmazásod hangszórón keresztül játssza le a választ, miközben a mikrofon aktív, szükséged lesz visszhangszűrésre. Enélkül az ügynök hallaná saját magát beszélni, ami önmagával folytatott beszélgetési hurokhoz vezethet.
Lehetőségeid:
- Használd a Web Audio API
echoCancellationésnoiseSuppressionbeállításait - Némítsd a mikrofont, amíg az ügynök beszél
- Használj fejhallgatót a bemenet és a kimenet elszigetelésére
Főbb megállapítások
- Az
input_audio_buffer.appendbase64-kódolt hangdarabkákat küld - Az adatformátumnak meg kell egyeznie a munkamenet konfigurációjával (alapértelmezetten 16 bites PCM)
- A késleltetés és a teljesítmény közötti jó egyensúly érdekében 100–200 ms-onként küldj egy darabkát
- A böngészős hangrögzítés a Web Audio API-t használja Float32-ből PCM16-ba történő konverzióval
- Kezeld a visszhangszűrést a hanghurok elkerülése érdekében