Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A hangpuffer véglegesítése és törlése

8. lecke 16 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. A hangpuffer kezelése
  2. input_audio_buffer.commit
  3. input_audio_buffer.clear
  4. VAD mód versus kézi mód
  5. Főbb megállapítások

Frissítve: 2026. november 3., az xAI Voice API referenciája alapján: az input_audio_buffer.commit csak akkor érhető el, ha a turn_detection.type értéke null; server_vad módban a szerver maga véglegesíti a hangot. Forrás: Voice API.

A hangpuffer kezelése

Amikor az input_audio_buffer.append parancs segítségével hangot küldesz, az adatok felhalmozódnak a szerveren lévő pufferben. Két művelet irányítja ezt a puffert: a commit a tartalom felhasználói üzenetként történő beküldésére szolgál, míg a clear feldolgozás nélkül üríti ki azt.

input_audio_buffer.commit

Ez az esemény a hangpuffer aktuális tartalmát felhasználói üzenetként véglegesíti. Kézi módban (push-to-talk) kötelező, míg VAD módban automatikus:

{
  "type": "input_audio_buffer.commit"
}

Amikor a szerver fogad egy commit parancsot, a következőket teszi:

  1. Létrehoz egy új beszélgetési elemet a felhalmozott hanganyaggal
  2. Küld egy input_audio_buffer.committed eseményt a megerősítéshez
  3. Küld egy conversation.item.added eseményt az új elemmel
  4. Elindítja a hang átiratolását (ha engedélyezve van)

A szerver válasza

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

Az item_id lehetővé teszi, hogy később hivatkozz erre az üzenetre a beszélgetésben.

Mikor kell kézzel véglegesíteni (commit)

  • Push-to-talk: a felhasználó lenyomva tart egy gombot a beszédhez, és felengedi a küldéshez
  • Kézi szegmentálás: logikai szegmensekre bontod a hangfolyamot a kliens oldalon
  • Telefonos integráció: hangcsomagokat fogadsz egy PBX-től, és minden forduló végén véglegesíted azokat
// Push-to-talk példa
talkButton.addEventListener("mousedown", () => {
  isRecording = true;
  startCapture();
});

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

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

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

input_audio_buffer.clear

Ez az esemény üzenet létrehozása nélkül üríti ki a hangpuffert:

{
  "type": "input_audio_buffer.clear"
}

A szerver a következővel erősíti meg:

{
  "type": "input_audio_buffer.cleared"
}

Mikor kell törölni (clear)

  • Megszakítás: a felhasználó megnyomja a „Mégse“ gombot beszéd közben
  • Félbeszakítás: a felhasználó elkezd beszélni, majd egy másik esemény megszakítja a fordulót
  • Visszaállítás: hiba vagy időtúllépés után, az újrakezdés előtt töröld a puffert
  • Háttérzaj: a rendszer észleli, hogy a puffer csak zajt tartalmaz, beszédet nem
cancelButton.addEventListener("click", () => {
  stopCapture();
  ws.send(JSON.stringify({
    type: "input_audio_buffer.clear"
  }));
  showMessage("Recording canceled");
});

VAD mód versus kézi mód

VAD módban (server_vad) a szerver automatikusan kezeli a teljes ciklust:

  1. Észleli a beszéd kezdetét (speech_started)
  2. Felhalmozza a hangot a pufferben
  3. Észleli a beszéd végét (speech_stopped)
  4. Automatikusan véglegesíti a puffert
  5. Automatikusan elindítja a válasz generálását

Kézi módban (ha a turn_detection.type értéke null), te kezeled az egyes lépéseket, és ez az egyetlen mód, ahol az input_audio_buffer.commit elérhető:

  1. Hangot küldesz az append parancscsal
  2. Te döntöd el, mikor fejezte be a felhasználó
  3. Elküldöd a commit parancsot
  4. Elküldöd a response.create parancsot

Összehasonlítás

SzempontVAD módKézi mód
BeszédészlelésAutomatikusRád bízva
Puffer véglegesítéseAutomatikusKézi (commit)
VálaszkérésAutomatikusKézi (response.create)
IrányításKevesebb kontrollTeljes kontroll
KomplexitásEgyszerűBonyolultabb
Felhasználási esetekKötetlen beszélgetésPush-to-talk, IVR

Főbb megállapítások

  • Az input_audio_buffer.commit felhasználói üzenetként küldi be a hangpuffert
  • Az input_audio_buffer.clear feldolgozás nélkül üríti ki a puffert
  • VAD módban a véglegesítés automatikusan történik, amikor a rendszer észleli a beszéd végét
  • Kézi módban (ha a turn_detection.type értéke null), explicit módon el kell küldened a commit, majd a response.create parancsot; a commit csak ebben a módban érhető el
  • A kézi mód a push-to-talk felületekhez és az IVR telefonrendszerekhez illik