A hangpuffer véglegesítése és törlése
Ezen az oldalon
Frissítve: 2026. november 3., az xAI Voice API referenciája alapján: az
input_audio_buffer.commitcsak akkor érhető el, ha aturn_detection.typeértékenull;server_vadmódban 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:
- Létrehoz egy új beszélgetési elemet a felhalmozott hanganyaggal
- Küld egy
input_audio_buffer.committedeseményt a megerősítéshez - Küld egy
conversation.item.addedeseményt az új elemmel - 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:
- Észleli a beszéd kezdetét (
speech_started) - Felhalmozza a hangot a pufferben
- Észleli a beszéd végét (
speech_stopped) - Automatikusan véglegesíti a puffert
- 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:
- Hangot küldesz az
appendparancscsal - Te döntöd el, mikor fejezte be a felhasználó
- Elküldöd a
commitparancsot - Elküldöd a
response.createparancsot
Összehasonlítás
| Szempont | VAD mód | Kézi mód |
|---|---|---|
| Beszédészlelés | Automatikus | Rád bízva |
| Puffer véglegesítése | Automatikus | Kézi (commit) |
| Válaszkérés | Automatikus | Kézi (response.create) |
| Irányítás | Kevesebb kontroll | Teljes kontroll |
| Komplexitás | Egyszerű | Bonyolultabb |
| Felhasználási esetek | Kötetlen beszélgetés | Push-to-talk, IVR |
Főbb megállapítások
- Az
input_audio_buffer.commitfelhasználói üzenetként küldi be a hangpuffert - Az
input_audio_buffer.clearfeldolgozás nélkül üríti ki a puffert - VAD módban a véglegesítés automatikusan történik, amikor a rendszer észleli a beszéd végét
- Kézi módban (ha a
turn_detection.typeértékenull), explicit módon el kell küldened acommit, majd aresponse.createparancsot; acommitcsak ebben a módban érhető el - A kézi mód a push-to-talk felületekhez és az IVR telefonrendszerekhez illik