Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Hangformátumok és optimalizálás

14. lecke 14 közül Frissítve 2026. július 29. Középhaladó
Ezen az oldalon
  1. Válaszd ki a megfelelő formátumot minden helyzethez
  2. Támogatott kodekek
  3. Mintavételezési ráták
  4. MP3 bitráták
  5. Hang konvertálása Pythonban
  6. Optimalizálás a célállomás szerint
  7. Memóriakezelés a böngészőben
  8. TTS hibakódok értelmezése
  9. Főbb megállapítások
  10. Ellenőrizd a tudásod

Válaszd ki a megfelelő formátumot minden helyzethez

A hangformátum az a beállítás, amit az elején gyorsan átfutsz, majd később megbánod. Pedig ez határozza meg az érzékelt minőséget, a sávszélességet, amit minden egyes lejátszás el fogyaszt, valamint a célplatformoddal való kompatibilitást. Ha nyers PCM formátumban kézbesítesz egy podcastot, az egekbe szökíti a terjesztési költségeidet; ha pedig 24 000 Hz-en streamelsz telefonhíváshoz, azt útközben átkódolják, ami mindenféle minőségromlással jár. Ez a lecke áttekinti a rendelkezésre álló formátumokat és segít dönteni közöttük.

Támogatott kodekek

KodekMIME típusTömörítésFő felhasználás
mp3audio/mpegVeszteségesWeb, mobil, podcastok
wavaudio/wavVeszteségmentesUtómunka, archiválás
pcmaudio/pcmNincs (nyers)Hangfolyamatok, Voice Agent
mulawaudio/basicLogaritmikusTávközlés (Amerika, Japán)
alawaudio/alawLogaritmikusTávközlés (Európa, nemzetközi)

Az MP3 lefedi a fogyasztói terjesztés legtöbb esetét. A WAV olyan hanganyagokhoz való, amelyeket még szerkeszteni kell, vagy veszteségmentesen kell megőrizni. A PCM a valós idejű folyamatok – köztük a Voice Agent – csereformátuma, mivel dekódolása semmibe sem kerül. A Mu-law és az A-law kizárólag távközlési célokra létezik, és semmi okuk nincs máshol feltűnni.

Mintavételezési ráták

A mintavételezési ráta határozza meg a jel finomságát: minél magasabb, annál jobban szólalnak meg a magas frekvenciák, és annál nagyobb a fájlméret.

Mintavételezési rátaMinőségFelhasználás
8 000 HzTávközlésVoIP, SIP, G.711
16 000 HzSzélessávú beszédÁtirat készítése, beszédfelismerés
22 050 HzFM rádióPodcastok, értesítések
24 000 HzTTS szabvány (alapértelmezett)Általános használat
44 100 HzCD hangminőségZenei produkció, hangoskönyvek
48 000 HzVideó/műsorszórásUtómunka, műsorszórás

A gyakorlatban három eset dönti el a dolgot. A távközlés megköveteli a 8 000 Hz-et, itt nincs vita: ezt diktálja a G.711. A webes és mobilos alkalmazásoknak tökéletesen megfelel az alapértelmezett 24 000 Hz, ami a legjobb egyensúly a beszédhang minősége és a sávszélesség között. A produkciós munkák, mint például egy hangoskönyv vagy egy videó kísérőzenéje, indokolttá teszik a 44 100 vagy 48 000 Hz használatát, mert a fájlt keverni, normalizálni, esetleg újra kódolni fogják, és minden lépés kicsit ront a minőségen.

MP3 bitráták

MP3 kodek esetén a bitráta határozza meg a tömörítést, és ezáltal a végső fájlméretet.

BitrátaMinőségMéret 1 percre
32 000 bpsAlacsony~240 KB
64 000 bpsKözepes~480 KB
96 000 bpsJó~720 KB
128 000 bps (alapértelmezett)Nagyon jó~960 KB
192 000 bpsKiváló~1,4 MB

A beszéd csak a spektrum kis részét foglalja el: a 128 kbps már nagyon jól visszaadja, míg a 192 kbps-ra való váltás másfélszeresére növeli a katalógusod méretét anélkül, hogy a hallgató bármi különbséget észrevenne a beszédtartalmakon. Ezt a csúcskategóriát hagyd meg prémium produkcióknak vagy zenei részleteknek.

Hang konvertálása Pythonban

A Voice Agent nyers, base64-kódolt PCM adatot szolgáltat, és szinte minden projektben két konverzióra van szükség. Az első ezeket az adatfolyamokat -1 és 1 között normalizált numpy tömbbé alakítja át – ez a formátum, amit a legtöbb jelfeldolgozó könyvtár elvár –, a második pedig fordítva működik, hogy visszaküldhesd a hangot az API-nak.

import base64
import numpy as np

def base64_to_audio(base64_audio: str) -> np.ndarray:
    audio_bytes = base64.b64decode(base64_audio)
    audio_int16 = np.frombuffer(audio_bytes, dtype=np.int16)
    return audio_int16.astype(np.float32) / 32768.0

def audio_to_base64(audio_data: np.ndarray) -> str:
    audio_int16 = (audio_data * 32767).astype(np.int16)
    return base64.b64encode(audio_int16.tobytes()).decode("utf-8")

A második művelet a PCM adatot WAV konténerbe csomagolja. Ennél a fejléc nélkül a lejátszóprogram nem tudja, hány csatornát vagy milyen mintavételezési rátát feltételezzen, így vagy visszautasítja a fájlt, vagy rossz sebességgel játssza le.

import wave

def pcm_to_wav(pcm_data: bytes, sample_rate: int = 24000) -> bytes:
    import io
    buffer = io.BytesIO()
    with wave.open(buffer, "wb") as wf:
        wf.setnchannels(1)
        wf.setsampwidth(2)  # 16-bit
        wf.setframerate(sample_rate)
        wf.writeframes(pcm_data)
    return buffer.getvalue()

Optimalizálás a célállomás szerint

Webes alkalmazás esetén maradj a 128 kbps-os MP3-nál 24 000 Hz-en a TTS-hez, és a 24 000 Hz-es PCM-nél a Voice Agenthez, amihez kétirányú streamelés szükséges. A statikus hanganyagokat, mint például a szignálokat és az előre felvett üzeneteket, egyszer és mindenkorra konvertáld MP3-ba, ahelyett, hogy minden látogatónak WAV fájlt szolgálnál ki.

Távközlés esetén szigorúan maradj a G.711-nél 8 000 Hz-en, és közvetlenül ebben a formátumban konfiguráld a Voice Agentet: minden valós idejű átkódolás késleltetést ad hozzá, amire nincs szükséged.

Tárolás esetén tartsd külön az archiválást és a terjesztést: a mesterfájl marad 24 000 Hz-es WAV formátumban, készen az újra szerkesztésre, míg terjesztésre a sokkal könnyebb 128 kbps-os MP3-ot használod. Ugyanaz a tartalom, két fájl, két cél.

Memóriakezelés a böngészőben

Streamelt lejátszás közben minden URL.createObjectURL hívás olyan memóriát foglal le, amit a böngésző nem szabadít fel automatikusan. Hosszú munkamenet során ezek az URL-ek felhalmozódnak, amíg a lap lelassul. Mielőtt újat hoznál létre, érvénytelenítsd az előzőt:

let currentBlobUrl = null;

function playAudioChunk(base64Data) {
  // Előző URL felszabadítása
  if (currentBlobUrl) {
    URL.revokeObjectURL(currentBlobUrl);
  }

  const audioBuffer = Uint8Array.from(atob(base64Data), c => c.charCodeAt(0));
  const blob = new Blob([audioBuffer], { type: "audio/pcm" });
  currentBlobUrl = URL.createObjectURL(blob);
  // Hang lejátszása...
}

TTS hibakódok értelmezése

KódJelentésTeendő
200SikeresHang a válasz törzsében
400Rossz kérésEllenőrizd a szöveget, a kodeket és a mintavételezési rátát
401JogosulatlanEllenőrizd az API kulcsot
429Kvóta túllépveImplementálj exponenciális visszalépést (backoff)
500/503SzerverhibaPróbáld újra visszalépéssel

A 400-as hibákat a kódodban kell javítani, nem tűnnek el maguktól: ezek összeférhetetlen paraméterből adódnak, tipikusan olyan mintavételezési rátából, amit a választott kodek nem fogad el. Ezzel szemben a 429-es és az 5xx-es hibák ugyanazt a választ igénylik: exponenciális visszalépést, ahol a késleltetés minden próbálkozásnál megduplázódik. Az azonnali újrapróbálkozó ciklus csak ront a helyzeten, mert tovább terheli a kvótát, amit éppen túlléptél.

Főbb megállapítások

  • Öt kodek áll rendelkezésre: MP3, WAV, PCM, mu-law és A-law, mindegyik egy adott kontextushoz illik
  • Az alapértelmezett mintavételezési ráta 24 000 Hz; távközléshez használj 8 000 Hz-et, produkciós munkákhoz pedig 44 100 Hz-et vagy magasabbat
  • A 128 kbps-os MP3 kínálja a legjobb minőség-méret arányt beszédhang esetén
  • Kezeld a Blob URL-eket a böngészőben a memóriaszivárgás elkerülése érdekében
  • Implementálj exponenciális visszalépést a 429-es (sávszélesség-korlátozás) és az 5xx-es hibák kezelésére

Ellenőrizd a tudásod

Voice Agent és TTS: hang az elejétől a végéig, öt kérdésben.

1. Hogyan működik egy Voice Agent munkamenet?

Válasz: Valós idejű WebSocket kapcsolaton keresztül. Konfigurálod a munkamenetet (hang, személyiség, utasítások), majd az események mindkét irányba áramlanak: a felhasználó hangja az egyik irányba, az ügynök beszélt válaszai a másikba.

2. Mit tesz lehetővé a függvényhívás (function calling) hangalapú környezetben?

Válasz: Lehetővé teszi, hogy a hangügynök beszélgetés közben meghívja az eszközeidet egy fiók lekérdezésére, foglalás létrehozására vagy intézkedés végrehajtására. A hang teljes értékű felületté válik, nem csupán diktáló géppé.

3. Mit adnak hozzá a TTS kifejező címkék (expressive tags)?

Válasz: Irányítást a beszéd felett: hanglejtés, szünetek, hangsúlyozás. A szintézis abbahagyja a monoton hangzást, és követi a szöveg szándékát minden támogatott nyelven.

4. Miért fontosak az ephemeral tokenek?

Válasz: Lehetővé teszik, hogy a kliens (böngésző vagy mobilalkalmazás) csatlakozzon a hangszolgáltatáshoz anélkül, hogy felfedné a fő API kulcsodat. A hitelesítő adatok rövid életűek, egy hangmunkamenetre korlátozódnak, és maguktól lejárnak; ez teszi biztonságossá a valós idejű hangot.

5. Mit engednek szabályozni a hangformátumok?

Válasz: A minőség, a késleltetés és a sávszélesség közötti kompromisszumot: azt a formátumot és mintavételezési rátát választod ki, amely illeszkedik a csatornához (web, SIP távközlés, LiveKit). Ez az optimalizás visz át a célvonalon.

Munkamenet, eszközök, kifejezőkészség, biztonság, formátumok: ezen a tanfolyamon a teljes hangalapú asszisztens ezt az öt elemet egyesíti, és a tiéd is ezt a tervet fogja követni.