Invia audio con input_audio_buffer.append
In questa pagina
Trasmetti audio al server
Una volta configurata la sessione, puoi iniziare a trasmettere audio al server. L’evento input_audio_buffer.append invia blocchi di audio codificati in base64.
Struttura dell’evento
{
"type": "input_audio_buffer.append",
"audio": "SGVsbG8gV29ybGQ..."
}
Il campo audio contiene dati audio grezzi codificati in base64. Il suo formato deve corrispondere a quello configurato in session.update (di default, PCM a 16 bit little-endian a 24000 Hz).
Acquisizione audio nel browser
Le Web Audio API del browser ti permettono di catturare il microfono e inviare i dati in tempo reale:
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);
}
Acquisizione audio in Python
Con la libreria pyaudio, puoi catturare l’audio dal microfono e inviare i blocchi:
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
}))
Dimensione e frequenza dei blocchi
La dimensione del blocco influisce sulla latenza e sulle prestazioni:
- Blocchi piccoli (1024 campioni / ~42 ms): latenza minima, ma più messaggi WebSocket
- Blocchi medi (4096 campioni / ~170 ms): un buon compromesso
- Blocchi grandi (8192 campioni / ~341 ms): meno messaggi, ma latenza percepibile
Per una conversazione naturale, invia un blocco ogni 100-200 ms. Il VAD del server raccoglie i dati in un buffer interno e li elabora continuamente.
Cancellazione dell’eco
Se la tua applicazione riproduce l’audio di risposta dagli altoparlanti mentre il microfono è attivo, hai bisogno della cancellazione dell’eco. Senza di essa, l’agente sentirebbe se stesso parlare e potrebbe finire in un ciclo di conversazione con se stesso.
Le tue opzioni:
- Usa le opzioni
echoCancellationenoiseSuppressiondelle Web Audio API - Disattiva il microfono mentre l’agente sta parlando
- Usa una cuffia per isolare l’input dall’output
Punti chiave
input_audio_buffer.appendinvia blocchi audio codificati in base64- Il formato dei dati deve corrispondere alla configurazione della sessione (PCM a 16 bit di default)
- Invia un blocco ogni 100-200 ms per un buon equilibrio tra latenza e prestazioni
- L’acquisizione audio nel browser usa le Web Audio API con una conversione da Float32 a PCM16
- Gestisci la cancellazione dell’eco per evitare loop audio