Gauti ir atkurti atsakymo garso įrašą
Šiame puslapyje
Srautinis atkūrimas
Kai balso agentas sugeneruoja atsakymą, garso duomenys atkeliauja „base64“ koduotomis dalimis (delta). Tavo programėlė turi jas iššifruoti, sudėti į eilę ir atkurti taip sklandžiai, kad vartotojas išgirstų vientisą atsakymą be jokių tarpų.
Garso grotuvo architektūra
Principas paprastas: kiekvieną gautą garso deltą iššifruoji ir pridedi į eilę. Atkūrimo procesas sunaudoja eilės elementus ir siunčia duomenis į sistemos garso išvestį:
class AudioStreamPlayer {
constructor(sampleRate = 24000) {
this.audioContext = new AudioContext({ sampleRate });
this.queue = [];
this.isPlaying = false;
this.nextPlayTime = 0;
}
enqueue(pcm16ArrayBuffer) {
// Convert PCM16 to Float32 for the Web Audio API
const pcm16 = new Int16Array(pcm16ArrayBuffer);
const float32 = new Float32Array(pcm16.length);
for (let i = 0; i < pcm16.length; i++) {
float32[i] = pcm16[i] / 32768.0;
}
const buffer = this.audioContext.createBuffer(
1, float32.length, this.audioContext.sampleRate
);
buffer.getChannelData(0).set(float32);
this.queue.push(buffer);
if (!this.isPlaying) this.playNext();
}
playNext() {
if (this.queue.length === 0) {
this.isPlaying = false;
return;
}
this.isPlaying = true;
const buffer = this.queue.shift();
const source = this.audioContext.createBufferSource();
source.buffer = buffer;
source.connect(this.audioContext.destination);
const now = this.audioContext.currentTime;
const startTime = Math.max(now, this.nextPlayTime);
source.start(startTime);
this.nextPlayTime = startTime + buffer.duration;
source.onended = () => this.playNext();
}
stop() {
this.queue = [];
this.isPlaying = false;
this.nextPlayTime = 0;
}
}
Susiejimas su „WebSocket“ įvykiais
Štai kaip prijungti garso grotuvą prie API įvykių:
const player = new AudioStreamPlayer(24000);
ws.on("message", (data) => {
const event = JSON.parse(data);
switch (event.type) {
case "response.output_audio.delta":
const audioBytes = base64ToArrayBuffer(event.delta);
player.enqueue(audioBytes);
break;
case "response.output_audio.done":
console.log("Audio response complete");
break;
case "input_audio_buffer.speech_started":
// The user interrupts the agent
player.stop();
ws.send(JSON.stringify({ type: "response.cancel" }));
break;
}
});
function base64ToArrayBuffer(base64) {
const binary = atob(base64);
const bytes = new Uint8Array(binary.length);
for (let i = 0; i < binary.length; i++) {
bytes[i] = binary.charCodeAt(i);
}
return bytes.buffer;
}
Pertraukimų valdymas
Natūralaus pokalbio metu vartotojas gali pertraukti agentą pradėdamas kalbėti jam dar nebaigus atsakymo. Tavo programėlė turi tai apdoroti:
- Aptikti pertraukimą: įvykis
speech_startedatkeliauja, kai vis dar atkuriamas garsas. - Sustabdyti atkūrimą: išvalyti garso eilę ir nutildyti garsą.
- Atšaukti atsakymą: išsiųsti
response.cancel, kad serveris nustotų generuoti turinį. - Klausytis: žodis priklauso vartotojui, ir ciklas prasideda iš naujo.
Šis „barge-in“ mechanizmas yra būtinas sklandžiam pokalbiui. Be jo vartotojai turėtų laukti, kol agentas baigs kalbėti, prieš galėdami atsakyti.
Garso grotuvas „Python“ kalboje
„Python“ programėlėms atkurti gali naudoti pyaudio:
import pyaudio
import base64
import asyncio
from collections import deque
class AudioPlayer:
def __init__(self, rate=24000):
self.p = pyaudio.PyAudio()
self.stream = self.p.open(
format=pyaudio.paInt16,
channels=1,
rate=rate,
output=True
)
self.queue = deque()
def enqueue(self, base64_audio):
audio_bytes = base64.b64decode(base64_audio)
self.queue.append(audio_bytes)
def play_all(self):
while self.queue:
chunk = self.queue.popleft()
self.stream.write(chunk)
def stop(self):
self.queue.clear()
Transkripcijos rodymas šalia
Kol atkuriamas garsas, realiuoju laiku gali rodyti atsakymo transkripciją naudodamas įvykius response.output_audio_transcript.delta. Vartotojai taip gali skaityti, ką agentas sako, o tai padeda triukšmingoje aplinkoje ir gerina prieinamumą:
let currentTranscript = "";
case "response.output_audio_transcript.delta":
currentTranscript += event.delta;
updateTranscriptDisplay(currentTranscript);
break;
Svarbiausi punktai
- Atsakymo garso duomenys atkeliauja „base64“ gabalėliais per
response.output_audio.delta. - Naudok garso eilę, kad užtikrintum vientisą atkūrimą be tarpų.
- Valdyk pertraukimus („barge-in“) sustabdydamas atkūrimą ir atšaukdamas atsakymą.
- Rodyk transkripciją šalia garso, kad pagerintum prieinamumą.
- Naršyklės „Web Audio API“ reikalauja konvertuoti iš „base64“ į PCM16, o tada į Float32.