Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Sesijas, notikumi un dzīves cikls

Nodarbība 2 no 18 Atjaunota 2026. gada 3. novembris Programmētājs
Šajā lapā
  1. Sesijas, notikumi un dzīves cikls
  2. Sesijas dzīves cikls
  3. Sesijas konfigurēšana
  4. Notikumu sistēma
  5. Kļūdu apstrāde
  6. Galvenās atziņas

Atjaunināts 2026. gada 2. novembrī — Audio modeļi. Vairāki šī kursa modeļi ir novecojuši: tts-1, tts-1-hd un gpt-4o-mini-tts pārtrauks darboties 2027. gada 6. janvārī (aizstājējs: gpt-realtime-2.1-mini, ko OpenAI TTS rokasgrāmata norāda kā ** neatbalstītu ar /v1/audio/speech**: runas sintēzes migrācija pāriet uz Realtime API); gpt-realtime, gpt-4o-realtime un vecie audio modeļi — 2027. gada 20. janvārī (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe un /v1/audio/translations — 2027. gada 26. februārī (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Pilnīgai divpusējai balss saziņai GPT-Live 1 ir pieejams API kopš 2026. gada 10. septembra.

Labots 2026. gada 3. novembrī. Ievades transkribēšanai tika izmantots gpt-live-transcribe, kas darbojas tikai transkribēšanas sesijā un neatbalsta ne server_vad, ne semantic_vad. Sarunu sesijā, kāda ir šī, kur VAD apstiprina katru repliku, dokumentācija norāda izmantot gpt-transcribe, kas transkribē apstiprinātās replikas un izmanto iepriekšējās replikas kā kontekstu. Avoti: Realtime transcription · GPT-Transcribe · GPT-Live-Transcribe.

Sesijas, notikumi un dzīves cikls

Katrs WebSocket savienojums ar Realtime API izveido sesiju. Šī sesija ir pamata pārvaldības vienība: tā ietver modeļa konfigurāciju, sarunu vēsturi, pieejamos rīkus un mijiedarbības pašreizējo stāvokli. Lai izveidotu stabilus balss aģentus, ir būtiski saprast tās dzīves ciklu.

Sesijas dzīves cikls

Tiklīdz WebSocket savienojums ir izveidots, serveris ģenerē notikumu session.created. Sesija iziet cauri vairākām fāzēm:

1

Savienojums → session.created

Serveris apstiprina sesiju ar unikālu ID un noklusējuma konfigurāciju.

2

Konfigurācija → session.update

Tu nosūti session.update, lai definētu instrukcijas, balsi, rīkus un modalitātes.

3

Aktīva saruna

Audio un teksta notikumu apmaiņa starp klientu un serveri.

4

Aizvēršana → WebSocket disconnect

Sesija tiek iznīcināta, kad savienojums tiek pārtraukts. Serverī netiek saglabāts nekāds stāvoklis.

Sesijas konfigurēšana

Pēc session.created nosūti notikumu session.update, lai konfigurētu modeļa darbību. Lietotāja teiktā transkribēšana (audio.input.transcription) ir opcionāla: bez tās tu saņem balsi, bet ne tekstu. Parametrs languages norāda paredzētās valodas un uzlabo atpazīšanu:

import asyncio
import websockets
import json

async def configure_session():
    headers = {
        "Authorization": f"Bearer {OPENAI_API_KEY}"
    }

    async with websockets.connect(URL, additional_headers=headers) as ws:
        # Gaidām session.created
        event = json.loads(await ws.recv())
        session_id = event["session"]["id"]
        print(f"Session created: {session_id}")

        # Konfigurējam sesiju
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "type": "realtime",
                "output_modalities": ["audio"],
                "instructions": "You are a French-speaking voice assistant. "
                                "Respond concisely and naturally.",
                "audio": {
                    "input": {
                        "format": {"type": "audio/pcm", "rate": 24000},
                        "transcription": {"model": "gpt-transcribe", "languages": ["fr"]},
                        "turn_detection": {
                            "type": "server_vad",
                            "threshold": 0.5,
                            "prefix_padding_ms": 300,
                            "silence_duration_ms": 500
                        }
                    },
                    "output": {
                        "format": {"type": "audio/pcm", "rate": 24000},
                        "voice": "marin"
                    }
                },
                "tools": []
            }
        }))

        # Gaidām apstiprinājumu (pirms tam var ierasties citi notikumi)
        while True:
            event = json.loads(await ws.recv())
            if event["type"] == "session.updated":
                print("Session updated")
                break
            if event["type"] == "error":
                raise RuntimeError(event["error"]["message"])

Galvenie sesijas parametri

Parametrs Apraksts Ieteicamā vērtība
output_modalities Izvades modalitātes ["audio"] (vai ["text"])
audio.output.voice Sintēzes balss marin, cedar, alloy, echo u.c.
audio.input.turn_detection Runas beigšanas noteikšana server_vad ar slieksni 0.5
audio.input.format Ienākošā audio formāts {"type": "audio/pcm", "rate": 24000}

Notikumu sistēma

Realtime API ir pilnībā balstīts uz notikumiem. Katrs apmainītais ziņojums ir JSON objekts ar lauku type, kas nosaka tā raksturu. Notikumi iedalās divās kategorijās:

Klienta notikumi (tu → serveris)

# Galvenie notikumi, ko tu nosūti
client_events = {
    "session.update":              "Mainīt konfigurāciju",
    "input_audio_buffer.append":   "Nosūtīt audio fragmentu",
    "input_audio_buffer.commit":   "Apstiprināt audio buferi",
    "input_audio_buffer.clear":    "Notīrīt audio buferi",
    "conversation.item.create":    "Manuāli pievienot ziņojumu",
    "conversation.item.truncate":  "Saīsināt atbildi",
    "conversation.item.delete":    "Dzēst ziņojumu",
    "response.create":             "Izsaukt atbildi",
    "response.cancel":             "Atcelt pašreizējo atbildi",
}

Servera notikumi (serveris → tu)

# Galvenie notikumi, ko tu saņem
server_events = {
    "session.created":             "Sesija inicializēta",
    "session.updated":             "Konfigurācija piemērota",
    "input_audio_buffer.speech_started":  "Noteikta runa",
    "input_audio_buffer.speech_stopped":  "Noteikts klusums",
    "conversation.item.created":   "Jauns ziņojums vēsturē",
    "response.created":            "Ģenerēšana sākusies",
    "response.output_audio.delta":        "Atbildes audio fragments",
    "response.output_audio_transcript.delta": "Transkripcijas fragments",
    "response.done":               "Atbilde pabeigta",
    "error":                       "Kļūda",
}

Kļūdu apstrāde

Kļūdas tiek ģenerētas kā notikums ar tipu error. Tās vienmēr ir jāpārķer:

async def handle_events(ws):
    async for raw_message in ws:
        event = json.loads(raw_message)
        event_type = event["type"]

        if event_type == "error":
            error = event["error"]
            print(f"Error [{error['type']}]: {error['message']}")

            if error["type"] == "invalid_request_error":
                # Konfigurācijas kļūda, jālabo un jāatkārto
                pass
            elif error["type"] == "server_error":
                # Problēma OpenAI pusē, jāveic atkārtota savienojuma izveide
                pass

        elif event_type == "session.updated":
            print("Configuration applied successfully")

        elif event_type == "response.done":
            usage = event["response"].get("usage", {})
            print(f"Tokens used: {usage}")

Galvenās atziņas

  • Sesija tiek automātiski izveidota, izveidojot WebSocket savienojumu, un iznīcināta, to pārtraucot.
  • session.update konfigurē sesiju pēc session.created; pirms paļauties uz jauno konfigurāciju, sagaidi session.updated.
  • Lai transkribētu ievadi sarunu sesijā, izmanto gpt-transcribe; gpt-live-transcribe ir paredzēts tikai transkribēšanas sesijām.
  • Protokols ir tīri notikumu virzīts: katram ziņojumam ir type, kas nosaka tā apstrādi.
  • Klienta notikumi virza mijiedarbību; servera notikumi ziņo par rezultātiem.
  • Kļūdu apstrāde ir kritiska: vienmēr klausies error notikumus.