Produzzjoni: Skalar u Monitoraġġ
F'din il-paġna
Aġġornat fit-2 ta’ Novembru, 2026 — Mudelli tal-awdjo. Diversi mudelli f’dan il-kors huma deprekati:
tts-1,tts-1-hd, ugpt-4o-mini-ttsse jieqfu jaħdmu fis-6 ta’ Jannar, 2027 (sostituzzjoni:gpt-realtime-2.1-mini, li l-gwida tat-TTS ta’ OpenAI tiddikjara li mhix appoġġjata minn/v1/audio/speech: il-migrazzjoni tas-sinteżi tal-kliem trid tgħaddi mill-API Realtime);gpt-realtime,gpt-4o-realtime, u mudelli tal-awdjo legacy fl-20 ta’ Jannar, 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribe, u/v1/audio/translationsfis-26 ta’ Frar, 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Għall-vuċi full-duplex, GPT-Live 1 kien disponibbli fl-API mill-10 ta’ Settembru, 2026.
Aġġornat fit-3 ta’ Novembru, 2026. Il-ġestjoni tal-ispejjeż qabel kienet tidħol f’sentenza waħda; issa tirrifletti l-mudell ta’ fatturazzjoni deskritt minn OpenAI (fatturazzjoni għal kull tweġiba, konversazzjoni rritornata f’kull dawra, awdjo mgħoddud f’tokens, caching awtomatiku, trascrizzjoni fatturata separatament) u t-truncation permezz ta’
retention_ratio, li l-format tiegħu ġie vverifikat kontra t-tipi tal-SDKopenaiverżjoni 3.42.1. Sors: Ottimizzazzjoni tal-ispejjeż.
Produzzjoni: Skalar u Monitoraġġ
Il-passaġġ minn prototip ta’ aġent tal-vuċi għal servizz ta’ produzzjoni affidabbli u li jiskala jeħtieġ attenzjoni qrib lejn l-infrastruttura, il-monitoraġġ, u l-immaniġġjar tal-iżbalji. Din il-lezzjoni finali tkopri l-essenzjali operattivi għad-dispjegament ta’ aġent tal-vuċi f’kundizzjonijiet tad-dinja reali.
Arkitettura tal-Produzzjoni
Fil-produzzjoni, l-aġent tal-vuċi jaħdem wara load balancer u pool ta’ ħaddiema (workers):
Load Balancer (nginx / HAProxy)
Jiddistribwixxi konnessjonijiet WebSocket li qed jaslu fost il-ħaddiema. Jappoġġja sessjonijiet "sticky" biex iżomm l-affinità.
Ħaddiema (FastAPI + uvicorn)
Kull ħaddiem jimmaniġġja sessjonijiet Realtime multipli simultanjament grazzi għal asyncio.
Database (PostgreSQL)
Jaħżen logs tal-konversazzjoni, metriċi, u konfigurazzjoni tal-aġent.
Monitoraġġ (Prometheus + Grafana)
Jiġbor metriċi f'ħin reali: latenza, għadd ta' sessjonijiet, żbalji, spejjeż.
Ġestjoni ta’ Sessjonijiet Konkorrenti
Kull konnessjoni WebSocket iżżomm sessjoni tal-API Realtime. In-numru ta’ sessjonijiet simultanji huwa limitat mil-limiti tar-rata ta’ OpenAI tiegħek u mill-kapaċità tal-ħaddiema tiegħek:
import asyncio
from dataclasses import dataclass
@dataclass
class SessionManager:
"""Jimmaniġġja sessjonijiet konkurrenti tal-API Realtime."""
max_sessions: int = 50
active_sessions: dict = None
semaphore: asyncio.Semaphore = None
def __post_init__(self):
self.active_sessions = {}
self.semaphore = asyncio.Semaphore(self.max_sessions)
async def create_session(self, session_id: str, config: dict):
"""Joħloq sessjoni ġdida b'kontroll tal-konkorrenza."""
async with self.semaphore:
if session_id in self.active_sessions:
raise ValueError(f"Session {session_id} already active")
self.active_sessions[session_id] = {
"created_at": asyncio.get_event_loop().time(),
"config": config,
"status": "active"
}
return session_id
async def close_session(self, session_id: str):
"""Jagħlaq sessjoni b'mod korrett."""
if session_id in self.active_sessions:
del self.active_sessions[session_id]
@property
def active_count(self) -> int:
return len(self.active_sessions)
@property
def available_slots(self) -> int:
return self.max_sessions - self.active_count
session_manager = SessionManager(max_sessions=50)
Reġistrar Strutturat
Irreġistra kull interazzjoni għad-debugging u l-konformità:
import logging
import json
from datetime import datetime
class ConversationLogger:
"""Reġistratur strutturat għal konversazzjonijiet bil-vuċi."""
def __init__(self, session_id: str):
self.session_id = session_id
self.logger = logging.getLogger(f"voice.{session_id}")
self.events = []
def log_event(self, event_type: str, data: dict = None):
entry = {
"timestamp": datetime.utcnow().isoformat(),
"session_id": self.session_id,
"event_type": event_type,
"data": data or {}
}
self.events.append(entry)
self.logger.info(json.dumps(entry))
def log_transcription(self, role: str, text: str):
self.log_event("transcription", {
"role": role,
"text": text
})
def log_function_call(self, name: str, args: dict, result: dict, duration_ms: float):
self.log_event("function_call", {
"name": name,
"arguments": args,
"result": result,
"duration_ms": round(duration_ms)
})
def log_error(self, error_type: str, message: str):
self.log_event("error", {
"type": error_type,
"message": message
})
async def save_to_db(self, db_pool):
"""Jippersisti l-log sħiħ fid-database."""
async with db_pool.acquire() as conn:
await conn.execute(
"INSERT INTO conversation_logs (session_id, events, created_at) "
"VALUES ($1, $2, NOW())",
self.session_id, json.dumps(self.events)
)
Metriċi ta’ Prometheus
Esponi metriċi għall-monitoraġġ f’ħin reali:
from prometheus_client import Counter, Histogram, Gauge, start_http_server
# Metriċi ewlenin
sessions_active = Gauge(
"voice_sessions_active",
"Number of active voice sessions"
)
session_duration = Histogram(
"voice_session_duration_seconds",
"Duration of voice sessions",
buckets=[30, 60, 120, 300, 600, 1800]
)
response_latency = Histogram(
"voice_response_latency_ms",
"Response latency (end of speech → first audio)",
buckets=[200, 400, 600, 800, 1000, 1500, 2000, 3000]
)
errors_total = Counter(
"voice_errors_total",
"Total number of errors",
["error_type"]
)
tokens_used = Counter(
"voice_tokens_total",
"Tokens consumed",
["type"] # input_audio, output_audio, input_text, output_text
)
# Ibda s-server tal-metriċi
start_http_server(9090)
Ġestjoni tal-Ispejjeż
Skont il-gwida ta’ Ottimizzazzjoni tal-ispejjeż ta’ OpenAI, sessjoni ta’ konversazzjoni Realtime tiġi fatturata għal kull tweġiba, f’tokens tal-input u tal-output għat-test, l-awdjo, u l-immaġnijiet. Tliet mekkaniżmi jmexxu l-biċċa l-kbira tal-fattura:
- Il-konversazzjoni sħiħa tintbagħat lura lill-mudell ma’ kull tweġiba: id-dawriet ta’ wara jiswew aktar minn dawk ta’ qabel.
- L-awdjo jiġi mgħoddud f’tokens: token wieħed kull 100 ms ta’ awdjo tal-utent, token wieħed kull 50 ms ta’ awdjo tal-assistent.
- Il-caching tal-prompt japplika awtomatikament: sakemm il-bidu tal-konversazzjoni ma jinbidilx, jiġi fatturat bir-rata mnaqqsa tat-token cached. Il-modifika jew it-tħassir ta’ element aktar antik “jikser” il-cache minn dak il-punt ‘il quddiem.
It-trascrizzjoni tal-input, jekk attivata, tiġi fatturata separatament bir-rata tal-mudell tagħha stess: gpt-transcribe tiġi ċċarġjata skont id-durata, moqrija mill-avveniment conversation.item.input_audio_transcription.completed. Il-konsum għal kull tweġiba jidher f’response.done, taħt response.usage (total_tokens, input_tokens, output_tokens, flimkien mat-tqassim għat-test, l-awdjo, l-immaġni, u l-cache).
Biex tillimita d-daqs tal-kuntest—u għalhekk l-ispiża tad-dawriet ta’ wara—is-sessjoni taċċetta regola ta’ truncation: lil hinn mil-limitu, il-messaġġi l-aktar antiki jitneħħew. B’retention_ratio stabbilit taħt 1, is-server ineħħi ftit aktar milli meħtieġ, li jbiegħed it-truncations u jippreserva l-cache:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"truncation": {
"type": "retention_ratio",
"retention_ratio": 0.8,
"token_limits": {"post_instructions": 8000},
},
},
}))
Il-kompromess: aġent li jżomm inqas kuntest jinsa aktar malajr. Ikkumplimenta dan b’limiti tas-sessjoni fil-kodiċi tiegħek:
class CostController:
"""Jikkontrolla l-ispejjeż għal sessjoni Realtime."""
def __init__(self, max_duration_s: int = 600, max_tokens: int = 50000):
self.max_duration_s = max_duration_s
self.max_tokens = max_tokens
self.total_tokens = 0
self.start_time = None
def start(self):
self.start_time = asyncio.get_event_loop().time()
def update_tokens(self, usage: dict):
self.total_tokens += usage.get("total_tokens", 0)
@property
def elapsed_seconds(self) -> float:
if not self.start_time:
return 0
return asyncio.get_event_loop().time() - self.start_time
@property
def should_terminate(self) -> bool:
if self.elapsed_seconds > self.max_duration_s:
return True
if self.total_tokens > self.max_tokens:
return True
return False
@property
def warning_message(self) -> str:
remaining = self.max_duration_s - self.elapsed_seconds
if remaining < 60:
return f"This session will end in {int(remaining)} seconds."
return ""
Immaniġġjar ta’ Żbalji fil-Produzzjoni
async def production_event_loop(ws, logger, cost_ctrl):
"""Loop tal-avvenimenti robust għall-produzzjoni."""
cost_ctrl.start()
try:
async for raw in ws:
event = json.loads(raw)
t = event["type"]
# Iċċekkja l-limiti tal-ispejjeż
if cost_ctrl.should_terminate:
logger.log_event("session_limit_reached")
await ws.send(json.dumps({
"type": "conversation.item.create",
"item": {
"type": "message",
"role": "user",
"content": [{"type": "input_text",
"text": "The session is approaching its duration limit."}]
}
}))
break
if t == "response.done":
usage = event["response"].get("usage", {})
cost_ctrl.update_tokens(usage)
tokens_used.labels(type="total").inc(usage.get("total_tokens", 0))
elif t == "error":
error = event["error"]
logger.log_error(error["type"], error["message"])
errors_total.labels(error_type=error["type"]).inc()
if error["type"] == "rate_limit_error":
await asyncio.sleep(1)
except websockets.exceptions.ConnectionClosed as e:
logger.log_error("connection_closed", str(e))
except Exception as e:
logger.log_error("unexpected", str(e))
finally:
session_duration.observe(cost_ctrl.elapsed_seconds)
sessions_active.dec()
Punti Ewlenin
- L-arkitettura tal-produzzjoni tissepara l-load balancer, il-ħaddiema asyncio, id-database, u l-monitoraġġ
SessionManagerb’semaphore jikkontrolla n-numru ta’ sessjonijiet simultanji- Ir-reġistrar strutturat JSON jippermetti d-debugging u l-konformità (reġistrazzjoni tal-konversazzjoni)
- Il-metriċi ta’ Prometheus (TTFA, durata, tokens, żbalji) huma essenzjali għall-operazzjonijiet ta’ kuljum
- Il-
CostControllerjillimita d-durata tas-sessjoni u t-tokens biex jipprevjeni qbiż tal-baġit
Ittestja l-Għarfien Tiegħek
Ħames mistoqsijiet li jkopru l-katina kollha tal-vuċi, mill-WebSocket sad-dispjegament fil-produzzjoni.
1. Għaliex l-API Realtime tuża WebSocket minflok talbiet HTTP?
Tweġiba: Għax konnessjoni persistenti u bidirezzjonali tippermettilek li tistreamja l-awdjo tal-mikrofon u tirċievi tweġibiet kontinwament, mingħajr ma tħallas l-overhead li tistabbilixxi talba għal kull skambju. Dan huwa l-prerekwiżit għal konversazzjoni b’latenza baxxa.
2. X'għandek tibgħat immedjatament wara `session.created`, u għaliex?
Tweġiba: session.update, immedjatament: dan huwa fejn tikkonfigura l-vuċi, l-istruzzjonijiet, l-għodod, u l-format tal-awdjo. Sakemm din il-messaġġ ma tintbagħatx, is-sessjoni taħdem b’valuri default.
3. Għaliex server proxy huwa essenzjali fil-produzzjoni?
Tweġiba: Jipprevjeni li tesponi l-API key fil-klijent, u jħallik tawtentika lill-utent, tillimita l-konsum, u tirreġistra s-sejħiet—tliet affarijiet impossibbli jekk il-browser jitkellem direttament mal-API.
4. X'inhu l-għan tal-parametru `prompt` fl-API tat-trascrizzjoni?
Tweġiba: Biex tiddirieġi r-rikonoxximent lejn vokabolarju mistenni: ismijiet proprji, marki, ġargon tad-dominju. It-termini li telenka hemm jiġu traskritti b’mod ħafna aktar preċiż.
5. X'inhu l-leva ewlenija għall-latenza perċepita f'aġent tal-vuċi?
Tweġiba: Streaming end-to-end: li tħaddan l-awdjo hekk kif jaslu l-ewwel frammenti minflok ma tistenna t-tweġiba sħiħa, u li timmaniġġja l-interruzzjoni sabiex l-utent ikun jista’ jindaħal fi kwalunkwe ħin.