Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Irċievi u daqqar l-awdjo tar-rispons

Lezzjoni 11 / 16 Aġġornat 30 ta’ Lulju 2026 Zviluppatur
F'din il-paġna
  1. Riproduzzjoni f’ħin reali (Streaming)
  2. Arkitettura tal-plejer tal-awdjo
  3. Ikkonnettjah mal-avvenimenti tal-WebSocket
  4. Kif timmaniġġja l-interruzzjonijiet
  5. Plejer tal-awdjo f’Python
  6. Uri t-traskrizzjoni mal-awdjo
  7. Punti Ewlenin

Riproduzzjoni f’ħin reali (Streaming)

Meta l-aġent bil-vuċi jiġġenera rispons, l-awdjo jasal f’biċċiet kodifikati f’base64 (deltas). L-app tiegħek trid tiddekodjahom, tqiegħdhom f’kju (queue), u tdaqqarhom b’mod fluwidu biex l-utent jisma’ rispons wieħed kontinwu mingħajr ebda vojt.

Arkitettura tal-plejer tal-awdjo

Il-prinċipju huwa sempliċi: kull delta tal-awdjo li tirċievi tiġi ddekodjata u miżjuda ma’ kju. Proċess ta’ riproduzzjoni jikkonsma l-kju u jibgħat id-data lejn l-output tal-awdjo tas-sistema:

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;
  }
}

Ikkonnettjah mal-avvenimenti tal-WebSocket

Hekk tikkonnettja l-plejer tal-awdjo mal-avvenimenti tal-API:

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;
}

Kif timmaniġġja l-interruzzjonijiet

F’konversazzjoni naturali, l-utent jista’ jinterrompi l-aġent billi jitkellem fuq ir-rispons tiegħu. L-app tiegħek trid timmaniġġja dan:

  1. Skopri l-interruzzjoni: l-avveniment speech_started jasal waqt li l-awdjo qed jindaqqar.
  2. Waqqaf ir-riproduzzjoni: ibattal il-kju tal-awdjo u waqqaf il-ħoss.
  3. Ikkanċella r-rispons: ibgħat response.cancel biex is-server jieqaf jiġġenera.
  4. Isma’: l-utent għandu l-kelma, u ċ-ċiklu jerġa’ jibda.

Dan il-mekkaniżmu ta’ “barge-in” huwa essenzjali għal konversazzjoni fluwida. Mingħajru, l-utenti jkollhom jistennew sakemm l-aġent jispiċċa jitkellem qabel ma jkunu jistgħu jwieġbu.

Plejer tal-awdjo f’Python

Għal app f’Python, tista’ tuża pyaudio għar-riproduzzjoni:

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()

Uri t-traskrizzjoni mal-awdjo

Waqt li l-awdjo jindaqqar, tista’ turi t-traskrizzjoni tar-rispons f’ħin reali bl-użu tal-avvenimenti response.output_audio_transcript.delta. L-utenti jistgħu jaqraw dak li qed jgħid l-aġent, li jgħin f’ambjenti storbjużi u għall-aċċessibbiltà:

let currentTranscript = "";

case "response.output_audio_transcript.delta":
  currentTranscript += event.delta;
  updateTranscriptDisplay(currentTranscript);
  break;

Punti Ewlenin

  • L-awdjo tar-rispons jasal f’biċċiet base64 permezz ta’ response.output_audio.delta
  • Uża kju tal-awdjo biex tiggarantixxi riproduzzjoni kontinwa mingħajr vojtijiet
  • Immaniġġja l-interruzzjonijiet (barge-in) billi twaqqaf ir-riproduzzjoni u tikkanċella r-rispons
  • Uri t-traskrizzjoni mal-awdjo biex ittejjeb l-aċċessibbiltà
  • L-API tal-Awdjo tal-Web tal-browser teħtieġ konverżjoni minn base64 għal PCM16 u mbagħad għal Float32