Irċievi u daqqar l-awdjo tar-rispons
F'din il-paġna
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:
- Skopri l-interruzzjoni: l-avveniment
speech_startedjasal waqt li l-awdjo qed jindaqqar. - Waqqaf ir-riproduzzjoni: ibattal il-kju tal-awdjo u waqqaf il-ħoss.
- Ikkanċella r-rispons: ibgħat
response.cancelbiex is-server jieqaf jiġġenera. - 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