VAD: rilevament awtomatiku tad-diskors
F'din il-paġna
Aġġornat fit-3 ta’ Novembru 2026, ibbażat fuq il-paġna Speech to Speech ta’ xAI u r-referenza tal-API tal-Vuċi: ir-rilevament tad-dawra (turn detection) jiġi stabbilit b’
turn_detection.type("server_vad"jewnull) u, opzjonalment,turn_detection.idle_timeout_ms. Sorsi: Speech to Speech · Voice API.
Kif jaħdem ir-rilevament tad-dawra
F’konversazzjoni bil-vuċi, is-sistema trid tkun taf meta l-utent jibda jitkellem u meta jieqaf. Din hija l-kompitu tal-VAD (rilevament tal-attività tal-vuċi). L-API tal-Aġent tal-Vuċi ta’ xAI tipprovdi VAD fuq is-server, server_vad: is-server janalizza l-fluss tal-awdjo, jinduna t-tmiem ta’ kull kelma, u jattiva r-risposta waħdu.
Żewġ modi, qasam wieħed
Inti tagħżel il-mod fl-oġġett turn_detection ta’ session.update:
{
"type": "session.update",
"session": {
"turn_detection": { "type": "server_vad" }
}
}
turn_detection.type | Min jiddeċiedi meta tintemm id-dawra | X tibgħat int |
|---|---|---|
"server_vad" | Is-server | input_audio_buffer.append, xejn aktar |
null | Inti | input_audio_buffer.append, imbagħad input_audio_buffer.commit u response.create |
Fil-mod server_vad, is-server jaqsam id-dawriet, jikkonferma l-awdjo, u jibda r-risposta. L-interruzzjonijiet jiġu ġestiti awtomatikament ukoll: xAI jirrakkomanda dan il-mod għal skambju naturali ta’ kliem, meta l-utent jaqta’ lill-aġent f’nofs sentenza. Madankollu, id-dokumentazzjoni ma toffri l-ebda setting għas-sensittività jew għat-tul tas-skiet: il-qsim tad-dawriet huwa affari tas-server.
Avvenimenti tal-VAD
B’server_vad, is-server jirrapporta kull tranżizzjoni:
input_audio_buffer.speech_started: il-VAD induna l-bidu tad-diskors;input_audio_buffer.speech_stopped: induna t-tmiem;input_audio_buffer.committed: l-awdjo ġie kkonfermat bħala l-messaġġ tal-utent.
ws.on("message", (data) => {
const event = JSON.parse(data);
switch (event.type) {
case "input_audio_buffer.speech_started":
stopPlayback(); // l-utent qed jitkellem: waqqaf l-awdjo tal-aġent diġà riċevut
break;
case "input_audio_buffer.speech_stopped":
showThinking(); // tmiem tad-diskors induna: ir-risposta qed tiġi
break;
}
});
Fuq in-naħa tas-server, l-interruzzjoni hija awtomatika; fuq in-naħa tal-klijent, l-awdjo li diġà rċevejt ikompli jindaqq jekk ma twaqqafx. speech_started huwa l-mument it-tajjeb biex tbattal il-kju tal-playback tiegħek.
Stimula utent sieket: idle_timeout_ms
L-uniku setting iddokumentat madwar il-VAD, idle_timeout_ms, jagħmel lill-aġent jerġa’ jħaddem il-konversazzjoni meta l-utent isir sieket wara risposta:
{
"type": "session.update",
"session": {
"turn_detection": { "type": "server_vad", "idle_timeout_ms": 8000 }
}
}
Jekk ma jiġi induna l-ebda diskors għal dak iż-żmien wara li tispiċċa risposta, is-server jemetti input_audio_buffer.timeout_triggered, jikkonferma dawra silenzjuża tal-utent, u jiġġenera kontroll (check-in). It-tajmer jiġi rriżettjat wara kull risposta, allura jaħdem mill-ġdid kull idle_timeout_ms sakemm l-utent ma jgħid xejn. Huwa mitfi b’mod default (null). Fuq ċentralin tat-telefon, kontroll wara ftit sekondi jipprevjeni li s-skiet jittawwal wisq; ikteb il-frażi ta’ segwitu li l-aġent għandu juża fl-istruzzjonijiet tiegħek.
Mod manwali: turn_detection.type stabbilit għal null
Għal interfaċċa “agħfas biex titkellem” (push-to-talk), jew kull meta trid tiddeċiedi int meta tintemm dawra, stabbilixxi t-tip għal null:
{
"type": "session.update",
"session": {
"turn_detection": { "type": null }
}
}
Imbagħad tibgħat l-awdjo b’input_audio_buffer.append u, meta l-utent jirrilaxxa l-buttuna, tibgħat input_audio_buffer.commit biex tikkonferma d-dawra u response.create biex titlob ir-risposta. input_audio_buffer.commit huwa disponibbli biss fil-mod manwali. input_audio_buffer.clear jarmi l-awdjo li ntbagħat iżda għadu ma ġiex ikkonfermat, u response.cancel iwaqqaf risposta għaddejja, peress li l-interruzzjoni m’għadhiex awtomatika fil-mod manwali.
Agħżel il-mod tiegħek
- Konversazzjoni fluwida (assistent, ċentralin tat-telefon, kjosk):
server_vad, b’idle_timeout_msbiex tistimula lill-utenti sikta jekk ikun meħtieġ - Walkie-talkie, dettatura, ambjenti b’ħafna storbju: mod manwali, fejn it-tmiem tad-dawra jsegwi lill-buttuna u l-istorbju tal-isfond ma jattiva xejn
Punti Ewlenin
turn_detection.typehuwa jew"server_vad"(is-server jaqsam id-dawriet u jimmaniġġja l-interruzzjonijiet) jewnull(mod manwali)- Id-dokumentazzjoni ta’ xAI ma toffri l-ebda limitu ta’ sensittività jew tul ta’ skiet biex taġġusta
speech_started,speech_stopped, ucommittedjirrapportaw it-tranżizzjonijiet tal-VADidle_timeout_msjistimula utent sieket, bl-avvenimentinput_audio_buffer.timeout_triggered- Fil-mod manwali:
append, imbagħadcommituresponse.create