Ibgħat l-awdjo b'input_audio_buffer.append
F'din il-paġna
Istraċċja l-awdjo lejn is-server
Ladarba s-sessjoni tkun ikkonfigurata, tista’ tibda tistraċċja l-awdjo lejn is-server. L-avveniment input_audio_buffer.append jibgħat biċċiet tal-awdjo kodifikati f’base64.
Struttura tal-avveniment
{
"type": "input_audio_buffer.append",
"audio": "SGVsbG8gV29ybGQ..."
}
Il-qasam audio fih dejta tal-awdjo mhux ipproċessata kodifikata f’base64. Il-format tiegħu għandu jaqbel ma’ dak ikkonfigurat f’session.update (b’mod predefinit, PCM ta’ 16-il bit little-endian f’24000 Hz).
Aqbad l-awdjo fil-browser
L-API Web Audio tal-browser tippermettilek taqbad il-mikrofonu u tibgħat id-dejta f’ħin reali:
async function startCapture(ws) {
const stream = await navigator.mediaDevices.getUserMedia({
audio: {
sampleRate: 24000,
channelCount: 1,
echoCancellation: true,
noiseSuppression: true
}
});
const audioContext = new AudioContext({ sampleRate: 24000 });
const source = audioContext.createMediaStreamSource(stream);
const processor = audioContext.createScriptProcessor(4096, 1, 1);
processor.onaudioprocess = (event) => {
const inputData = event.inputBuffer.getChannelData(0);
const pcm16 = float32ToPCM16(inputData);
const base64 = arrayBufferToBase64(pcm16.buffer);
ws.send(JSON.stringify({
type: "input_audio_buffer.append",
audio: base64
}));
};
source.connect(processor);
processor.connect(audioContext.destination);
}
function float32ToPCM16(float32Array) {
const pcm16 = new Int16Array(float32Array.length);
for (let i = 0; i < float32Array.length; i++) {
const s = Math.max(-1, Math.min(1, float32Array[i]));
pcm16[i] = s < 0 ? s * 0x8000 : s * 0x7FFF;
}
return pcm16;
}
function arrayBufferToBase64(buffer) {
const bytes = new Uint8Array(buffer);
let binary = "";
for (let i = 0; i < bytes.byteLength; i++) {
binary += String.fromCharCode(bytes[i]);
}
return btoa(binary);
}
Aqbad l-awdjo f’Python
Bil-librerija pyaudio, tista’ taqbad il-mikrofonu u tibgħat il-biċċiet:
import pyaudio
import base64
import json
RATE = 24000
CHUNK = 4096
FORMAT = pyaudio.paInt16
CHANNELS = 1
p = pyaudio.PyAudio()
stream = p.open(
format=FORMAT,
channels=CHANNELS,
rate=RATE,
input=True,
frames_per_buffer=CHUNK
)
async def send_audio(ws):
while True:
data = stream.read(CHUNK, exception_on_overflow=False)
audio_b64 = base64.b64encode(data).decode("utf-8")
await ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": audio_b64
}))
Daqs tal-biċċa u frekwenza
Id-daqs tal-biċċa jaffettwa l-latenza u l-prestazzjoni:
- Biċċiet żgħar (1024 kampjun / ~42 ms): latenza minima, iżda aktar messaġġi WebSocket
- Biċċiet medji (4096 kampjun / ~170 ms): kompromess tajjeb
- Biċċiet kbar (8192 kampjun / ~341 ms): inqas messaġġi, iżda latenza notevoli
Għal konversazzjoni naturali, ibgħat biċċa kull 100 sa 200 ms. Is-VAD tas-server jiġbor id-dejta f’buffer intern u jipproċessaha kontinwament.
Kanċellazzjoni tal-eku
Jekk l-app tiegħek idoqq l-awdjo tar-risposta permezz tal-ispikers waqt li l-mikrofonu jkun mixgħul, għandek bżonn kanċellazzjoni tal-eku. Mingħajrha, l-aġent jisma’ lilu nnifsu jitkellem u jista’ jispiċċa f’loop ta’ konversazzjoni miegħu nnifsu.
L-għażliet tiegħek:
- Uża l-għażliet
echoCancellationunoiseSuppressiontal-API Web Audio - Itfi l-mikrofonu waqt li l-aġent ikun qed jitkellem
- Uża headset biex tiżola l-input mill-output
Punti Ewlenin
input_audio_buffer.appendjibgħat biċċiet tal-awdjo kodifikati f’base64- Il-format tad-dejta għandu jaqbel mal-konfigurazzjoni tas-sessjoni (PCM ta’ 16-il bit b’mod predefinit)
- Ibghat biċċa kull 100 sa 200 ms għal bilanċ tajjeb bejn il-latenza u l-prestazzjoni
- Il-qbid tal-awdjo fil-browser juża l-API Web Audio b’konverżjoni minn Float32 għal PCM16
- Immaniġġja l-kanċellazzjoni tal-eku biex tevita loops tal-awdjo