Ikkonfigura sessjoni tal-vuċi
F'din il-paġna
Aġġornat fit-3 ta’ Novembru 2026, ibbażat fuq il-paġna Speech to Speech ta’ xAI u l-gwida għall-prompting tal-vuċi. Sorsi: Speech to Speech · Prompting Guide.
Il-messaġġ li jistabbilixxi kollox: session.update
Ladarba l-konnessjoni WebSocket tkun miftuħa, xejn ma jiġri għadha. Il-messaġġ session.update huwa dak li jagħti lill-aġent il-personalità tiegħu: il-vuċi li juża, l-istruzzjonijiet li jsegwi, kif jiskopri meta jkun hemm bidla fid-diskors, u liema għodod jista’ jsejjaħ. Ħsieb fih bħaċ-ċertifikat tat-twelid tas-sessjoni. Kollox l-ieħor fil-konversazzjoni jiddependi minnu.
{
"type": "session.update",
"session": {
"instructions": "You are a professional voice assistant for an e-commerce company. Keep your answers short and help customers with their orders.",
"voice": "Ara",
"turn_detection": {
"type": "server_vad"
},
"audio": {
"input": { "format": { "type": "audio/pcm", "rate": 24000 } },
"output": { "format": { "type": "audio/pcm", "rate": 24000 } }
},
"tools": [
{ "type": "web_search" }
]
}
}
Is-server jikkonferma dan b’avveniment session.updated. M’għandekx tibgħat dan il-messaġġ darba biss. Tista’ tibgħatu mill-ġdid fin-nofs tal-konversazzjoni biex tbiddel setting waqt li tkun għaddej, pereżempju biex tbiddel il-vuċi meta s-sejħa tgħaddi mill-bejgħ għas-sostenn tekniku, mingħajr qatt ma taqta’ l-konnessjoni.
Ikteb istruzzjonijiet għall-widna, mhux għall-għajn
Il-qasam instructions jaqdi r-rwol tal-prompt tas-sistema. Użah biex tistabbilixxi l-personalità tal-aġent (formali, każwali, tekniku), it-topiċi li jista’ jkopri, il-limitazzjonijiet fuq it-tweġibiet tiegħu (tul, format, lingwa), u l-kuntest tan-negozju li jeħtieġ: l-isem tal-kumpanija tiegħek, il-firxa ta’ prodotti, u l-proċeduri interni.
Il-problema hija li dak li jagħmel prompt miktub tajjeb spiss jagħmel aġent tal-vuċi ħażin. Jekk jitħalla waħdu, mudell jikteb tweġibiet ta’ għaxar linji. Meta jinqraw għoli, jitwieldu u l-utent jitlif l-interess qabel ma jispiċċaw. Għalhekk, itlob espliċitament tweġibiet qosra u diretti. Jekk l-app tiegħek taħdem f’lingwa waħda, għid liema hi, inkella l-aġent jista’ jbiddel biex jaqbel mal-aċċent ta’ min qed iċempel. U għidlu x’għandu jagħmel meta ma jifhimx: istruzzjoni bħal “agħmel mistoqsija ta’ ċċarar minflok ma tissupponi” tevita li numru tal-ordni mis-moħbi jħeġġeġ tfittxija bla sens. Il-gwida tal-prompting tal-vuċi ta’ xAI tissuġġerixxi anke struttura ta’ ħames partijiet (rwol u personalità, għan, fluss tal-konversazzjoni, limitazzjonijiet u eskalazzjoni, stil tal-vuċi) u tirrakkomanda sentenza jew tnejn qosra għal kull turn, sakemm min iċempel ma jitlobx aktar dettalji.
Skoperta tat-turn (Turn detection)
Il-blokk turn_detection jiddeċiedi min jitkellem u meta, u d-dokumentazzjoni ta’ xAI tipprovdi biss żewġ settings għalih. L-ewwel huwa type. Fil-modalità "server_vad", is-server jiskopri waħdu t-tmiem ta’ kull kelma, jikkonferma l-awdjo, jibda r-risposta, u jimmaniġġja l-interruzzjonijiet: kollox ma tagħmilx huwa tibgħat awdjo b’input_audio_buffer.append. It-tieni setting, idle_timeout_ms, huwa fakultattiv. Jekk l-utent jibqa’ sieket għal dak in-numru ta’ millisekondi wara risposta, is-server iħeġġu, u jerġa’ jagħmel hekk wara kull silenzju ġdid tal-istess tul.
{
"turn_detection": { "type": "server_vad", "idle_timeout_ms": 8000 }
}
M’hemm l-ebda limitu ta’ sensittività jew tul ta’ silenzju biex taġġusta. Il-parametri threshold, silence_duration_ms, u prefix_padding_ms li tara f’eżempji miktuba għall-API Realtime ta’ OpenAI ma jidhrux fid-dokumentazzjoni ta’ xAI.
Jekk l-imġiba awtomatika ma taqbilx miegħek, issettja t-tip għal null u ħu l-kontroll. Imbagħad ikun f’idejk li tibbufferja l-awdjo b’input_audio_buffer.append, tikkonferma t-turn espliċitament b’input_audio_buffer.commit, u tħeġġeġ il-ġenerazzjoni b’response.create. Il-modalità manwali hija l-għażla t-tajba għal interfaċċa push-to-talk, jew kull meta trid kontroll preċiż fuq meta jitkellem l-aġent.
Agħżel il-format tal-awdjo t-tajjeb
Il-blokk audio jistabbilixxi l-formats tal-input u tal-output b’mod indipendenti:
{
"audio": {
"input": { "format": { "type": "audio/pcm", "rate": 24000 } },
"output": { "format": { "type": "audio/pcm", "rate": 24000 } }
}
}
Erba’ tipi huma aċċettati. Jekk ma tispeċifikax wieħed, tikseb PCM f’24,000 Hz:
| Tip | Kodifika | Rati tal-kampjun |
|---|---|---|
audio/pcm | PCM Linear16, little-endian | 8000, 16000, 22050, 24000, 32000, 44100, 48000 Hz |
audio/pcmu | G.711 mu-law (telefonija tal-Amerika ta’ Fuq) | 8000 Hz biss |
audio/pcma | G.711 A-law (telefonija Ewropea) | 8000 Hz biss |
audio/opus | Opus, pakkett wieħed kull messaġġ | 24000 Hz |
Il-kanal ta’ konsenja tiegħek jiddeċiedi. Applikazzjoni web f’browser taħdem tajjeb b’PCM ta’ 24,000 Hz, bilanċ tajjeb bejn il-kwalità perċepita u l-banda. Integrazzjoni ma’ telefon SIP m’għandha l-ebda għażla: in-netwerk iġorr G.711 f’8,000 Hz, u li tiforza format ta’ kwalità ogħla fuqu biss iżżid konverżjoni bla sens.
Agħti għodod lill-aġent
L-array tools jelenka x’jista’ jsejjaħ l-aġent matul il-konversazzjoni, u tista’ tħallat tipi differenti fl-istess sessjoni:
{
"tools": [
{ "type": "web_search" },
{ "type": "x_search", "allowed_x_handles": ["gaborit_music"] },
{
"type": "function",
"name": "get_order_status",
"parameters": {
"type": "object",
"properties": {
"order_id": { "type": "string" }
},
"required": ["order_id"]
}
}
]
}
Int tipprovdi l-kaxxa tal-għodod; l-aġent jagħżel l-għodda. Hekk kif il-konversazzjoni timxi ‘l quddiem, jiddeċiedi li mistoqsija dwar l-aħbarijiet teħtieġ tfittxija fuq il-web, filwaqt li numru tal-ordni jsejjaħ get_order_status. Allura x-xogħol tiegħek huwa inqas dwar l-organizzazzjoni tas-sejħiet u aktar dwar id-deskrizzjoni ċara ta’ kull għodda, sabiex l-aġent jagħmel l-għażla t-tajba.
Punti Ewlenin
- Il-messaġġ
session.updatejikkonfigura l-vuċi, l-istruzzjonijiet, il-VAD, u l-għodod - Il-VAD fuq in-naħa tas-server (
server_vad) jiskopri t-turns u jimmaniġġja l-interruzzjonijiet;idle_timeout_mshuwa l-uniku setting - Il-modalità manwali (
turn_detection.typeissettjat għalnull) tagħtik kontroll preċiż, pereżempju ma’ push-to-talk - Il-formats tal-awdjo PCM, G.711, u Opus ikopru kemm każijiet ta’ użu web kif ukoll tat-telefonija
- Tista’ tbiddel il-konfigurazzjoni fin-nofs tas-sessjoni mingħajr ma taqta’ l-konnessjoni