Przejdź do głównej treści
Polski— Wybierz język
Menu

Odbieranie i odtwarzanie odpowiedzi audio

Lekcja 11 z 16 Zaktualizowano 30 lipca 2026 Programista
Na tej stronie
  1. Odtwarzanie strumieniowe
  2. Architektura odtwarzacza audio
  3. Podpięcie pod zdarzenia WebSocket
  4. Obsługa przerwań
  5. Odtwarzacz audio w Pythonie
  6. Wyświetlanie transkrypcji obok audio
  7. Kluczowe wnioski

Odtwarzanie strumieniowe

Gdy agent głosowy generuje odpowiedź, dźwięk dociera w postaci zakodowanych w base64 fragmentów (delt). Twoja aplikacja musi je zdekodować, umieścić w kolejce i odtworzyć płynnie, aby użytkownik usłyszał jedną ciągłą odpowiedź bez przerw.

Architektura odtwarzacza audio

Zasada jest prosta: każda otrzymana delta audio jest dekodowana i dodawana do kolejki. Proces odtwarzania pobiera dane z kolejki i wysyła je do wyjścia audio systemu:

class AudioStreamPlayer {
  constructor(sampleRate = 24000) {
    this.audioContext = new AudioContext({ sampleRate });
    this.queue = [];
    this.isPlaying = false;
    this.nextPlayTime = 0;
  }

  enqueue(pcm16ArrayBuffer) {
    // Konwersja PCM16 na Float32 dla 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;
  }
}

Podpięcie pod zdarzenia WebSocket

Oto sposób podłączenia odtwarzacza audio do zdarzeń 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":
      // Użytkownik przerywa działanie agenta
      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;
}

Obsługa przerwań

W naturalnej rozmowie użytkownik może przerwać agenta, zaczynając mówić w trakcie jego odpowiedzi. Twoja aplikacja musi to obsłużyć:

  1. Wykryj przerwanie: zdarzenie speech_started nadchodzi podczas odtwarzania audio.
  2. Zatrzymaj odtwarzanie: wyczyść kolejkę audio i wyłącz dźwięk.
  3. Anuluj odpowiedź: wyślij response.cancel, aby serwer zaprzestał generowania.
  4. Słuchaj: użytkownik przejmuje głos i cykl zaczyna się od nowa.

Mechanizm ten, zwany „barge-in“, jest kluczowy dla płynności rozmowy. Bez niego użytkownicy musieliby czekać, aż agent skończy mówić, zanim będą mogli odpowiedzieć.

Odtwarzacz audio w Pythonie

W aplikacji Pythonowej możesz użyć biblioteki pyaudio do odtwarzania:

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()

Wyświetlanie transkrypcji obok audio

Podczas odtwarzania dźwięku możesz wyświetlać transkrypcję odpowiedzi w czasie rzeczywistym, korzystając ze zdarzeń response.output_audio_transcript.delta. Użytkownicy mogą wtedy czytać to, co mówi agent, co pomaga w hałaśliwym otoczeniu i zwiększa dostępność:

let currentTranscript = "";

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

Kluczowe wnioski

  • Audio odpowiedzi dociera jako fragmenty zakodowane w base64 poprzez response.output_audio.delta.
  • Użyj kolejki audio, aby zagwarantować ciągłe odtwarzanie bez przerw.
  • Obsługuj przerwania (barge-in), zatrzymując odtwarzanie i anulując odpowiedź.
  • Wyświetlaj transkrypcję obok audio, aby poprawić dostępność.
  • Web Audio API w przeglądarce wymaga konwersji z base64 na PCM16, a następnie na Float32.