Odbieranie i odtwarzanie odpowiedzi audio
Na tej stronie
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:
- Wykryj przerwanie: zdarzenie
speech_startednadchodzi podczas odtwarzania audio. - Zatrzymaj odtwarzanie: wyczyść kolejkę audio i wyłącz dźwięk.
- Anuluj odpowiedź: wyślij
response.cancel, aby serwer zaprzestał generowania. - 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.