Receber e reproduzir o áudio da resposta
Nesta página
Reprodução em streaming
Quando o agente de voz gera uma resposta, o áudio chega em fragmentos codificados em base64 (deltas). A sua aplicação tem de os descodificar, colocá-los numa fila e reproduzi-los de forma fluida, para que o utilizador ouça uma resposta contínua, sem interrupções.
Arquitetura do leitor de áudio
O princípio é simples: cada delta de áudio recebido é descodificado e adicionado a uma fila. Um processo de reprodução consome essa fila e envia os dados para a saída de áudio do sistema:
class AudioStreamPlayer {
constructor(sampleRate = 24000) {
this.audioContext = new AudioContext({ sampleRate });
this.queue = [];
this.isPlaying = false;
this.nextPlayTime = 0;
}
enqueue(pcm16ArrayBuffer) {
// Convert PCM16 to Float32 for the 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;
}
}
Ligar aos eventos do WebSocket
Eis como conectar o leitor de áudio aos eventos da 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":
// The user interrupts the agent
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;
}
Gestão de interrupções
Numa conversa natural, o utilizador pode interromper o agente falando por cima da resposta. A sua aplicação tem de gerir essa situação:
- Detetar a interrupção: o evento
speech_startedchega enquanto o áudio está a ser reproduzido. - Parar a reprodução: esvaziar a fila de áudio e interromper o som.
- Cancelar a resposta: enviar
response.cancelpara que o servidor pare de gerar conteúdo. - Ouvir: o utilizador tem a palavra e o ciclo recomeça.
Este mecanismo de «barge-in» (interrupção) é essencial para uma conversa fluida. Sem ele, os utilizadores teriam de esperar que o agente terminasse de falar antes de poderem responder.
Leitor de áudio em Python
Para uma aplicação em Python, pode utilizar a biblioteca pyaudio para a reprodução:
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()
Exibir a transcrição em simultâneo
Enquanto o áudio é reproduzido, pode apresentar a transcrição da resposta em tempo real através dos eventos response.output_audio_transcript.delta. Desta forma, os utilizadores podem ler o que o agente está a dizer, o que é útil em ambientes ruidosos e para fins de acessibilidade:
let currentTranscript = "";
case "response.output_audio_transcript.delta":
currentTranscript += event.delta;
updateTranscriptDisplay(currentTranscript);
break;
Pontos-chave
- O áudio da resposta chega em fragmentos base64 através de
response.output_audio.delta - Utilize uma fila de áudio para garantir uma reprodução contínua, sem falhas
- Gestione as interrupções (barge-in) parando a reprodução e cancelando a resposta
- Apresente a transcrição juntamente com o áudio para melhorar a acessibilidade
- A Web Audio API do navegador requer uma conversão de base64 para PCM16 e depois para Float32