Enviar áudio com input_audio_buffer.append
Nesta página
Transmitir áudio para o servidor
Assim que a sessão estiver configurada, pode começar a transmitir áudio para o servidor. O evento input_audio_buffer.append envia fragmentos de áudio codificados em base64.
Estrutura do evento
{
"type": "input_audio_buffer.append",
"audio": "SGVsbG8gV29ybGQ..."
}
O campo audio contém dados de áudio brutos codificados em base64. O seu formato deve corresponder ao configurado em session.update (por predefinição, PCM little-endian de 16 bits a 24000 Hz).
Capturar áudio no navegador
A API Web Audio do navegador permite capturar o microfone e enviar os dados em tempo real:
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);
}
Capturar áudio em Python
Com a biblioteca pyaudio, pode capturar o microfone e enviar os fragmentos:
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
}))
Tamanho e frequência dos fragmentos
O tamanho do fragmento afeta a latência e o desempenho:
- Fragmentos pequenos (1024 amostras / ~42 ms): latência mínima, mas mais mensagens WebSocket
- Fragmentos médios (4096 amostras / ~170 ms): um bom equilíbrio
- Fragmentos grandes (8192 amostras / ~341 ms): menos mensagens, mas latência perceptível
Para uma conversa natural, envie um fragmento a cada 100 a 200 ms. O VAD do servidor recolhe os dados num buffer interno e processa-os continuamente.
Cancelamento de eco
Se a sua aplicação reproduzir o áudio da resposta através dos altifalantes enquanto o microfone está ativo, necessita de cancelamento de eco. Sem isto, o agente ouvir-se-ia a si próprio e poderia entrar num ciclo de conversa consigo mesmo.
As suas opções:
- Utilizar as opções
echoCancellationenoiseSuppressionda API Web Audio - Silenciar o microfone enquanto o agente estiver a falar
- Utilizar um auricular para isolar a entrada da saída
Pontos-chave
input_audio_buffer.appendenvia fragmentos de áudio codificados em base64- O formato dos dados deve corresponder à configuração da sessão (PCM de 16 bits por predefinição)
- Envie um fragmento a cada 100 a 200 ms para um bom equilíbrio entre latência e desempenho
- A captura de áudio no navegador utiliza a API Web Audio com uma conversão de Float32 para PCM16
- Trate o cancelamento de eco para evitar ciclos de áudio