Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Formatos de áudio e otimização

Aula 14 de 14 Atualizada a 29 de julho de 2026 Intermediario
Nesta página
  1. Escolha o formato certo para cada contexto
  2. Codecs suportados
  3. Taxas de amostragem
  4. Taxas de bits MP3
  5. Converter áudio em Python
  6. Otimize para o destino
  7. Gerir memória no navegador
  8. Interpretar códigos de erro TTS
  9. Pontos-chave
  10. Verifique a sua compreensão

Escolha o formato certo para cada contexto

O formato de áudio é uma daquelas definições que trata à pressa no início e de que se arrepende depois. No entanto, ele determina a qualidade percebida, a largura de banda consumida em cada reprodução e a compatibilidade com a sua plataforma de destino. Um podcast entregue como PCM bruto faz explodir os seus custos de distribuição, e um fluxo de telefone a 24.000 Hz será transcodificado pelo caminho, com toda a degradação que isso implica. Esta lição revê os formatos disponíveis e como escolher entre eles.

Codecs suportados

CodecTipo MIMECompressãoUtilização principal
mp3audio/mpegCom perdasWeb, telemóvel, podcasts
wavaudio/wavSem perdasPós-produção, arquivamento
pcmaudio/pcmNenhuma (bruto)Pipelines de áudio, Voice Agent
mulawaudio/basicLogarítmicaTelefonia (Américas, Japão)
alawaudio/alawLogarítmicaTelefonia (Europa, internacional)

O MP3 cobre a maior parte da distribuição para consumidores. O WAV destina-se a áudio que ainda precisa de edição ou que deve ser mantido sem perdas. O PCM é o formato de troca de pipelines em tempo real, incluindo o Voice Agent, porque não custa nada descodificar. O Mu-law e o A-law existem apenas para telefonia e não têm razão para aparecer noutro lugar.

Taxas de amostragem

A taxa de amostragem define a granularidade do sinal: quanto maior for, melhores são as altas frequências que passam, e maior é o ficheiro.

Taxa de amostragemQualidadeUtilização
8.000 HzTelefoniaVoIP, SIP, G.711
16.000 HzVoz de banda largaTranscrição, reconhecimento de voz
22.050 HzRádio FMPodcasts, notificações
24.000 HzPadrão TTS (predefinição)Uso geral
44.100 HzÁudio CDProdução musical, audiolivros
48.000 HzVídeo/broadcastPós-produção, radiodifusão

Na prática, três casos resolvem a questão. A telefonia exige 8.000 Hz, sem discussão: é o que o G.711 exige. A web e o telemóvel funcionam bem com os 24.000 Hz predefinidos, o melhor equilíbrio entre qualidade e largura de banda para voz. O trabalho de produção, como um audiolivro ou uma banda sonora de vídeo, justifica 44.100 ou 48.000 Hz, porque o ficheiro será misturado, normalizado e possivelmente recodificado, e cada passo consome um pouco de qualidade.

Taxas de bits MP3

Com o codec MP3, a taxa de bits define a compressão e, portanto, o tamanho final do ficheiro.

Taxa de bitsQualidadeTamanho para 1 min
32.000 bpsBaixa~240 KB
64.000 bpsMédia~480 KB
96.000 bpsBoa~720 KB
128.000 bps (predefinição)Muito boa~960 KB
192.000 bpsExcelente~1,4 MB

A voz ocupa apenas uma pequena parte do espetro: 128 kbps já a reproduz muito bem, e subir para 192 kbps torna o seu catálogo metade mais pesado sem que nenhum ouvinte note a diferença em conteúdo falado. Guarde esse nível superior para produções premium ou passagens musicais.

Converter áudio em Python

O Voice Agent entrega PCM bruto, codificado em base64, e duas conversões surgem em quase todos os projetos. A primeira transforma esse fluxo num array numpy normalizado entre -1 e 1, o formato que a maioria das bibliotecas de processamento de sinal espera, e faz o caminho inverso para enviar áudio de volta à API.

import base64
import numpy as np

def base64_to_audio(base64_audio: str) -> np.ndarray:
    audio_bytes = base64.b64decode(base64_audio)
    audio_int16 = np.frombuffer(audio_bytes, dtype=np.int16)
    return audio_int16.astype(np.float32) / 32768.0

def audio_to_base64(audio_data: np.ndarray) -> str:
    audio_int16 = (audio_data * 32767).astype(np.int16)
    return base64.b64encode(audio_int16.tobytes()).decode("utf-8")

A segunda envolve o PCM num contentor WAV. Sem esse cabeçalho, um leitor de áudio não sabe quantos canais existem nem qual a taxa de amostragem a assumir, e ou recusará o ficheiro ou reproduzi-lo-á à velocidade errada.

import wave

def pcm_to_wav(pcm_data: bytes, sample_rate: int = 24000) -> bytes:
    import io
    buffer = io.BytesIO()
    with wave.open(buffer, "wb") as wf:
        wf.setnchannels(1)
        wf.setsampwidth(2)  # 16-bit
        wf.setframerate(sample_rate)
        wf.writeframes(pcm_data)
    return buffer.getvalue()

Otimize para o destino

Para uma aplicação web, mantenha-se no MP3 a 128 kbps e 24.000 Hz para TTS e PCM a 24.000 Hz para o Voice Agent, que exige streaming bidirecional. Converta os seus ativos de áudio estáticos, como jingles e mensagens pré-gravadas, para MP3 de uma vez por todas, em vez de servir WAV a todos os visitantes.

Para telefonia, mantenha-se estritamente no G.711 a 8.000 Hz e configure o Voice Agent diretamente nesse formato: qualquer transcodificação em tempo real adiciona latência onde não tem margem para isso.

Para armazenamento, separe o arquivamento da distribuição: o mestre permanece em WAV a 24.000 Hz, pronto para ser retrabalhado, e distribui MP3 a 128 kbps, que é muito mais leve. O mesmo conteúdo, dois ficheiros, dois propósitos.

Gerir memória no navegador

Durante a reprodução em streaming, cada chamada a URL.createObjectURL reserva memória que o navegador não liberta por si só. Numa sessão longa, estes URLs acumulam-se até o separador ficar extremamente lento. Revogue o anterior antes de criar um novo:

let currentBlobUrl = null;

function playAudioChunk(base64Data) {
  // Libertar o URL anterior
  if (currentBlobUrl) {
    URL.revokeObjectURL(currentBlobUrl);
  }

  const audioBuffer = Uint8Array.from(atob(base64Data), c => c.charCodeAt(0));
  const blob = new Blob([audioBuffer], { type: "audio/pcm" });
  currentBlobUrl = URL.createObjectURL(blob);
  // Reproduzir o áudio...
}

Interpretar códigos de erro TTS

CódigoSignificadoAção
200SucessoÁudio no corpo da resposta
400Pedido inválidoVerifique o texto, o codec e a taxa de amostragem
401Não autorizadoVerifique a chave da API
429Cota excedidaImplemente backoff exponencial
500/503Erro do servidorTente novamente com backoff

Os erros 400 corrigem-se no seu código e não desaparecem sozinhos: provêm de um parâmetro incompatível, tipicamente uma taxa de amostragem que o codec escolhido não aceita. Os erros 429 e 5xx, por outro lado, exigem a mesma resposta: backoff exponencial, com atrasos que duplicam em cada tentativa. Um ciclo de repetição imediata só piora as coisas ao sobrecarregar a cota que acabou de exceder.

Pontos-chave

  • Estão disponíveis cinco codecs: MP3, WAV, PCM, mu-law e A-law, cada um adequado a um contexto específico
  • A taxa de amostragem predefinida é 24.000 Hz; use 8.000 Hz para telefonia e 44.100 Hz ou superior para produção
  • O MP3 a 128 kbps oferece o melhor compromisso qualidade-tamanho para voz falada
  • Gerir URLs de Blob no navegador para evitar fugas de memória
  • Implementar backoff exponencial para lidar com erros 429 (limitação de taxa) e 5xx

Verifique a sua compreensão

Voice Agent e TTS: voz de ponta a ponta, em cinco perguntas.

1. Como funciona uma sessão de Voice Agent?

Resposta: Através de um WebSocket em tempo real. Configura a sessão (voz, personalidade, instruções) e, em seguida, os eventos fluem nos dois sentidos: o áudio do utilizador numa direção e as respostas faladas do agente na outra.

2. O que é que a chamada de funções torna possível na voz?

Resposta: O agente de voz chama as suas ferramentas no meio da conversa para consultar uma conta, fazer uma reserva ou tomar uma ação. A voz torna-se uma interface completa, não apenas uma máquina de ditado.

3. O que é que as etiquetas expressivas TTS adicionam?

Resposta: Controlo sobre a fala: entoação, pausas, ênfase. A síntese deixa de soar monótona e segue a intenção do texto, em todas as línguas suportadas.

4. Porque é que os tokens efémeros são importantes?

Resposta: Permitem que o cliente (navegador ou aplicação móvel) se ligue ao serviço de voz sem expor a sua chave principal da API. As credenciais têm vida curta, estão limitadas a uma sessão de voz e expiram por si só, o que torna a voz em tempo real segura.

5. O que é que os formatos de áudio lhe permitem controlar?

Resposta: O compromisso entre qualidade, latência e largura de banda: escolher o formato e a taxa de amostragem adequados ao canal (web, telefonia SIP, LiveKit). É a otimização que o leva à linha de chegada.

Sessão, ferramentas, expressividade, segurança, formatos: o assistente de voz completo neste curso reúne todos os cinco, e o seu seguirá o mesmo plano.