Obojsmerné streamovanie zvuku
Na tejto strane
Aktualizované 2. novembra 2026 — Zvukové modely. Niektoré modely v tomto kurze sú zastarané:
tts-1,tts-1-hdagpt-4o-mini-ttsprestanú fungovať 6. januára 2027 (uvedenou náhradou jegpt-realtime-2.1-mini, ktorý podľa sprievodcu OpenAI TTS nie je podporovaný rozhraním/v1/audio/speech: migrácia syntézy reči prechádza na Realtime API);gpt-realtime,gpt-4o-realtimea staršie zvukové modely 20. januára 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribea/v1/audio/translations26. februára 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Pre plno duplexný hlas je GPT-Live 1 dostupný v API od 10. septembra 2026.
Obojsmerné streamovanie zvuku
Obojsmerné streamovanie zvuku je jadrom Realtime API. Nepretržite odosielaš zvukové časti z mikrofónu a model ti nepretržite vracia časti odpovede. Tieto dva toky sú nezávislé a môžu fungovať súčasne – práve to dodáva konverzácii prirodzený pocit.
Zvukový formát PCM16
Realtime API používa formát 24 kHz mono 16-bit PCM. Ide o surový, nekomprimovaný formát: každá vzorka je 16-bitové celé číslo so znamienkom. Táto voľba uprednostňuje nízku latenciu pred efektivitou šírky pásma.
Zvukové časti sa odosielajú kódované v Base64 v rámci JSON udalostí. Každá časť zvyčajne predstavuje 20 až 100 ms zvuku.
Odosielanie zvuku: Záznam z mikrofónu
Takto zachytíš mikrofón a streamuješ zvuk:
import asyncio
import sounddevice as sd
import numpy as np
import base64
import json
SAMPLE_RATE = 24000
CHUNK_DURATION_MS = 100
CHUNK_SIZE = int(SAMPLE_RATE * CHUNK_DURATION_MS / 1000)
async def stream_microphone(ws):
"""Capture the microphone and send chunks to the Realtime API."""
loop = asyncio.get_event_loop()
audio_queue = asyncio.Queue()
def audio_callback(indata, frames, time_info, status):
if status:
print(f"Audio warning: {status}")
# Convert to int16 and enqueue
pcm_data = (indata[:, 0] * 32767).astype(np.int16)
loop.call_soon_threadsafe(audio_queue.put_nowait, pcm_data)
# Start capture
stream = sd.InputStream(
samplerate=SAMPLE_RATE,
channels=1,
dtype="float32",
blocksize=CHUNK_SIZE,
callback=audio_callback
)
with stream:
print("Microphone active — speak now...")
while True:
pcm_data = await audio_queue.get()
audio_b64 = base64.b64encode(pcm_data.tobytes()).decode("utf-8")
await ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": audio_b64
}))
Zvuková vyrovnávacia pamäť na strane servera
Časti odoslané prostredníctvom input_audio_buffer.append sa hromadia vo vyrovnávacej pamäti na serveri. Táto pamäť sa spracúva dvoma spôsobmi:
- Režim automatickej VAD (
server_vad): Server zistí, keď prestaneš hovoriť, a automaticky potvrdí vyrovnávaciu pamäť. - Manuálny režim: Explicitne odošleš
input_audio_buffer.commit, aby sa spustilo spracovanie.
# Manually commit the audio buffer
await ws.send(json.dumps({
"type": "input_audio_buffer.commit"
}))
# Or clear the buffer without processing it
await ws.send(json.dumps({
"type": "input_audio_buffer.clear"
}))
Prijímanie odpovede v zvukovej forme
Zvukové odpovede prichádzajú v častiach prostredníctvom udalostí response.output_audio.delta. Musíš ich nepretržite dekódovať a prehrávať:
import pyaudio
async def play_response_audio(ws):
"""Receive and play response audio."""
pa = pyaudio.PyAudio()
player = pa.open(
format=pyaudio.paInt16,
channels=1,
rate=SAMPLE_RATE,
output=True,
frames_per_buffer=CHUNK_SIZE
)
try:
async for raw_message in ws:
event = json.loads(raw_message)
if event["type"] == "response.output_audio.delta":
# Decode the Base64 audio chunk
audio_bytes = base64.b64decode(event["delta"])
player.write(audio_bytes)
elif event["type"] == "response.output_audio.done":
print("Audio response finished")
elif event["type"] == "response.output_audio_transcript.delta":
# Text transcription of the response
print(event["delta"], end="", flush=True)
finally:
player.stop_stream()
player.close()
pa.terminate()
Kompletná aplikácia: Hlasová konverzácia
Takto poskladáš záznam a prehrávanie do úplnej konverzácie:
async def conversation_vocale():
headers = {
"Authorization": f"Bearer {OPENAI_API_KEY}"
}
async with websockets.connect(URL, additional_headers=headers) as ws:
# Wait for session.created
await ws.recv()
# Configure the session
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"instructions": "You are a voice assistant. Respond in English.",
"audio": {
"input": {
"format": {"type": "audio/pcm", "rate": 24000},
"turn_detection": {
"type": "server_vad",
"threshold": 0.5,
"silence_duration_ms": 700
}
},
"output": {
"format": {"type": "audio/pcm", "rate": 24000},
"voice": "marin"
}
}
}
}))
await ws.recv() # session.updated
# Launch capture and playback in parallel
await asyncio.gather(
stream_microphone(ws),
play_response_audio(ws)
)
asyncio.run(conversation_vocale())
Správa súbežných tokov
Výzvou pri obojsmernom streamovaní je, že odosielaš a prijímaš súčasne na tom istom WebSockete. asyncio.gather spustí obe korutíny paralelne, ale zdieľajú ten istý objekt WebSocket. Knižnica websockets správne rieši túto súbežnosť.
Kľúčové poznatky
- Zvuk sa prenáša ako 24 kHz mono 16-bit PCM, kódovaný v Base64 v JSON udalostiach
- Časti majú zvyčajne 20 až 100 ms zvuku pre dobrý kompromis medzi latenciou a réžiou
- Zvuková vyrovnávacia pamäť na strane servera hromadí časti až do potvrdenia (automatické v režime VAD)
- Prehrávanie odpovede prebieha po častiach prostredníctvom
response.output_audio.delta asyncio.gatherumožňuje súčasný záznam a prehrávanie na tom istom WebSockete