Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Obojsmerné streamovanie zvuku

Lekcia 3 z 18 Aktualizované 2. novembra 2026 Vývojár
Na tejto strane
  1. Obojsmerné streamovanie zvuku
  2. Zvukový formát PCM16
  3. Odosielanie zvuku: Záznam z mikrofónu
  4. Prijímanie odpovede v zvukovej forme
  5. Kompletná aplikácia: Hlasová konverzácia
  6. Kľúčové poznatky

Aktualizované 2. novembra 2026 — Zvukové modely. Niektoré modely v tomto kurze sú zastarané: tts-1, tts-1-hd a gpt-4o-mini-tts prestanú fungovať 6. januára 2027 (uvedenou náhradou je gpt-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-realtime a staršie zvukové modely 20. januára 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe a /v1/audio/translations 26. 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.

24 kHz
Vzorkovacia frekvencia
16 bit
Hĺbka vzorky
Mono
Jednokanálový
48 KB/s
Surová dátová rýchlosť zvuku

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.gather umožňuje súčasný záznam a prehrávanie na tom istom WebSockete