Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Prijímanie a prehrávanie zvukovej odpovede

Lekcia 11 z 16 Aktualizované 30. júla 2026 Vývojár
Na tejto strane
  1. Streamované prehrávanie
  2. Architektúra zvukového prehrávača
  3. Prepojenie s udalosťami WebSocketu
  4. Spracovanie prerušení
  5. Zvukový prehrávač v Pythone
  6. Zobrazenie prepisu popri zvuku
  7. Kľúčové poznatky

Streamované prehrávanie

Keď hlasový agent vygeneruje odpoveď, zvuk prichádza v častiach zakódovaných v base64 (deltách). Tvoja aplikácia ich musí dekódovať, zaradiť do fronty a plynulo prehrať, aby používateľ počul jednu súvislú odpoveď bez prerušenia.

Architektúra zvukového prehrávača

Princíp je jednoduchý: každú prijatú zvukovú deltu dekóduješ a pridáš do fronty. Proces prehrávania spracúva frontu a odosiela dáta do zvukového výstupu systému:

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;
  }
}

Prepojenie s udalosťami WebSocketu

Tu je návod, ako pripojiť zvukový prehrávač k udalostiam 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;
}

Spracovanie prerušení

V prirodzenej konverzácii môže používateľ prerušiť agenta tým, že začne hovoriť počas jeho odpovede. Tvoja aplikácia to musí ošetriť:

  1. Zisti prerušenie: udalosť speech_started príde počas prehrávania zvuku
  2. Zastav prehrávanie: vyprázdni zvukovú frontu a zastav zvuk
  3. Zruš odpoveď: pošli response.cancel, aby server prestal generovať obsah
  4. Počúvaj: používateľ má slovo a cyklus začína odznova

Tento mechanizmus „barge-in“ je nevyhnutný pre plynulú konverzáciu. Bez neho by používatelia museli čakať, kým agent dokončí reč, než by mohli odpovedať.

Zvukový prehrávač v Pythone

Pre aplikáciu v Pythone môžeš na prehrávanie použiť knižnicu pyaudio:

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()

Zobrazenie prepisu popri zvuku

Počas prehrávania zvuku môžeš v reálnom čase zobrazovať prepis odpovede pomocou udalostí response.output_audio_transcript.delta. Používatelia tak môžu čítať, čo agent hovorí, čo pomáha v hlučnom prostredí a zlepšuje dostupnosť:

let currentTranscript = "";

case "response.output_audio_transcript.delta":
  currentTranscript += event.delta;
  updateTranscriptDisplay(currentTranscript);
  break;

Kľúčové poznatky

  • Zvuková odpoveď prichádza ako chunks v base64 prostredníctvom response.output_audio.delta
  • Použi zvukovú frontu na zabezpečenie súvislého prehrávania bez medzier
  • Spracuj prerušenia (barge-in) zastavením prehrávania a zrušením odpovede
  • Zobrazuj prepis popri zvuku na zlepšenie dostupnosti
  • Webové zvukové API v prehliadači vyžaduje konverziu z base64 na PCM16 a následne na Float32