Prijímanie a prehrávanie zvukovej odpovede
Na tejto strane
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:
- Zisti prerušenie: udalosť
speech_startedpríde počas prehrávania zvuku - Zastav prehrávanie: vyprázdni zvukovú frontu a zastav zvuk
- Zruš odpoveď: pošli
response.cancel, aby server prestal generovať obsah - 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