Nástroje na konverziu zvuku v Pythone
Na tejto strane
Knižnica zvukových nástrojov
Na vytvorenie robustnej aplikácie Voice Agent potrebuješ pomocné funkcie na konverziu zvuku medzi formátmi. Táto lekcia zhromažďuje základné nástroje Pythonu pre spracovanie zvuku v reálnom čase.
PCM16 na base64 a späť
Toto sú dve funkcie, ktoré budeš používať najčastejšie: kódovanie zachyteného zvuku do formátu base64 na odoslanie a dekódovanie prijatého zvuku base64 na prehratie.
import base64
import numpy as np
def audio_to_base64(audio_data: np.ndarray) -> str:
"""Converts a float32 numpy array in [-1, 1] to base64 PCM16."""
audio_int16 = (audio_data * 32767).astype(np.int16)
return base64.b64encode(audio_int16.tobytes()).decode("utf-8")
def base64_to_audio(base64_audio: str) -> np.ndarray:
"""Converts a base64 PCM16 string to a float32 numpy array."""
audio_bytes = base64.b64decode(base64_audio)
audio_int16 = np.frombuffer(audio_bytes, dtype=np.int16)
return audio_int16.astype(np.float32) / 32768.0
Použitie v toku Voice Agent
import pyaudio
import json
# Zachytenie mikrofónu → odoslanie
def capture_and_send(ws, stream, chunk_size=4096):
raw_data = stream.read(chunk_size, exception_on_overflow=False)
audio_array = np.frombuffer(raw_data, dtype=np.int16)
audio_float = audio_array.astype(np.float32) / 32768.0
b64 = audio_to_base64(audio_float)
ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": b64
}))
# Prijatie → prehratie
def play_received(player_stream, base64_audio):
audio_float = base64_to_audio(base64_audio)
audio_int16 = (audio_float * 32767).astype(np.int16)
player_stream.write(audio_int16.tobytes())
Prevzorkovanie (Resampling)
Ak tvoj mikrofón zachytáva zvuk s inou vzorkovacou frekvenciou, než očakáva API, musíš vykonať prevzorkovanie:
from scipy.signal import resample
def resample_audio(
audio: np.ndarray,
original_rate: int,
target_rate: int
) -> np.ndarray:
"""Resamples audio from one sample rate to another."""
if original_rate == target_rate:
return audio
num_samples = int(len(audio) * target_rate / original_rate)
return resample(audio, num_samples)
# Príklad: mikrofón na 44100 Hz → API na 24000 Hz
audio_44100 = capture_microphone()
audio_24000 = resample_audio(audio_44100, 44100, 24000)
b64 = audio_to_base64(audio_24000)
Konverzia medzi G.711 a PCM
Pre integráciu s telefónmi budeš potrebovať konverziu medzi G.711 a lineárnym PCM. Dávaj pozor na verziu Pythonu: modul audioop bol odstránený zo štandardnej knižnice vo verzii 3.13. Na novšom Pythone si nainštaluj balík audioop-lts, ktorý poskytuje rovnaké rozhranie:
import audioop
def pcm_to_mulaw(pcm_data: bytes) -> bytes:
"""Converts PCM16 to G.711 mu-law."""
return audioop.lin2ulaw(pcm_data, 2)
def mulaw_to_pcm(mulaw_data: bytes) -> bytes:
"""Converts G.711 mu-law to PCM16."""
return audioop.ulaw2lin(mulaw_data, 2)
def pcm_to_alaw(pcm_data: bytes) -> bytes:
"""Converts PCM16 to G.711 A-law."""
return audioop.lin2alaw(pcm_data, 2)
def alaw_to_pcm(alaw_data: bytes) -> bytes:
"""Converts G.711 A-law to PCM16."""
return audioop.alaw2lin(alaw_data, 2)
Kompletný telefónny relé
Tu je príklad relé medzi tokom SIP G.711 a API Voice Agent:
async def relay_sip_to_voice_agent(sip_stream, ws):
"""Relays audio from a SIP call to the Voice Agent API."""
async for mulaw_chunk in sip_stream:
# Konverzia mu-law → PCM → base64
pcm_data = mulaw_to_pcm(mulaw_chunk)
b64 = base64.b64encode(pcm_data).decode("utf-8")
await ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": b64
}))
async def relay_voice_agent_to_sip(ws, sip_stream):
"""Relays the API's audio response to the SIP stream."""
async for message in ws:
event = json.loads(message)
if event["type"] == "response.output_audio.delta":
pcm_data = base64.b64decode(event["delta"])
mulaw_data = pcm_to_mulaw(pcm_data)
await sip_stream.send(mulaw_data)
Detekcia ticha na strane klienta
Ak sám obsluhuješ tlačidlo „stlač a hovoriť“ (push-to-talk) alebo chceš lokálnu detekciu ticha pred odoslaním, táto funkcia meria energiu signálu:
def is_silence(
audio: np.ndarray,
threshold: float = 0.01
) -> bool:
"""Detects whether an audio chunk is silence."""
rms = np.sqrt(np.mean(audio ** 2))
return rms < threshold
# Použitie
audio_chunk = capture_microphone()
if not is_silence(audio_chunk, threshold=0.02):
b64 = audio_to_base64(audio_chunk)
ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": b64
}))
Ukladanie a načítanie súborov WAV
Na ladenie a testovanie môžeš ukladať a načítavať súbory WAV:
import wave
def save_wav(
filename: str,
audio: np.ndarray,
sample_rate: int = 24000
):
"""Saves a numpy array as a WAV file."""
audio_int16 = (audio * 32767).astype(np.int16)
with wave.open(filename, "wb") as wf:
wf.setnchannels(1)
wf.setsampwidth(2)
wf.setframerate(sample_rate)
wf.writeframes(audio_int16.tobytes())
def load_wav(filename: str) -> tuple[np.ndarray, int]:
"""Loads a WAV file as a float32 numpy array."""
with wave.open(filename, "rb") as wf:
sample_rate = wf.getframerate()
frames = wf.readframes(wf.getnframes())
audio_int16 = np.frombuffer(frames, dtype=np.int16)
return audio_int16.astype(np.float32) / 32768.0, sample_rate
Kľúčové poznatky
- Funkcie
audio_to_base64abase64_to_audiosú dve kľúčové funkcie pre tok Voice Agent. - Prevzorkovanie je potrebné, keď sa vzorkovacia frekvencia tvojho mikrofónu nezhoduje s frekvenciou API.
- Modul
audioopspravuje konverzie G.711 mu-law a A-law; bol odstránený zo štandardnej knižnice v Pythone 3.13, preto si na novších verziách nainštalujaudioop-ltsz PyPI. - Detekcia ticha na strane klienta šetrí šírku pásma odosielaním iba užitočného zvuku.
- Nástroje pre WAV uľahčujú ladenie tým, že ti umožňujú ukladať a znovu prehrávať zvukové toky.
Over si svoje vedomosti
WebSocket, VAD, zvuk: hlasový agent od začiatku do konca.
1. Ako nastavíš reláciu Voice Agent?
Odpoveď: Pomocou WebSocket pripojenia v reálnom čase, autentifikovaného jednorazovými tokenmi (nikdy nie hlavným kľúčom na klientovi), následne nakonfigurovaného cez session.update a potvrdeného udalosťami session.created a session.updated.
2. Čo vybavuje VAD?
Odpoveď: Automatickú detekciu reči: zistí, kedy používateľ začne a prestane hovoriť, takže agent vie, kedy počúvať a kedy odpovedať, bez potreby tlačidla.
3. Ako prúdi zvuk?
Odpoveď: Vstup odchádza cez input_audio_buffer.append (s commitom a vyčistením vyrovnávacej pamäte) a odpoveď prichádza ako zvukové udalosti na prehratie, vo formáte PCM alebo G.711 v závislosti od kanála.
4. Čo umožňujú nástroje a MCP v hlasovej konverzácii?
Odpoveď: Volanie funkcií a vstavané nástroje (web, X, kolekcie) počas hovorenej výmeny: agent vyhľadáva informácie a vykonáva akcie počas hovoru, vrátane udalostí MCP.
5. A čo telefónia?
Odpoveď: SIP a LiveKit s G.711: hlasový agent sa pripája do telefónnej siete a Pythonové nástroje na konverziu zvuku mostia formáty.
Bezpečná relácia, VAD, dobre spravované vyrovnávacie pamäte, nástroje v hlase: kompletný telefónny asistent je na dosah a tento kurz ti poskytol každý potrebný dielik.