Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Formáty zvuku: PCM a G.711

Lekcia 5 z 16 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Podporované formáty zvuku
  2. PCM (Pulzne kódová modulácia)
  3. G.711: mu-law a A-law
  4. Rôzne formáty pre vstup a výstup
  5. Opus
  6. Prenos: JSON alebo binárny
  7. Kľúčové poznatky

Aktualizované 3. novembra 2026 na základe stránky xAI Speech to Speech: API akceptuje štvrtý kodek, audio/opus (surové pakety Opus, 24 kHz mono), a druhý režim prenosu, binary, ktorý odosiela zvuk ako binárne rámce WebSocket namiesto base64 vnútri JSON. Zdroj: Speech to Speech, Audio and Audio Transport.

Podporované formáty zvuku

API Voice Agent podporuje štyri formáty zvuku pre vstup aj výstup: PCM, G.711 μ-law, G.711 A-law a Opus. Výber závisí od tvojho prípadu použitia: webová aplikácia, telefónia alebo profesionálne spracovanie zvuku.

Formát Kódovanie Vzorkovacie frekvencie Typické použitie
audio/pcm Linear16, little-endian 8000–48000 Hz Webové aplikácie, spracovanie zvuku
audio/pcmu G.711 mu-law len 8000 Hz Severoamerická telefónia
audio/pcma G.711 A-law len 8000 Hz Európska / medzinárodná telefónia
audio/opus Opus (surové pakety) 24000 Hz mono Mobilné zariadenia, nízka šírka pásma

PCM (Pulzne kódová modulácia)

PCM je predvolený a najuniverzálnejší formát. Kóduje zvuk ako nekomprimované 16-bitové signed integers (Linear16) v poradí little-endian.

Dostupné vzorkovacie frekvencie

API podporuje sedem vzorkovacích frekvencií pre PCM:

  • 8000 Hz: minimálna telefónna kvalita
  • 16000 Hz: dobrý kompromis pre hlas (wideband)
  • 22050 Hz: stredná kvalita
  • 24000 Hz: predvolená, odporúčaná pre väčšinu prípadov
  • 32000 Hz: vyššia kvalita
  • 44100 Hz: CD kvalita
  • 48000 Hz: štúdiová kvalita

Pre štandardnú hlasovú aplikáciu ponúka 24000 Hz najlepší pomer medzi kvalitou a šírkou pásma. Vyššie hodnoty neprinášajú pri reči citeľné zlepšenie.

Konfigurácia v session.update

{
  "type": "session.update",
  "session": {
    "audio": {
      "input": {
        "format": {"type": "audio/pcm", "rate": 24000}
      },
      "output": {
        "format": {"type": "audio/pcm", "rate": 24000}
      }
    }
  }
}

G.711: mu-law a A-law

Kodeky G.711 sú štandardom tradičnej telefónie. Využívajú logaritmickú kompresiu na zmenšenie dátového objemu zvuku pri zachovaní kvality hlasu v rámci telefónneho pásma (300–3400 Hz).

mu-law (audio/pcmu)

Používa sa hlavne v Severnej Amerike a Japonsku; je natívnym kodekom severoamerických telefónnych sietí. Ak integruješ API Voice Agent so systémom SIP so sídlom v USA, audio/pcmu je prirodzenou voľbou.

A-law (audio/pcma)

Používa sa v Európe a zvyšku sveta. Pre integráciu s európskym telefónnym operátorom zvoľ audio/pcma.

Obmedzenia G.711

Oba kodeky G.711 sú obmedzené na 8000 Hz, čo znamená zníženú šírku pásma zvuku. Kvalita hlasu je pre telefóniu dostatočná, ale nižšia než pri PCM s frekvenciou 24000 Hz. Používaj ich len vtedy, ak si to vyžaduje tvoja telefónna infraštruktúra.

Rôzne formáty pre vstup a výstup

API ti umožňuje nastaviť rôzne formáty pre vstup a výstup, čo je užitočné v hybridných architektúrach:

{
  "type": "session.update",
  "session": {
    "audio": {
      "input": {
        "format": {"type": "audio/pcmu", "rate": 8000}
      },
      "output": {
        "format": {"type": "audio/pcm", "rate": 24000}
      }
    }
  }
}

V tomto príklade prijímaš G.711 mu-law z telefónneho systému a odosielaš späť do vysielacieho systému vysokokvalitné PCM.

Opus

Štvrtý kodek, audio/opus, prenáša surové pakety Opus pri 24 000 Hz mono, jeden paket na payload, bez hlavičky kontajnera. Ide o komprimovaný kodek: výrazne znižuje šírku pásma v porovnaní s PCM, čo je dôležité pri mobilnom pripojení, pokiaľ tvoj klient vie kódovať a dekódovať Opus.

Prenos: JSON alebo binárny

Kodek (format) určuje, ako je zvuk zakódovaný; prenos (transport) určuje, ako tieto bajty putujú cez WebSocket. Predvolene ("json") je zvuk kódovaný base64 vnútri input_audio_buffer.append a response.output_audio.delta. Pri "binary" putuje ako binárne rámce WebSocket, bez base64 a bez hlavičky; udalosti životného cyklu (response.created, response.done, prepisy) zostávajú v JSON.

await ws.send(json.dumps({
    "type": "session.update",
    "session": {
        "audio": {
            "input": {"format": {"type": "audio/pcm", "rate": 24000}, "transport": "binary"},
            "output": {"format": {"type": "audio/pcm", "rate": 24000}, "transport": "binary"},
        }
    },
}))

await ws.send(pcm16_bytes)  # binárny rámec: surové 16-bitové PCM, žiadne base64

async for message in ws:
    if isinstance(message, bytes):
        player.write(message)           # zvuk asistenta
    else:
        event = json.loads(message)     # JSON udalosť

Dokumentácia stanovuje dve pravidlá. Pri vstupe server po nastavení formátu akceptuje obe cesty súčasne: input.transport iba určuje tvoju preferovanú cestu. Pri výstupe prichádza zvuk výlučne cez output.transport a zmena počas relácie sa prejaví až od ďalšej odpovede, takže jedna výpoveď nikdy nemieša JSON a binárny formát. Binárny prenos sa vyhne réžii base64, ktorá zvyšuje objem dát približne o tretinu.

Kľúčové poznatky

  • Predvolený formát je PCM s frekvenciou 24000 Hz, ideálny pre webové aplikácie
  • G.711 mu-law (pcmu) je štandard severoamerickej telefónie
  • G.711 A-law (pcma) je štandard európskej telefónie
  • Kodeky G.711 sú obmedzené na 8000 Hz
  • Pre vstup a výstup môžeš použiť rôzne formáty
  • audio/opus (24 kHz mono) znižuje šírku pásma; transport: "binary" odosiela zvuk ako binárne rámce bez base64
  • Pre hlas je 24000 Hz najlepším kompromisom medzi kvalitou a šírkou pásma