Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

VAD: automatická detekcia reči

Lekcia 6 z 16 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Ako funguje detekcia zmeny hovoriaceho
  2. Dva režimy, jedno pole
  3. Události VAD
  4. Výzva pre mlčiaceho používateľa: idle_timeout_ms
  5. Manuálny režim: turn_detection.type nastavený na null
  6. Výber režimu
  7. Kľúčové poznatky

Aktualizované 3. novembra 2026 na základe stránky xAI Speech to Speech a referencie Voice API: detekcia zmeny hovoriaceho sa nastavuje pomocou turn_detection.type ("server_vad" alebo null) a voliteľne aj turn_detection.idle_timeout_ms. Zdroje: Speech to Speech · Voice API.

Ako funguje detekcia zmeny hovoriaceho

Pri hlasovej konverzácii musí systém vedieť, kedy používateľ začne hovoriť a kedy prestane. To je úlohou VAD (detekcia hlasovej aktivity). Voice Agent API od xAI poskytuje serverovú verziu VAD, server_vad: server analyzuje zvukový tok, rozpozná koniec každej výpovede a sám spustí odpoveď.

Dva režimy, jedno pole

Režim vyberáš v objekte turn_detection správy session.update:

{
  "type": "session.update",
  "session": {
    "turn_detection": { "type": "server_vad" }
  }
}
turn_detection.typeKto rozhoduje o konci hovoruČo odosielaš
"server_vad"Serverinput_audio_buffer.append, nič iné
nullTyinput_audio_buffer.append, potom input_audio_buffer.commit a response.create

V režime server_vad server rozdeľuje hovory, potvrdzuje (commit) audio a spúšťa odpoveď. Prerušenia sú tiež riešené automaticky: xAI odporúča tento režim pre prirodzené striedanie v dialógu, keď používateľ preruší agenta uprostred vety. Dokumentácia však neponúka žiadne nastavenie citlivosti ani dĺžky ticha: rozdeľovanie hovoru je plne v réžii servera.

Události VAD

Pri použití server_vad server hlási každý prechod:

  • input_audio_buffer.speech_started: VAD detekoval začiatok reči;
  • input_audio_buffer.speech_stopped: detekoval jej koniec;
  • input_audio_buffer.committed: audio bolo potvrdené ako správa používateľa.
ws.on("message", (data) => {
  const event = JSON.parse(data);
  switch (event.type) {
    case "input_audio_buffer.speech_started":
      stopPlayback();       // používateľ hovorí: zastav už prijaté audio agenta
      break;
    case "input_audio_buffer.speech_stopped":
      showThinking();       // detekovaný koniec reči: prichádza odpoveď
      break;
  }
});

Na strane servera je prerušenie automatické; na strane klienta by sa už prijaté audio prehrávalo ďalej, ak by si ho nezastavil. Udalosť speech_started je tým správnym momentom na vyprázdnenie fronty prehrávania.

Výzva pre mlčiaceho používateľa: idle_timeout_ms

Jediným zdokumentovaným nastavením týkajúcim sa VAD je idle_timeout_ms, ktoré donúti agenta znovu prevziať iniciatívu, keď používateľ po odpovedi agenta mlčí:

{
  "type": "session.update",
  "session": {
    "turn_detection": { "type": "server_vad", "idle_timeout_ms": 8000 }
  }
}

Ak sa počas tejto doby po skončení odpovede nezistí žiadna reč, server vyšle udalosť input_audio_buffer.timeout_triggered, potvrdí tichý ťah používateľa a vygeneruje kontrolnú otázku (check-in). Časovač sa po každej odpovedi resetuje, takže sa spustí znova každých idle_timeout_ms, pokiaľ používateľ nič nepovie. Predvolene je vypnutý (null). Na telefónnej ústredni udrží kontrolná otázka po niekoľkých sekundách ticho od natiahnutia; do inštrukcií agenta zapíš frázu, ktorú má v takom prípade použiť.

Manuálny režim: turn_detection.type nastavený na null

Pre rozhranie typu „stlač a hovoriť“ (push-to-talk) alebo kedykoľvek chceš sám rozhodnúť, kedy hovorenie končí, nastav typ na null:

{
  "type": "session.update",
  "session": {
    "turn_detection": { "type": null }
  }
}

Následne odosielaš audio pomocou input_audio_buffer.append a keď používateľ uvoľní tlačidlo, odošleš input_audio_buffer.commit na potvrdenie hovoru a response.create na vyžiadanie odpovede. Príkaz input_audio_buffer.commit je dostupný len v manuálnom režime. input_audio_buffer.clear zahodí audio, ktoré bolo odoslané, ale ešte nebolo potvrdené, a response.cancel zastaví prebiehajúcu odpoveď, keďže prerušenie už v manuálnom režime nie je automatické.

Výber režimu

  • Plynulá konverzácia (asistent, telefónna ústredňa, kiosk): server_vad, prípadne s idle_timeout_ms na výzvu mlčiacim používateľom
  • Vysielačka, diktovanie, veľmi hlučné prostredie: manuálny režim, kde koniec hovoru nasleduje stlačenie tlačidla a okolitý hluk nič nespúšťa

Kľúčové poznatky

  • turn_detection.type je buď "server_vad" (server rozdeľuje hovory a rieši prerušenia), alebo null (manuálny režim)
  • Dokumentácia xAI neponúka žiadny prah citlivosti ani dĺžku ticha na ladenie
  • Události speech_started, speech_stopped a committed hlásia prechody VAD
  • idle_timeout_ms vyzve mlčiaceho používateľa pomocou udalosti input_audio_buffer.timeout_triggered
  • V manuálnom režime: najprv append, potom commit a response.create