Odovzdanie a vyčistenie zvukovej vyrovnávacej pamäte
Na tejto strane
Aktualizované 3. novembra 2026 na základe referencie xAI Voice API:
input_audio_buffer.commitje dostupné iba vtedy, keď jeturn_detection.typenastavené nanull; v režimeserver_vadodovzdáva zvuk server sám. Zdroj: Voice API.
Správa zvukovej vyrovnávacej pamäte
Keď odošleš zvuk pomocou input_audio_buffer.append, údaje sa hromadia vo vyrovnávacej pamäti na serveri. Túto pamäť riadia dve operácie: commit na odoslanie jej obsahu ako správy používateľa a clear na jej vyprázdnenie bez spracovania.
input_audio_buffer.commit
Táto udalosť odovzdá aktuálny obsah zvukovej vyrovnávacej pamäte ako správu používateľa. Je povinná v manuálnom režime (push-to-talk) a automatická v režime VAD:
{
"type": "input_audio_buffer.commit"
}
Keď server prijme príkaz na odovzdanie (commit):
- Vytvorí novú položku konverzácie s nahromadeným zvukom
- Odošle udalosť
input_audio_buffer.committedna potvrdenie - Odošle udalosť
conversation.item.addeds novou položkou - Spustí prepis zvuku (ak je povolený)
Odpoveď servera
{
"type": "input_audio_buffer.committed",
"item_id": "item_audio_001"
}
Identifikátor item_id ti umožňuje neskôr sa v konverzácii odvolať na túto správu.
Kedy odovzdať manuálne
- Push-to-talk: používateľ drží tlačidlo počas hovoru a po jeho uvoľnení sa správa odošle
- Manuálne segmentovanie: na strane klienta rozdelíš zvukový tok na logické segmenty
- Integrácia telefónu: prijímaš zvukové časti z pobočkovej ústredne (PBX) a odovzdáš ich na konci každého ťahu
// Príklad push-to-talk
talkButton.addEventListener("mousedown", () => {
isRecording = true;
startCapture();
});
talkButton.addEventListener("mouseup", () => {
isRecording = false;
stopCapture();
// Odovzdanie vyrovnávacej pamäte
ws.send(JSON.stringify({
type: "input_audio_buffer.commit"
}));
// Vyžiadanie odpovede
ws.send(JSON.stringify({
type: "response.create"
}));
});
input_audio_buffer.clear
Táto udalosť vyprázdni zvukovú vyrovnávaciu pamäť bez vytvorenia správy v konverzácii:
{
"type": "input_audio_buffer.clear"
}
Server to potvrdí odpoveďou:
{
"type": "input_audio_buffer.cleared"
}
Kedy vyčistiť pamäť
- Zrušenie: používateľ stlačí tlačidlo „Zrušiť“ počas hovoru
- Prerušenie: používateľ začne hovoriť, no iná udalosť preruší jeho ťah
- Reset: po chybe alebo časovom limite vyčisti pamäť pred novým začiatkom
- Šum v pozadí: systém zistí, že pamäť obsahuje iba šum, nie reč
cancelButton.addEventListener("click", () => {
stopCapture();
ws.send(JSON.stringify({
type: "input_audio_buffer.clear"
}));
showMessage("Recording canceled");
});
Režim VAD oproti manuálnemu režimu
V režime VAD (server_vad) server automaticky vybaví celý cyklus:
- Zistí začiatok reči (
speech_started) - Nahromadí zvuk vo vyrovnávacej pamäti
- Zistí koniec reči (
speech_stopped) - Automaticky odovzdá vyrovnávaciu pamäť
- Automaticky začne generovať odpoveď
V manuálnom režime (turn_detection.type nastavené na null) každý krok riešiš sám a ide o jediný režim, kde je dostupné input_audio_buffer.commit:
- Odošleš zvuk pomocou
append - Rozhodneš sa, kedy používateľ skončil
- Odošleš
commit - Odošleš
response.create
Porovnanie
| Aspekt | Režim VAD | Manuálny režim |
|---|---|---|
| Detekcia reči | Automatická | Na tebe |
| Odovzdanie pamäte | Automatické | Manuálne (commit) |
| Vyžiadanie odpovede | Automatické | Manuálne (response.create) |
| Kontrola | Menšia kontrola | Plná kontrola |
| Zložitosť | Jednoduché | Zložitejšie |
| Prípady použitia | Voľná konverzácia | Push-to-talk, IVR |
Kľúčové poznatky
input_audio_buffer.commitodovzdá zvukovú vyrovnávaciu pamäť ako správu používateľainput_audio_buffer.clearvyprázdni pamäť bez spracovania- V režime VAD sa odovzdanie uskutoční automaticky po zistení konca reči
- V manuálnom režime (
turn_detection.typenastavené nanull) musíš explicitne odoslaťcommita následneresponse.create; príkazcommitje dostupný iba v tomto režime - Manuálny režim je vhodný pre rozhrania typu push-to-talk a telefónne systémy IVR