Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Pretakanje zvoka v realnem času

Lekcija 12 od 18 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Pretakanje zvoka v realnem času
  2. Pretakanje s TTS API-jem
  3. Merjenje zakasnitve
  4. Asinhrono pretakanje
  5. Predpolnitev medpomnilnika
  6. Integracija s cevovodom LLM + TTS
  7. Ključne ugotovitve

Posodobitev 2. novembra 2026 — Zvočni modeli. Nekateri modeli v tem tečaju so zastareli: tts-1, tts-1-hd in gpt-4o-mini-tts bodo prenehali delovati 6. januarja 2027 (naslednik: gpt-realtime-2.1-mini, ki ga vodnik za OpenAI TTS navaja kot nepodprt s strani /v1/audio/speech: selitev sinteze glasu prehaja na Realtime API); gpt-realtime, gpt-4o-realtime in stari zvočni modeli 20. januarja 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe in /v1/audio/translations 26. februarja 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Za polnodupleksni glas je GPT-Live 1 na voljo v API-ju od 10. septembra 2026. Posodobljeno 3. novembra 2026: Cevovod LLM → TTS je prej obdelal vsak dogodek s poljem delta, vključno z argumenti klicev funkcij ali povzetki razmišljanja; zdaj strogo filtrira le response.output_text.delta, torej dejansko besedilo odgovora.

Pretakanje zvoka v realnem času

Pri glasovnem agentu čakanje, da se celotna zvočna datoteka ustvari pred začetkom predvajanja, povzroča nesprejemljivo zakasnitev. Pretakanje TTS ti omogoča, da začneš s predvajanjem takoj, ko prispejo prvi bajti, s čimer skrajšaš čas do prvega odgovora na nekaj sto milisekund.

Pretakanje s TTS API-jem

TTS API samodejno podpira pretakanje. Namesto čakanja na celotno datoteko prejmeš zvok v kosih:

from openai import OpenAI
import pyaudio

client = OpenAI()

def stream_tts_to_speaker(text: str, voice: str = "alloy"):
    """Ustvari in predvajaj zvok v načinu pretakanja."""
    # Inicializiraj zvočni predvajalnik
    pa = pyaudio.PyAudio()
    player = pa.open(
        format=pyaudio.paInt16,
        channels=1,
        rate=24000,
        output=True
    )

    try:
        # Ustvari odziv s pretakanjem
        with client.audio.speech.with_streaming_response.create(
            model="tts-1",
            voice=voice,
            input=text,
            response_format="pcm"  # Surovi PCM za neposredno predvajanje
        ) as response:
            # Beri in predvajaj kos za kosom
            for chunk in response.iter_bytes(chunk_size=4096):
                player.write(chunk)

    finally:
        player.stop_stream()
        player.close()
        pa.terminate()

stream_tts_to_speaker("Hello, here is a real-time streaming response.")

Zapis pcm je idealen za pretakanje, ker ne zahteva dekodiranja: surovi bajti so takoj pripravljeni za predvajanje.

Merjenje zakasnitve

Čas do prvega bajta (TTFB) je ključni kazalnik uspešnosti pretakanja:

import time

def measure_tts_latency(text: str, voice: str = "alloy") -> dict:
    """Izmeri zakasnitve pretakanja TTS."""
    start_time = time.time()
    first_byte_time = None
    total_bytes = 0

    with client.audio.speech.with_streaming_response.create(
        model="tts-1",
        voice=voice,
        input=text,
        response_format="pcm"
    ) as response:
        for chunk in response.iter_bytes(chunk_size=4096):
            if first_byte_time is None:
                first_byte_time = time.time()
            total_bytes += len(chunk)

    end_time = time.time()

    return {
        "ttfb_ms": round((first_byte_time - start_time) * 1000),
        "total_ms": round((end_time - start_time) * 1000),
        "total_bytes": total_bytes,
        "audio_duration_s": round(total_bytes / (24000 * 2), 2)
    }

metrics = measure_tts_latency("Hello, how are you?")
print(f"TTFB: {metrics['ttfb_ms']}ms, Total: {metrics['total_ms']}ms")

Asinhrono pretakanje

Za strežniške aplikacije uporabi asinhronega odjemalca:

from openai import AsyncOpenAI
import asyncio

async_client = AsyncOpenAI()

async def stream_tts_async(text: str, voice: str = "alloy"):
    """Asinhrono pretakanje TTS za strežnike."""
    chunks = []

    async with async_client.audio.speech.with_streaming_response.create(
        model="tts-1",
        voice=voice,
        input=text,
        response_format="pcm"
    ) as response:
        async for chunk in response.iter_bytes(chunk_size=4096):
            chunks.append(chunk)
            # Tu bi kos poslali odjemalcu prek WebSocket-a
            yield chunk

# Uporaba v strežniku FastAPI
from fastapi import FastAPI
from fastapi.responses import StreamingResponse

app = FastAPI()

@app.get("/tts/stream")
async def tts_stream(text: str, voice: str = "alloy"):
    return StreamingResponse(
        stream_tts_async(text, voice),
        media_type="audio/pcm"
    )

Predpolnitev medpomnilnika

Za zagotovitev gladkega predvajanja brez presledkov najprej zberi majhen medpomnilnik:

async def buffered_tts_playback(
    text: str,
    voice: str = "alloy",
    buffer_size: int = 3  # Število kosov za prednalaganje
):
    """Predvajanje TTS s predpolnitvenim medpomnilnikom."""
    pa = pyaudio.PyAudio()
    player = pa.open(
        format=pyaudio.paInt16,
        channels=1,
        rate=24000,
        output=True
    )

    buffer = []
    playback_started = False

    try:
        async with async_client.audio.speech.with_streaming_response.create(
            model="tts-1",
            voice=voice,
            input=text,
            response_format="pcm"
        ) as response:
            async for chunk in response.iter_bytes(chunk_size=4096):
                buffer.append(chunk)

                if not playback_started and len(buffer) >= buffer_size:
                    playback_started = True
                    # Izprazni začetni medpomnilnik
                    for buffered_chunk in buffer:
                        player.write(buffered_chunk)
                    buffer.clear()
                elif playback_started:
                    player.write(chunk)

        # Predvajaj preostale kose
        for remaining in buffer:
            player.write(remaining)

    finally:
        player.stop_stream()
        player.close()
        pa.terminate()

Integracija s cevovodom LLM + TTS

Pri glasovnem agentu, ki ne uporablja Realtime API-ja, lahko združiš pretakanje LLM s pretakanjem TTS:

async def llm_to_tts_pipeline(user_message: str):
    """Cevovod: Pretakanje LLM → Pretakanje TTS v realnem času."""
    # Faza 1: Zbiranje odgovora LLM po stavkih
    sentence_buffer = ""

    stream = client.responses.create(
        model="gpt-5.6-luna",
        input=[{"role": "user", "content": user_message}],
        stream=True
    )

    for event in stream:
        # Izgovoriti je treba le besedilo odgovora
        if event.type == "response.output_text.delta":
            sentence_buffer += event.delta

            # Zaznaj konec stavka
            if sentence_buffer.rstrip().endswith((".", "!", "?")):
                sentence = sentence_buffer.strip()
                sentence_buffer = ""

                # Faza 2: Pretakaj ta stavek v TTS
                stream_tts_to_speaker(sentence)

    # Obdelaj preostali medpomnilnik
    if sentence_buffer.strip():
        stream_tts_to_speaker(sentence_buffer.strip())

Ključne ugotovitve

  • Pretakanje TTS skrajša TTFB na nekaj sto milisekund, saj se predvajanje začne, preden se generiranje konča
  • Zapis pcm je optimalen za pretakanje: ni potrebnega dekodiranja, omogoča neposredno predvajanje
  • Predpolnitveni medpomnilnik 2–3 kosov prepreči presledke na začetku predvajanja
  • Asinhroni odjemalec je nujen za strežnike, ki upravljajo več sočasnih povezav
  • Združevanje pretakanja LLM in pretakanja TTS omogoča odziven glasovni agent brez uporabe Realtime API-ja