Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Sprejemanje in predvajanje zvočnega odziva

Lekcija 11 od 16 Posodobljeno 30. julij 2026 Razvijalec
Na tej strani
  1. Predvajanje v pretoku
  2. Arhitektura zvočnega predvajalnika
  3. Povezava z dogodki WebSocket
  4. Obravnava prekinitev
  5. Zvočni predvajalnik v Pythonu
  6. Prikaz prepisa ob zvoku
  7. Ključne ugotovitve

Predvajanje v pretoku

Ko glasovni agent ustvari odziv, zvok prispe v kodiranih kosih (deltah) base64. Tvoja aplikacija jih mora dekodirati, postaviti v čakalno vrsto in gladko predvajati, da uporabnik sliši en sam neprekinjen odziv brez presledkov.

Arhitektura zvočnega predvajalnika

Načelo je preprosto: vsako delto zvoka, ki jo prejmeš, dekodiraš in dodaš v čakalno vrsto. Proces predvajanja porablja to vrsto in podatke pošilja v sistemski zvočni izhod:

class AudioStreamPlayer {
  constructor(sampleRate = 24000) {
    this.audioContext = new AudioContext({ sampleRate });
    this.queue = [];
    this.isPlaying = false;
    this.nextPlayTime = 0;
  }

  enqueue(pcm16ArrayBuffer) {
    // Convert PCM16 to Float32 for the Web Audio API
    const pcm16 = new Int16Array(pcm16ArrayBuffer);
    const float32 = new Float32Array(pcm16.length);
    for (let i = 0; i < pcm16.length; i++) {
      float32[i] = pcm16[i] / 32768.0;
    }

    const buffer = this.audioContext.createBuffer(
      1, float32.length, this.audioContext.sampleRate
    );
    buffer.getChannelData(0).set(float32);

    this.queue.push(buffer);
    if (!this.isPlaying) this.playNext();
  }

  playNext() {
    if (this.queue.length === 0) {
      this.isPlaying = false;
      return;
    }

    this.isPlaying = true;
    const buffer = this.queue.shift();
    const source = this.audioContext.createBufferSource();
    source.buffer = buffer;
    source.connect(this.audioContext.destination);

    const now = this.audioContext.currentTime;
    const startTime = Math.max(now, this.nextPlayTime);
    source.start(startTime);
    this.nextPlayTime = startTime + buffer.duration;

    source.onended = () => this.playNext();
  }

  stop() {
    this.queue = [];
    this.isPlaying = false;
    this.nextPlayTime = 0;
  }
}

Povezava z dogodki WebSocket

Tako povežeš zvočni predvajalnik z dogodki API-ja:

const player = new AudioStreamPlayer(24000);

ws.on("message", (data) => {
  const event = JSON.parse(data);

  switch (event.type) {
    case "response.output_audio.delta":
      const audioBytes = base64ToArrayBuffer(event.delta);
      player.enqueue(audioBytes);
      break;

    case "response.output_audio.done":
      console.log("Audio response complete");
      break;

    case "input_audio_buffer.speech_started":
      // The user interrupts the agent
      player.stop();
      ws.send(JSON.stringify({ type: "response.cancel" }));
      break;
  }
});

function base64ToArrayBuffer(base64) {
  const binary = atob(base64);
  const bytes = new Uint8Array(binary.length);
  for (let i = 0; i < binary.length; i++) {
    bytes[i] = binary.charCodeAt(i);
  }
  return bytes.buffer;
}

Obravnava prekinitev

V naravnem pogovoru lahko uporabnik agenta prekine tako, da spregovori med njegovim odzivom. Tvoja aplikacija mora to obravnavati:

  1. Zaznavanje prekinitve: dogodek speech_started prispe med predvajanjem zvoka.
  2. Zaustavitev predvajanja: izprazni zvočno čakalno vrsto in ustavi zvok.
  3. Preklic odziva: pošlji response.cancel, da strežnik ustavi generiranje.
  4. Poslušanje: uporabnik ima besedo in cikel se začne znova.

Ta mehanizem „barge-in” (vstop v govor) je ključen za tekoč pogovor. Brez njega bi morali uporabniki čakati, da agent konča z govorom, preden bi lahko odgovorili.

Zvočni predvajalnik v Pythonu

Z aplikacijo v Pythonu lahko za predvajanje uporabiš pyaudio:

import pyaudio
import base64
import asyncio
from collections import deque

class AudioPlayer:
    def __init__(self, rate=24000):
        self.p = pyaudio.PyAudio()
        self.stream = self.p.open(
            format=pyaudio.paInt16,
            channels=1,
            rate=rate,
            output=True
        )
        self.queue = deque()

    def enqueue(self, base64_audio):
        audio_bytes = base64.b64decode(base64_audio)
        self.queue.append(audio_bytes)

    def play_all(self):
        while self.queue:
            chunk = self.queue.popleft()
            self.stream.write(chunk)

    def stop(self):
        self.queue.clear()

Prikaz prepisa ob zvoku

Med predvajanjem zvoka lahko v realnem času prikazuješ prepis odziva z dogodki response.output_audio_transcript.delta. Uporabniki tako lahko berejo, kaj agent govori, kar pomaga v hrupnih okoljih in izboljša dostopnost:

let currentTranscript = "";

case "response.output_audio_transcript.delta":
  currentTranscript += event.delta;
  updateTranscriptDisplay(currentTranscript);
  break;

Ključne ugotovitve

  • Zvočni odziv prispe kot kosi base64 prek response.output_audio.delta.
  • Uporabi zvočno čakalno vrsto za zagotovitev neprekinjenega predvajanja brez presledkov.
  • Obdeluj prekinitve (barge-in) tako, da ustaviš predvajanje in prekličeš odziv.
  • Prikaži prepis ob zvoku za izboljšanje dostopnosti.
  • Spletni zvočni API brskalnika zahteva pretvorbo iz base64 v PCM16 in nato v Float32.