Sprejemanje in predvajanje zvočnega odziva
Na tej strani
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:
- Zaznavanje prekinitve: dogodek
speech_startedprispe med predvajanjem zvoka. - Zaustavitev predvajanja: izprazni zvočno čakalno vrsto in ustavi zvok.
- Preklic odziva: pošlji
response.cancel, da strežnik ustavi generiranje. - 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.