Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

VAD: samodejno zaznavanje govora

Lekcija 6 od 16 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Kako deluje zaznavanje menjave govorca
  2. Dva načina, eno polje
  3. Dogodki VAD
  4. Poziv tihega uporabnika: idle_timeout_ms
  5. Ročni način: turn_detection.type nastavljen na null
  6. Izberite svoj način
  7. Ključne ugotovitve

Posodobljeno 3. novembra 2026 na podlagi strani xAI Speech to Speech in referenčne dokumentacije za Voice API: zaznavanje menjave govorca nastavite s parametrom turn_detection.type ("server_vad" ali null) in po potrebi z turn_detection.idle_timeout_ms. Viri: Speech to Speech · Voice API.

Kako deluje zaznavanje menjave govorca

V glasovnem pogovoru mora sistem vedeti, kdaj uporabnik začne govoriti in kdaj neha. To je naloga VAD (zaznavanje glasovne aktivnosti). API za glasovnega agenta xAI ponuja strežniški VAD, server_vad: strežnik analizira zvočni tok, zazna konec vsakega izreka in sam sproži odziv.

Dva načina, eno polje

Način izberete v objektu turn_detection znotraj session.update:

{
  "type": "session.update",
  "session": {
    "turn_detection": { "type": "server_vad" }
  }
}
turn_detection.typeKdo odloči, kdaj se menjava končaKaj pošljete
"server_vad"Strežnikinput_audio_buffer.append, nič drugega
nullViinput_audio_buffer.append, nato input_audio_buffer.commit in response.create

V načinu server_vad strežnik razdeli menjave, potrdi zvok in sproži odziv. Tudi prekinitve so obravnavane samodejno: xAI priporoča ta način za naravno izmenjavo govora, ko uporabnik agenta prekine sredi stavka. Dokumentacija sicer ne ponuja nastavitev občutljivosti ali trajanja tišine: razdeljevanje menjav je izključno naloga strežnika.

Dogodki VAD

Pri server_vad strežnik poroča o vsakem prehodu:

  • input_audio_buffer.speech_started: VAD je zaznal začetek govora;
  • input_audio_buffer.speech_stopped: zaznal je konec;
  • input_audio_buffer.committed: zvok je bil potrjen kot uporabnikovo sporočilo.
ws.on("message", (data) => {
  const event = JSON.parse(data);
  switch (event.type) {
    case "input_audio_buffer.speech_started":
      stopPlayback();       // uporabnik govori: ustavite že prejeti zvok agenta
      break;
    case "input_audio_buffer.speech_stopped":
      showThinking();       // zaznan konec govora: sledi odziv
      break;
  }
});

Na strani strežnika je prekinitev samodejna; na strani odjemalca bi se že prejeti zvok predvajal naprej, če ga ne bi ustavili. Dogodek speech_started je pravi trenutek za izpraznitev čakalne vrste za predvajanje.

Poziv tihega uporabnika: idle_timeout_ms

Edina dokumentirana nastavitev v zvezi z VAD, idle_timeout_ms, omogoča agentu, da ponovno prevame pobudo, ko uporabnik po odzivu utihne:

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

Če v tem času po koncu odziva ni zaznanega govora, strežnik odda dogodek input_audio_buffer.timeout_triggered, potrdi tiho menjavo uporabnika in ustvari preverjanje stanja. Časovnik se po vsakem odzivu ponastavi, zato se sproži vsakih idle_timeout_ms, dokler uporabnik molči. Privzeto je izklopljen (null). Na telefonski centrali preverjanje po nekaj sekundah prepreči predolge tišine; v navodila zapišite frazo, ki naj jo agent uporabi za sledenje.

Ročni način: turn_detection.type nastavljen na null

Za vmesnik „pritisni in govori” ali kadar koli želite sami odločiti, kdaj se menjava konča, nastavite tip na null:

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

Nato pošljete zvok z input_audio_buffer.append in ko uporabnik sprosti gumb, pošljete input_audio_buffer.commit za potrditev menjave ter response.create za zahtevo odziva. input_audio_buffer.commit je na voljo le v ročnem načinu. input_audio_buffer.clear zavrže zvok, ki je bil poslan, a še ni potrjen, response.cancel pa ustavi odziv v teku, saj prekinitve v ročnem načinu niso več samodejne.

Izberite svoj način

  • Prosto tekoč pogovor (asistent, telefonska centrala, kiosk): server_vad, po potrebi z idle_timeout_ms za poziv tihih uporabnikov
  • Voki-toki, narekovanje, zelo hrupna okolja: ročni način, kjer konec menjave sledi gumbu, hrup v ozadju pa ne sproži ničesar

Ključne ugotovitve

  • turn_detection.type je bodisi "server_vad" (strežnik razdeli menjave in obravnava prekinitve) bodisi null (ročni način)
  • Dokumentacija xAI ne ponuja praga občutljivosti ali trajanja tišine za prilagajanje
  • speech_started, speech_stopped in committed poročajo o prehodih VAD
  • idle_timeout_ms pozove tihega uporabnika z dogodkom input_audio_buffer.timeout_triggered
  • V ročnem načinu: append, nato commit in response.create