VAD: samodejno zaznavanje govora
Na tej strani
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"alinull) in po potrebi zturn_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.type | Kdo odloči, kdaj se menjava konča | Kaj pošljete |
|---|---|---|
"server_vad" | Strežnik | input_audio_buffer.append, nič drugega |
null | Vi | input_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 zidle_timeout_msza 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.typeje bodisi"server_vad"(strežnik razdeli menjave in obravnava prekinitve) bodisinull(ročni način)- Dokumentacija xAI ne ponuja praga občutljivosti ali trajanja tišine za prilagajanje
speech_started,speech_stoppedincommittedporočajo o prehodih VADidle_timeout_mspozove tihega uporabnika z dogodkominput_audio_buffer.timeout_triggered- V ročnem načinu:
append, natocommitinresponse.create