Verktyg för ljudkonvertering i Python
På denna sida
Ett bibliotek för ljudverktyg
För att bygga en robust Voice Agent-app behöver du hjälpfunktioner som konverterar ljud mellan olika format. Den här lektionen samlar de viktigaste Python-verktygen för ljudbehandling i realtid.
PCM16 till base64 och tillbaka
Detta är de två funktioner du kommer att använda mest: kodning av inspelat ljud till base64 för att skicka det, och avkodning av mottaget base64-ljud för att spela upp det.
import base64
import numpy as np
def audio_to_base64(audio_data: np.ndarray) -> str:
"""Converts a float32 numpy array in [-1, 1] to base64 PCM16."""
audio_int16 = (audio_data * 32767).astype(np.int16)
return base64.b64encode(audio_int16.tobytes()).decode("utf-8")
def base64_to_audio(base64_audio: str) -> np.ndarray:
"""Converts a base64 PCM16 string to a float32 numpy array."""
audio_bytes = base64.b64decode(base64_audio)
audio_int16 = np.frombuffer(audio_bytes, dtype=np.int16)
return audio_int16.astype(np.float32) / 32768.0
Användning i Voice Agent-flödet
import pyaudio
import json
# Mic capture → send
def capture_and_send(ws, stream, chunk_size=4096):
raw_data = stream.read(chunk_size, exception_on_overflow=False)
audio_array = np.frombuffer(raw_data, dtype=np.int16)
audio_float = audio_array.astype(np.float32) / 32768.0
b64 = audio_to_base64(audio_float)
ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": b64
}))
# Receive → play
def play_received(player_stream, base64_audio):
audio_float = base64_to_audio(base64_audio)
audio_int16 = (audio_float * 32767).astype(np.int16)
player_stream.write(audio_int16.tobytes())
Omavsampling (Resampling)
Om din mikrofon spelar in med en annan samplingsfrekvens än vad API:t förväntar sig måste du utföra omavsampling:
from scipy.signal import resample
def resample_audio(
audio: np.ndarray,
original_rate: int,
target_rate: int
) -> np.ndarray:
"""Resamples audio from one sample rate to another."""
if original_rate == target_rate:
return audio
num_samples = int(len(audio) * target_rate / original_rate)
return resample(audio, num_samples)
# Example: mic at 44100 Hz → API at 24000 Hz
audio_44100 = capture_microphone()
audio_24000 = resample_audio(audio_44100, 44100, 24000)
b64 = audio_to_base64(audio_24000)
Konvertering mellan G.711 och PCM
För telefonintegrationer behöver du konvertera mellan G.711 och linjär PCM. Håll koll på din Python-version: audioop togs bort från standardbiblioteket i version 3.13. På nyare Python-installationer installerar du paketet audioop-lts, som tillhandahåller samma gränssnitt:
import audioop
def pcm_to_mulaw(pcm_data: bytes) -> bytes:
"""Converts PCM16 to G.711 mu-law."""
return audioop.lin2ulaw(pcm_data, 2)
def mulaw_to_pcm(mulaw_data: bytes) -> bytes:
"""Converts G.711 mu-law to PCM16."""
return audioop.ulaw2lin(mulaw_data, 2)
def pcm_to_alaw(pcm_data: bytes) -> bytes:
"""Converts PCM16 to G.711 A-law."""
return audioop.lin2alaw(pcm_data, 2)
def alaw_to_pcm(alaw_data: bytes) -> bytes:
"""Converts G.711 A-law to PCM16."""
return audioop.alaw2lin(alaw_data, 2)
En komplett telefonrelä
Här är ett exempel på en reläfunktion mellan en G.711 SIP-ström och Voice Agent API:t:
async def relay_sip_to_voice_agent(sip_stream, ws):
"""Relays audio from a SIP call to the Voice Agent API."""
async for mulaw_chunk in sip_stream:
# Convert mu-law → PCM → base64
pcm_data = mulaw_to_pcm(mulaw_chunk)
b64 = base64.b64encode(pcm_data).decode("utf-8")
await ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": b64
}))
async def relay_voice_agent_to_sip(ws, sip_stream):
"""Relays the API's audio response to the SIP stream."""
async for message in ws:
event = json.loads(message)
if event["type"] == "response.output_audio.delta":
pcm_data = base64.b64decode(event["delta"])
mulaw_data = pcm_to_mulaw(pcm_data)
await sip_stream.send(mulaw_data)
Tystnadsdetektering på klientsidan
Om du hanterar push-to-talk själv, eller vill ha lokal tystnadsdetektering innan sändning, mäter denna funktion signalens energi:
def is_silence(
audio: np.ndarray,
threshold: float = 0.01
) -> bool:
"""Detects whether an audio chunk is silence."""
rms = np.sqrt(np.mean(audio ** 2))
return rms < threshold
# Usage
audio_chunk = capture_microphone()
if not is_silence(audio_chunk, threshold=0.02):
b64 = audio_to_base64(audio_chunk)
ws.send(json.dumps({
"type": "input_audio_buffer.append",
"audio": b64
}))
Spara och läsa WAV-filer
För felsökning och testning kan du spara och läsa WAV-filer:
import wave
def save_wav(
filename: str,
audio: np.ndarray,
sample_rate: int = 24000
):
"""Saves a numpy array as a WAV file."""
audio_int16 = (audio * 32767).astype(np.int16)
with wave.open(filename, "wb") as wf:
wf.setnchannels(1)
wf.setsampwidth(2)
wf.setframerate(sample_rate)
wf.writeframes(audio_int16.tobytes())
def load_wav(filename: str) -> tuple[np.ndarray, int]:
"""Loads a WAV file as a float32 numpy array."""
with wave.open(filename, "rb") as wf:
sample_rate = wf.getframerate()
frames = wf.readframes(wf.getnframes())
audio_int16 = np.frombuffer(frames, dtype=np.int16)
return audio_int16.astype(np.float32) / 32768.0, sample_rate
Viktiga punkter
audio_to_base64ochbase64_to_audioär de två avgörande funktionerna för Voice Agent-flödet- Omavsampling krävs när din mikrofons samplingsfrekvens inte matchar API:ts
- Modulen
audioophanterar konverteringar för G.711 mu-law och A-law; den togs bort från standardbiblioteket i Python 3.13, så installeraaudioop-ltsfrån PyPI på nyare versioner - Tystnadsdetektering på klientsidan sparar bandbredd genom att endast skicka användbart ljud
- WAV-verktyg underlättar felsökning genom att låta dig spara och spela upp ljudströmmar
Testa din förståelse
WebSocket, VAD, ljud: voice agentn från början till slut.
1. Hur ställer du in en Voice Agent-session?
Svar: Med en WebSocket-anslutning i realtid, autentiserad med tillfälliga token (aldrig huvudnyckeln på klienten), konfigurerad via session.update och bekräftad av session.created och session.updated.
2. Vad hanterar VAD?
Svar: Automatisk taldetektering: den avgör när användaren börjar och slutar tala, så att agenten vet när den ska lyssna och när den ska svara, utan någon knapp.
3. Hur flödar ljudet?
Svar: Inmatning skickas via input_audio_buffer.append (med buffer commit och clear), och svaret anländer som ljudhändelser för uppspelning, i PCM eller G.711 beroende på kanal.
4. Vad möjliggör verktyg och MCP i en röstsamtal?
Svar: Funktionsanrop och inbyggda verktyg (webb, X, samlingar) under det talade utbytet: agenten slår upp saker och vidtar åtgärder medan den pratar, inklusive MCP-händelser.
5. Och för telefoni?
Svar: SIP och LiveKit med G.711: voice agentn kopplas in i telefonnätverket, och Python-verktygen för ljudkonvertering bryggar formaten.
En säker session, VAD, välhanterade buffertar, verktyg i röst: den kompletta telefonassistenten är inom räckhåll, och den här kursen har gett dig alla delar.