Validera och töm ljudbufferten
På denna sida
Uppdaterat den 3 november 2026, baserat på xAI Voice API-referensen:
input_audio_buffer.commitär endast tillgängligt närturn_detection.typeärnull; i lägetserver_vadvaliderar servern ljudet själv. Källa: Voice API.
Hantering av ljudbufferten
När du skickar ljud med input_audio_buffer.append ackumuleras data i en buffert på servern. Två operationer styr denna buffert: commit för att skicka innehållet som ett användarmeddelande, och clear för att tömma den utan bearbetning.
input_audio_buffer.commit
Denna händelse validerar det aktuella innehållet i ljudbufferten som ett användarmeddelande. Det är obligatoriskt i manuellt läge (push-to-talk) och automatiskt i VAD-läge:
{
"type": "input_audio_buffer.commit"
}
När servern tar emot en commit:
- Skapas ett nytt konversationsobjekt med det ackumulerade ljudet
- Skickas en händelse
input_audio_buffer.committedsom bekräftelse - Skickas en händelse
conversation.item.addedmed det nya objektet - Påbörjas transkribering av ljudet (om aktiverat)
Serverns svar
{
"type": "input_audio_buffer.committed",
"item_id": "item_audio_001"
}
item_id låter dig referera till detta meddelande i konversationen vid ett senare tillfälle.
När du ska validera manuellt
- Push-to-talk: användaren håller inne en knapp för att tala och släpper den för att skicka
- Manuell segmentering: du delar upp ljudströmmen i logiska segment på klienten
- Telefonintegration: du tar emot ljudbitar från en växel och validerar dem vid slutet av varje tur
// Exempel på push-to-talk
talkButton.addEventListener("mousedown", () => {
isRecording = true;
startCapture();
});
talkButton.addEventListener("mouseup", () => {
isRecording = false;
stopCapture();
// Validera bufferten
ws.send(JSON.stringify({
type: "input_audio_buffer.commit"
}));
// Begär ett svar
ws.send(JSON.stringify({
type: "response.create"
}));
});
input_audio_buffer.clear
Denna händelse tömmer ljudbufferten utan att skapa ett meddelande i konversationen:
{
"type": "input_audio_buffer.clear"
}
Servern bekräftar med:
{
"type": "input_audio_buffer.cleared"
}
När du ska tömma bufferten
- Avbrytande: användaren trycker på en “Avbryt”-knapp medan hen talar
- Avbrott: användaren börjar tala, men en annan händelse avbryter turen
- Återställning: efter ett fel eller en timeout, töm bufferten innan du börjar om
- Bakgrundsljud: systemet upptäcker att bufferten endast innehåller brus, inte tal
cancelButton.addEventListener("click", () => {
stopCapture();
ws.send(JSON.stringify({
type: "input_audio_buffer.clear"
}));
showMessage("Inspelning avbruten");
});
VAD-läge kontra manuellt läge
I VAD-läge (server_vad) hanterar servern hela cykeln automatiskt:
- Den upptäcker start av tal (
speech_started) - Den ackumulerar ljudet i bufferten
- Den upptäcker slutet av talet (
speech_stopped) - Den validerar bufferten automatiskt
- Den börjar generera svaret automatiskt
I manuellt läge (turn_detection.type satt till null) hanterar du varje steg själv, och det är det enda läge där input_audio_buffer.commit är tillgängligt:
- Du skickar ljud med
append - Du bestämmer när användaren är klar
- Du skickar
commit - Du skickar
response.create
Jämförelse
| Aspekt | VAD-läge | Manuellt läge |
|---|---|---|
| Taligenkänning | Automatisk | Upp till dig |
| Buffertvalidering | Automatisk | Manuell (commit) |
| Svarsbegäran | Automatisk | Manuell (response.create) |
| Kontroll | Mindre kontroll | Full kontroll |
| Komplexitet | Enkel | Mer komplex |
| Användningsområden | Flytande konversation | Push-to-talk, IVR |
Viktiga punkter
input_audio_buffer.commitskickar ljudbufferten som ett användarmeddelandeinput_audio_buffer.cleartömmer bufferten utan bearbetning- I VAD-läge sker valideringen automatiskt när slutet av talet upptäcks
- I manuellt läge (
turn_detection.typesatt tillnull) måste du explicit skickacommitoch sedanresponse.create;commitär endast tillgängligt i detta läge - Manuellt läge passar gränssnitt för push-to-talk och IVR-telefonsystem