Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Validera och töm ljudbufferten

Lektion 8 av 16 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Hantering av ljudbufferten
  2. input_audio_buffer.commit
  3. input_audio_buffer.clear
  4. VAD-läge kontra manuellt läge
  5. Viktiga punkter

Uppdaterat den 3 november 2026, baserat på xAI Voice API-referensen: input_audio_buffer.commit är endast tillgängligt när turn_detection.type är null; i läget server_vad validerar 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:

  1. Skapas ett nytt konversationsobjekt med det ackumulerade ljudet
  2. Skickas en händelse input_audio_buffer.committed som bekräftelse
  3. Skickas en händelse conversation.item.added med det nya objektet
  4. 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:

  1. Den upptäcker start av tal (speech_started)
  2. Den ackumulerar ljudet i bufferten
  3. Den upptäcker slutet av talet (speech_stopped)
  4. Den validerar bufferten automatiskt
  5. 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:

  1. Du skickar ljud med append
  2. Du bestämmer när användaren är klar
  3. Du skickar commit
  4. Du skickar response.create

Jämförelse

AspektVAD-lägeManuellt läge
TaligenkänningAutomatiskUpp till dig
BuffertvalideringAutomatiskManuell (commit)
SvarsbegäranAutomatiskManuell (response.create)
KontrollMindre kontrollFull kontroll
KomplexitetEnkelMer komplex
AnvändningsområdenFlytande konversationPush-to-talk, IVR

Viktiga punkter

  • input_audio_buffer.commit skickar ljudbufferten som ett användarmeddelande
  • input_audio_buffer.clear tömmer bufferten utan bearbetning
  • I VAD-läge sker valideringen automatiskt när slutet av talet upptäcks
  • I manuellt läge (turn_detection.type satt till null) måste du explicit skicka commit och sedan response.create; commit är endast tillgängligt i detta läge
  • Manuellt läge passar gränssnitt för push-to-talk och IVR-telefonsystem