Przejdź do głównej treści
GPT-Live obsługuje jednoczesne słuchanie i mówienie, dwukierunkowe napisy oraz zadania w tle. Rozmowy głosowe ChatGPT w Studio używają gpt-live-1 do przetwarzania głosu, a złożone pytania są nadal obsługiwane przez aktualnie wybrany model czatu.

Połączenie

Użyj tokenu API platformy, aby połączyć się z wss://realtime.acedata.cloud/v1/live/sessions. Studio lub dane uwierzytelniające usługi czatu używają wss://realtime.acedata.cloud/aichat2/live. Serwer uwierzytelnia przez Authorization: Bearer <token>; przeglądarka przekazuje dane uwierzytelniające przez podprotokół WebSocket, aby uniknąć zapisywania ich w URL:
Po oczekiwaniu na session.started wysyłaj ciągle session.input_audio.append, gdzie audio to Base64 surowego dźwięku PCM 24 kHz, mono, 16-bitowego little-endian, bez nagłówka pliku WAV. Wysyłaj dźwięk z rzeczywistą szybkością próbkowania, a segmenty ciszy również muszą zachować ciągłość. Odtwarzaj po kolei session.output_audio.delta.delta. Napisy użytkownika i asystenta pochodzą odpowiednio z session.input_transcript.delta oraz session.output_transcript.delta; zachowuj dla każdego segmentu delta, start_ms, end_ms; napisy obu stron mogą narastać jednocześnie. Live nie ma zdarzenia zakończenia każdej pojedynczej odpowiedzi głosowej, dlatego stan „odpowiada” należy aktualizować na podstawie lokalnej kolejki odtwarzania.

Zadania w tle

Obecnie obsługiwany jest tryb delegowania client. Po otrzymaniu session.delegation.created aplikacja wywołuje własne zaplecze na podstawie napisów głosowych i zapisanego kontekstu, a następnie zwraca wynik przez session.thinking.append lub session.commentary.append, przekazując odpowiedni delegation_id oraz zwykły tekst content o długości maksymalnie 500 tokenów. Wynik powinien pochodzić z ukończonej operacji w tle; przerwanie głosu nie oznacza, że zadanie w tle zostało anulowane. Na razie nie są obsługiwane zarządzane delegowanie Responses, przechowywanie nagrań, session.update, wznawianie sesji ani automatyczne ponowne łączenie. Model jest na stałe ustawiony na gpt-live-1, dźwięk na 24 kHz PCM16, a barwa głosu jest wybierana przy rozpoczęciu rozmowy. Stare Realtime API nadal może być używane.

Rozliczenia i kończenie połączeń

Usługa głosowa jest rozliczana według czasu trwania aktywnej sesji: 0.01 Credits/s, czyli 0.6 Credits/min; czas nie jest zaokrąglany w górę do pełnych minut. Naliczany jest czas mówienia użytkownika, mówienia asystenta, ciszy, milczenia obu stron oraz oczekiwania na zadania w tle. Modele działające w tle lub wywołania narzędzi są rozliczane osobno zgodnie z odpowiednim API. Wartość Credits w dolarach zależy od pakietu doładowania; obowiązują aktualne ceny w konsoli. session.usage.updated.usage.seconds oznacza skumulowane użycie. Na przykład jeśli najpierw otrzymano 12 sekund, a następnie 15 sekund, łączny czas wynosi 15 sekund. Platforma rozlicza wyłącznie dodatkowy czas i nie sumuje ponownie wartości ze zrzutów stanu. Po zakończeniu wyślij session.close i kontynuuj odbieranie danych, aż otrzymasz session.closed; następnie zamknij połączenie i zwolnij mikrofon. Wymuszone rozłączenie może spowodować, że końcowe użycie nie zostanie potwierdzone, co interfejs powinien wyraźnie zgłosić. Połączenie zostanie zakończone w przypadku niewystarczającego salda, niepowodzenia rozliczenia lub osiągnięcia limitu sesji. Domyślnie pojedyncza rozmowa może trwać maksymalnie 30 minut. Błędy parametrów są zwracane za pośrednictwem zdarzenia error; error.client_event_id odpowiada poleceniu, które zakończyło się niepowodzeniem. W przypadku nieudanego uruchomienia należy zatrzymać nagrywanie i wyświetlić błąd, aby uniknąć dodatkowych opłat wynikających z ponawiania żądań.