Vai al contenuto principale
Indirizzo: wss://api.erlcrussia.com/v1/realtime?model=emmy-voice-1. Il parametro model è facoltativo. L’autenticazione funziona come in OpenAI:
  • su un server, con l’header Authorization: Bearer sk-voice-…;
  • nel browser, con i sottoprotocolli WebSocket realtime e openai-insecure-api-key.sk-voice-….
Funziona con l’SDK OpenAI Realtime: invii testo o voce e il modello risponde a voce con una trascrizione. I campi che l’API non usa (come instructions o tools) vengono ignorati.

​
Sessione

Dopo la connessione il server invia session.created. Le impostazioni si cambiano con session.update:
Lingue: ru, en, uk, be, es, it, fr, zh, ja, ko. Voci: F1, F2. L’audio in ingresso e in uscita è PCM16, mono, 24 kHz. I turni sono manuali: turn_detection deve essere null e l’evento input_audio_buffer.commit chiude il turno. Il rilevamento automatico della voce (server_vad) non è supportato.

​
Richiesta testuale

L’id dell’elemento è facoltativo. Il ruolo può essere user o system.

​
Richiesta vocale

Dopo commit il server invia input_audio_buffer.committed e conversation.item.added. Quando la voce è riconosciuta arrivano conversation.item.input_audio_transcription.completed con il testo e conversation.item.done. Se il riconoscimento fallisce arriva conversation.item.input_audio_transcription.failed. Puoi inviare response.create subito dopo commit: la risposta parte al termine del riconoscimento. input_audio_buffer.clear svuota il buffer. La voce si può inviare anche come un unico elemento conversation.item.create con una parte input_audio.

​
Risposta

Il server invia response.created, poi response.output_audio_transcript.delta (testo) e response.output_audio.delta (PCM in base64) e infine response.done con il consumo in usage.
  • Il riconoscimento vocale costa quanto il riconoscimento vocale da file.
  • event_id è facoltativo (fino a 128 caratteri). Se inviato, un evento ripetuto con lo stesso event_id viene ignorato.
  • Una risposta alla volta. Il testo va da 1 a 12.000 caratteri, la voce da 100 ms a 120 secondi.
  • Dopo 100 scambi o 4096 eventi, apri una nuova connessione.