Рабочие процессы агентов с аудио и текстом
Расшифровка → рассуждение → аудиоответ: полный конвейер.
«Рабочие процессы агентов с аудио и текстом» — бесплатный урок AI Agents на CoddyKit. Это урок 2 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения AI Agents, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс AI Agents содержит 4 уроков всего.
Обзор конвейера агента для аудио и текста
Конвейер агента для аудио и текста преобразует устную речь в письменный текст и обратно. Канонический поток: входной аудиосигнал → транскрибирование Whisper → текстовый агент → выходной аудиосигнал TTS. Это позволяет создавать голосовых помощников, анализировать звонки, составлять краткие сведения о встречах и работать с интерфейсами без помощи рук.
Поддерживаемые аудиоформаты
OpenAI Whisper поддерживает следующие форматы: mp3, mp4, mpeg, mpga, m4a, wav, webm. Максимальный размер файла — 25 MB. Файлы большего размера необходимо разделить или сжать перед отправкой.
Для наилучшего качества расшифровки и минимального размера файла всегда записывайте или преобразуйте аудио в моно с частотой 16 kHz.
import os
SUPPORTED_FORMATS = {'.mp3', '.mp4', '.mpeg', '.mpga', '.m4a', '.wav', '.webm'}
MAX_FILE_SIZE_BYTES = 25 * 1024 * 1024 # 25 MB
def validate_audio_file(path: str) -> dict:
ext = os.path.splitext(path)[1].lower()
size = os.path.getsize(path) if os.path.exists(path) else 0
return {
'path': path,
'format_ok': ext in SUPPORTED_FORMATS,
'size_ok': size <= MAX_FILE_SIZE_BYTES,
'size_mb': round(size / 1024 / 1024, 2),
'extension': ext
}
# Usage:
info = validate_audio_file('meeting.wav')
print(info)Расшифровка аудио с помощью Whisper
Конечная точка audio.transcriptions.create в OpenAI оборачивает Whisper. Передайте объект файла и имя модели, а также при необходимости подсказку с указанием языка (это ускоряет обработку и предотвращает ошибочное определение) и промпт (он подготавливает словарь для специализированных терминов).
from openai import OpenAI
client = OpenAI(api_key='YOUR_OPENAI_API_KEY')
def transcribe_audio(
audio_path: str,
language: str = 'en',
prompt: str = ''
) -> str:
with open(audio_path, 'rb') as audio_file:
transcript = client.audio.transcriptions.create(
model='whisper-1',
file=audio_file,
language=language,
prompt=prompt, # e.g. 'Python, NestJS, TypeScript, API'
response_format='text'
)
return transcript
text = transcribe_audio('user_query.mp3', language='en',
prompt='Kubernetes, microservices, Docker')
print('Transcription:', text)Расшифровка с временными метками
Для анализа встреч или диаризации говорящих запросите формат verbose_json. Он возвращает временные метки на уровне слов или сегментов, позволяя находить в аудио точные моменты для ссылок или вырезания фрагментов.
def transcribe_with_timestamps(audio_path: str) -> dict:
from openai import OpenAI
client = OpenAI(api_key='YOUR_OPENAI_API_KEY')
with open(audio_path, 'rb') as f:
result = client.audio.transcriptions.create(
model='whisper-1',
file=f,
response_format='verbose_json',
timestamp_granularities=['segment']
)
# result.segments: list of {start, end, text}
segments = [
{'start': s.start, 'end': s.end, 'text': s.text}
for s in result.segments
]
return {'full_text': result.text, 'segments': segments}
# Example output structure:
# {'full_text': 'Hello team...', 'segments': [{'start': 0.0, 'end': 2.3, 'text': 'Hello team'}]}Обработка текста агентом
После расшифровки текст передаётся агенту на основе LLM как обычное текстовое сообщение. Включите системный промпт, задающий контекст: этот текст получен из устной реплики, поэтому в нём могут быть слова-паразиты и незаконченные предложения.
import anthropic
VOICE_AGENT_SYSTEM = (
'You are a helpful voice assistant. The user\'s message was transcribed from speech '
'and may contain filler words ("um", "uh"), false starts, or incomplete sentences. '
'Interpret the intent charitably and respond concisely in 1-3 sentences. '
'Your response will be converted to speech, so avoid markdown, lists, or code blocks.'
)
def voice_agent_respond(transcription: str) -> str:
client = anthropic.Anthropic(api_key='YOUR_ANTHROPIC_API_KEY')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
system=VOICE_AGENT_SYSTEM,
messages=[{'role': 'user', 'content': transcription}]
)
return response.content[0].textПреобразование текста в речь с помощью OpenAI TTS
Преобразуйте текстовый ответ агента обратно в речь с помощью API OpenAI TTS. Выберите голос (alloy, echo, fable, onyx, nova, shimmer) и модель (tts-1 для скорости, tts-1-hd для качества). Сохраните результат как файл mp3 или передавайте его напрямую потоком.
from openai import OpenAI
from pathlib import Path
client = OpenAI(api_key='YOUR_OPENAI_API_KEY')
def text_to_speech(
text: str,
output_path: str = 'response.mp3',
voice: str = 'nova',
model: str = 'tts-1'
) -> str:
response = client.audio.speech.create(
model=model,
voice=voice,
input=text,
response_format='mp3'
)
Path(output_path).write_bytes(response.content)
print(f'TTS audio saved to {output_path}')
return output_path
# Full pipeline:
tts_file = text_to_speech(
'The weather in London is currently 15 degrees and partly cloudy.',
voice='nova'
)Потоковая выдача аудио
Для голосовых ответов в реальном времени передавайте аудио TTS фрагментами, не дожидаясь формирования всего файла. Вспомогательная функция OpenAI stream_to_file или ручной перебор фрагментов позволяет начать воспроизведение аудио, пока остальная часть ещё создаётся.
from openai import OpenAI
client = OpenAI(api_key='YOUR_OPENAI_API_KEY')
def stream_tts_to_file(text: str, output_path: str):
# OpenAI SDK streams the audio response
with client.audio.speech.with_streaming_response.create(
model='tts-1',
voice='nova',
input=text,
response_format='mp3'
) as response:
response.stream_to_file(output_path)
print(f'Streamed to {output_path}')
def stream_tts_chunks(text: str):
"""Yield raw audio bytes for piping to an audio player."""
with client.audio.speech.with_streaming_response.create(
model='tts-1',
voice='nova',
input=text
) as response:
for chunk in response.iter_bytes(chunk_size=4096):
yield chunk # pipe to audio player or WebSocketРазделение длинных аудиофайлов
Аудиофайлы размером более 25 MB необходимо разделить перед отправкой в Whisper. Используйте библиотеку pydub, чтобы разделить аудио по временным интервалам и обработать каждый фрагмент отдельно, а затем объединить расшифровки.
from pydub import AudioSegment
import os
def split_audio(
path: str,
chunk_minutes: int = 10
) -> list:
audio = AudioSegment.from_file(path)
chunk_ms = chunk_minutes * 60 * 1000
chunks = []
os.makedirs('audio_chunks', exist_ok=True)
for i, start in enumerate(range(0, len(audio), chunk_ms)):
chunk = audio[start:start + chunk_ms]
chunk_path = f'audio_chunks/chunk_{i:03d}.mp3'
chunk.export(chunk_path, format='mp3')
chunks.append(chunk_path)
return chunks
def transcribe_long_audio(path: str) -> str:
chunks = split_audio(path, chunk_minutes=10)
transcripts = []
for chunk_path in chunks:
text = transcribe_audio(chunk_path)
transcripts.append(text)
# Clean up chunks
for chunk_path in chunks:
os.remove(chunk_path)
return ' '.join(transcripts)Конвейер обработки аудио в реальном времени
Конвейер обработки в реальном времени захватывает входной сигнал с микрофона фрагментами, отправляет каждый фрагмент в Whisper по мере его поступления и передаёт результат TTS обратно потоком, создавая почти мгновенный цикл голосового разговора. Главная сложность — управление задержкой на каждом этапе.
import asyncio
import time
async def realtime_voice_loop(mic_stream, speaker_stream, client):
"""
mic_stream: async generator yielding audio bytes
speaker_stream: async callable accepting audio bytes
"""
buffer = b''
BUFFER_THRESHOLD = 50 * 1024 # ~3 seconds at 16kHz mono mp3
async for audio_chunk in mic_stream:
buffer += audio_chunk
if len(buffer) >= BUFFER_THRESHOLD:
t0 = time.time()
# Save buffer to temp file
with open('/tmp/voice_chunk.mp3', 'wb') as f:
f.write(buffer)
buffer = b''
# Transcribe
text = transcribe_audio('/tmp/voice_chunk.mp3')
print(f'Transcribed ({time.time()-t0:.1f}s): {text}')
# Agent response
reply = voice_agent_respond(text)
# TTS and stream to speaker
for audio_bytes in stream_tts_chunks(reply):
await speaker_stream(audio_bytes)Определение языка и автоматическая маршрутизация
Whisper автоматически определяет язык речи. Используйте определённый язык, чтобы направить разговор подходящей персоне агента или задать язык TTS для ответа.
def transcribe_and_detect_language(audio_path: str) -> dict:
from openai import OpenAI
client = OpenAI(api_key='YOUR_OPENAI_API_KEY')
with open(audio_path, 'rb') as f:
result = client.audio.transcriptions.create(
model='whisper-1',
file=f,
response_format='verbose_json'
)
return {
'text': result.text,
'language': result.language, # e.g. 'english', 'spanish'
'duration': result.duration
}
LANGUAGE_VOICE_MAP = {
'english': 'nova',
'spanish': 'alloy',
'french': 'echo',
'german': 'fable'
}
def respond_in_detected_language(audio_path: str) -> str:
info = transcribe_and_detect_language(audio_path)
voice = LANGUAGE_VOICE_MAP.get(info['language'], 'nova')
reply = voice_agent_respond(info['text'])
return text_to_speech(reply, voice=voice)Обработка фонового шума и низкого качества аудио
Низкое качество аудио снижает точность расшифровки. Практические меры: предварительно обработайте аудио с подавлением шума (библиотека noisereduce), добавьте специализированную лексику в prompt Whisper, проверьте уверенность расшифровки и попросите уточнить сказанное, если уверенность низкая.
def transcribe_with_quality_check(
audio_path: str,
min_confidence_words: int = 3
) -> dict:
from openai import OpenAI
import string
client = OpenAI(api_key='YOUR_OPENAI_API_KEY')
with open(audio_path, 'rb') as f:
result = client.audio.transcriptions.create(
model='whisper-1',
file=f,
response_format='verbose_json',
timestamp_granularities=['word']
)
# Word count as a basic quality proxy
words = result.text.translate(
str.maketrans('', '', string.punctuation)
).split()
quality_ok = len(words) >= min_confidence_words
return {
'text': result.text,
'word_count': len(words),
'quality_ok': quality_ok,
'fallback_message': None if quality_ok else 'I could not hear you clearly. Please repeat.'
}Проверка знаний
Что делает параметр prompt Whisper?
Повторение: рабочие процессы агента для аудио и текста
Отлично! Главное:
- Whisper: поддерживает mp3, wav, m4a и другие форматы; максимальный размер — 25 MB; большие файлы следует разделять с помощью pydub
- Временные метки: используйте
verbose_jsonс параметромtimestamp_granularitiesдля определения времени сегментов - TTS: OpenAI TTS предлагает несколько голосов; передавайте фрагменты потоком для уменьшения задержки
- Определение языка: Whisper определяет язык автоматически; направляйте запрос к подходящему голосу или агенту на основе определённого языка
- Конвейер обработки в реальном времени: буферизация аудиофрагментов → расшифровка → агент → потоковая передача TTS
Далее: понимание видео агентами — извлечение кадров и рассуждение о последовательности событий.
Часто задаваемые вопросы
Урок «Рабочие процессы агентов с аудио и текстом» бесплатный?
Да — полный текст урока «Рабочие процессы агентов с аудио и текстом» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс AI Agents, подпишись на CoddyKit PRO. Курс AI Agents содержит 4 уроков всего.
Чему я научусь в уроке «Рабочие процессы агентов с аудио и текстом»?
Расшифровка → рассуждение → аудиоответ: полный конвейер. Ты практикуешь AI Agents с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать AI Agents?
Предыдущий опыт не требуется. AI Agents на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 2 из 4.
Сколько времени занимает урок «Рабочие процессы агентов с аудио и текстом»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке AI Agents?
Да. Каждый урок AI Agents включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Агенты, работающие с изображениями и текстом: Claude Vision и GPT-4V
- Рабочие процессы агентов с аудио и текстом
- Понимание видео агентами
- Шаблоны кросс-модального рассуждения