step toutes les 80 ms. Chaque step contient
des prédictions de VAD sémantique : la probabilité que le locuteur soit
inactif à plusieurs horizons futurs. Combinez ces probabilités
avec delay_in_frames et flush pour construire une gestion des tours de parole
réactive, qui ne coupe pas la parole aux gens.
Utilisez ces signaux pour décider quand un agent doit répondre.
Règle de base
Commencez par l’horizon le plus long et un seuil d’environ0.5 :
Boucle complète
Délai adaptatif
delay_in_frames contrôle la quantité de contexte qu’utilise le modèle de transcription avant
d’émettre du texte. Chaque trame dure 80 ms. Des valeurs plus élevées peuvent améliorer la qualité
du texte mais retardent la sortie. Des valeurs plus faibles sont plus réactives mais peuvent être
moins stables. Les valeurs prises en charge sont 7, 8, 10, 12, 14, 16,
20, 24, 32, 36 et 48.
Lorsque l’application estime qu’un tour est terminé, send_flush() demande au serveur
de traiter l’audio en attente, puis renvoie un message flushed
correspondant. Considérez flushed comme le moment où le tour en cours est prêt
pour l’étape suivante du pipeline de votre agent.
Voir aussi
WebSocket de transcription (STT)
Types de messages STT, détails de la VAD et flush.
Paramètres de transcription
Réglez
language, temp, padding_bonus et delay_in_frames.