Skip to main content
La transcription (STT) de Gradium émet des messages 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’environ 0.5 :
Il s’agit d’un point de départ, pas d’une règle universelle. Ajustez selon l’application :

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.