Echtzeit-Konversation

# Abhängigkeit: pip install "openai[realtime]"
import asyncio
import base64
from openai import AsyncOpenAI

# Die Wiederverwendung des offiziellen SDK erfordert nur zwei Anpassungen:
#   1) websocket_base_url auf das AiHubMix-Gateway richten (statt der OpenAI-Standardadresse)
#   2) model explizit an connect() übergeben, erforderlich für den Gateway-Handshake (kein intent für Konversation)
client = AsyncOpenAI(
    api_key="sk-***",  # Ersetzen Sie dies durch Ihren AiHubMix-API-Schlüssel
    websocket_base_url="wss://aihubmix.com/v1",
)

async def main():
    async with client.realtime.connect(model="gpt-realtime-2.1") as conn:
        # 1) Sitzung konfigurieren: Systemanweisungen + Stimme + VAD aktivieren (automatische Turn-Erkennung)
        await conn.session.update(session={
            "type": "realtime",
            "instructions": "You are a helpful voice assistant. Keep answers concise.",
            "audio": {
                "input": {
                    "format": {"type": "audio/pcm", "rate": 24000},
                    "turn_detection": {"type": "server_vad"},
                },
                "output": {
                    "format": {"type": "audio/pcm", "rate": 24000},
                    "voice": "alloy",
                },
            },
        })

        # 2) Eine Textnachricht senden und eine Antwort anfordern (Audioeingabe siehe append/commit im rohen Beispiel)
        await conn.conversation.item.create(item={
            "type": "message",
            "role": "user",
            "content": [{"type": "input_text", "text": "What is the capital of France?"}],
        })
        await conn.response.create()

        # 3) Antwort dieses Turns empfangen: Text kommt als Transkript-Deltas, Sprache als Audio-Deltas
        async for event in conn:
            if event.type == "response.output_audio_transcript.delta":
                print(event.delta, end="", flush=True)  # Antworttext (Ausgabe enthält Audio)
            elif event.type == "response.output_audio_transcript.done":
                print()  # Transkript dieses Turns abgeschlossen
            elif event.type == "response.output_text.delta":
                print(event.delta, end="", flush=True)  # reine Textausgabe
            elif event.type == "response.output_text.done":
                print()
            elif event.type == "response.output_audio.delta":
                pass  # base64-kodiertes PCM16-Audiostück, zum Abspielen dekodieren
            elif event.type == "input_audio_buffer.speech_started":
                pass  # Nutzerunterbrechung: Wiedergabe stoppen, dann conn.conversation.item.truncate(...) aufrufen
            elif event.type == "response.done":
                print("\n[Turn abgeschlossen]", event.response.usage)
                break
            elif event.type == "error":
                print("\n[Fehler]", event.to_dict())
                break

asyncio.run(main())

import asyncio
import base64
import json
import websockets

API_KEY = "sk-***"  # Ersetzen Sie dies durch Ihren AiHubMix-API-Schlüssel
URL = "wss://aihubmix.com/v1/realtime?model=gpt-realtime-2.1"

async def main():
    # websockets >= 13 nutzt additional_headers; ältere Versionen nutzen extra_headers
    async with websockets.connect(
        URL, additional_headers={"Authorization": f"Bearer {API_KEY}"}
    ) as ws:
        # 1) Sitzung konfigurieren (VAD aus, Zeitpunkt der Antwort manuell steuern)
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "type": "realtime",
                "instructions": "You are a helpful voice assistant.",
                "audio": {
                    "input": {
                        "format": {"type": "audio/pcm", "rate": 24000},
                        "turn_detection": None,
                    },
                    "output": {
                        "format": {"type": "audio/pcm", "rate": 24000},
                        "voice": "alloy",
                    },
                },
            },
        }))

        # 2) Lokale rohe PCM16- / 24-kHz- / Mono-Datei lesen, in Stücken senden, dann commit + Antwort anfordern
        async def send_audio():
            with open("audio_pcm16_24k.raw", "rb") as f:
                pcm = f.read()
            chunk = 24000 * 2 // 10  # 100 ms = Abtastrate x 2 Byte / 10
            for i in range(0, len(pcm), chunk):
                await ws.send(json.dumps({
                    "type": "input_audio_buffer.append",
                    "audio": base64.b64encode(pcm[i:i + chunk]).decode(),
                }))
                await asyncio.sleep(0.1)  # Echtzeit-Takt simulieren
            # Bei deaktiviertem VAD manuell übergeben und eine Antwort anfordern
            await ws.send(json.dumps({"type": "input_audio_buffer.commit"}))
            await ws.send(json.dumps({"type": "response.create"}))

        asyncio.create_task(send_audio())

        # 3) Antwort empfangen
        async for msg in ws:
            evt = json.loads(msg)
            etype = evt.get("type", "")
            if etype == "response.output_audio_transcript.delta":
                print(evt.get("delta", ""), end="", flush=True)  # Antworttext (Ausgabe enthält Audio)
            elif etype == "response.output_audio_transcript.done":
                print()  # Transkript dieses Turns abgeschlossen
            elif etype == "response.output_text.delta":
                print(evt.get("delta", ""), end="", flush=True)  # reine Textausgabe
            elif etype == "input_audio_buffer.speech_started":
                pass  # Nutzerunterbrechung: Wiedergabe stoppen, dann conversation.item.truncate senden
            elif etype == "response.output_audio.delta":
                pass  # base64-kodiertes PCM16-Audiostück, zum Abspielen dekodieren
            elif etype == "response.done":
                print("\n[Turn abgeschlossen]", evt.get("response", {}).get("usage"))
                break
            elif etype == "error":
                print("\n[Fehler]", evt.get("error"))
                break

asyncio.run(main())

# Abhängigkeit: pip install openai-agents
import asyncio
from agents.realtime import (
    OpenAIRealtimeWebSocketModel,
    RealtimeAgent,
    RealtimeSession,
)

agent = RealtimeAgent(
    name="Assistant",
    instructions="You are a helpful voice assistant. Keep answers concise.",
)

async def main():
    session = RealtimeSession(
        OpenAIRealtimeWebSocketModel(),
        agent,
        None,
        model_config={
            "api_key": "sk-***",  # Ersetzen Sie dies durch Ihren AiHubMix-API-Schlüssel
            "url": "wss://aihubmix.com/v1/realtime?model=gpt-realtime-2.1",
        },
        run_config={
            "model_settings": {
                "modalities": ["audio"],
                "output_audio_format": "pcm16",
                # Zwingend deaktivieren: Die standardmäßig aktive Audio-Transkription der Eingabe
                # wird von dieser API nicht unterstützt, sonst wird die Sitzung mit 1008 geschlossen
                "input_audio_transcription": None,
            },
        },
    )
    async with session:
        await session.send_message("What is the capital of France?")
        async for event in session:
            if getattr(event, "type", "") == "raw_model_event":
                data = getattr(event, "data", None)
                if getattr(data, "type", "") == "transcript_delta":
                    print(getattr(data, "delta", ""), end="", flush=True)
                elif getattr(data, "type", "") == "turn_ended":
                    print("\n[Turn abgeschlossen]")
                    return

asyncio.run(main())

# Mit wscat schnell Konnektivität und Authentifizierung prüfen (erfordert npm i -g wscat)
wscat -c "wss://aihubmix.com/v1/realtime?model=gpt-realtime-2.1" \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY"

# Nach dem Verbinden einen session.update-Frame einfügen, dann eine Textnachricht + response.create senden