ما هي واجهة برمجة التطبيقات الصوتية الفورية؟

تحافظ واجهة برمجة التطبيقات الصوتية في الوقت الحقيقي على جلسة صوتية مباشرة ثنائية الاتجاه عبر اتصال WebSocket واحد: يقوم تطبيقك ببث صوت الميكروفون إلى النموذج ويشغل رده المنطوق عند وصوله. يمكن للمستخدم مقاطعة الرد في أي وقت، ونفس نقطة النهاية تخدم أيضا النسخ المباشر.

أنواع النماذج

ما هي واجهة برمجة التطبيقات الصوتية في الوقت الحقيقي

تتبع معظم واجهات برمجة التطبيقات بالذكاء الاصطناعي نمط الطلب والرد: ترسل إدخالا كاملا وتنتظر مخرجا كاملا. بدلا من ذلك، تبقي واجهة برمجة التطبيقات الصوتية في الوقت الحقيقي الاتصال مفتوحا. يتدفق الصوت في كلا الاتجاهين في نفس الوقت عبر WebSocket، بحيث يمكن لتطبيقك بث ميكروفون المستخدم إلى النموذج بينما يتدفق رد النموذج المنطوق. يمكن لأي طرف التحدث في أي وقت، لذا يمكن للمستخدم مقاطعة النموذج أثناء الرد.

النموذج الذي تتصل به يحدد نوع الجلسة التي تحصل عليها:

  • كلام إلى كلام. محادثة منطوقة مع نموذج يستمع ويجيب بصوته الخاص.
  • النسخة الحية. تم إعادة النص بينما لا يزال المتحدث يتحدث.
  • ترجمة الكلام. يجيب النموذج بلغة مستهدفة، مع نص وصوت.
  • تحويل النص إلى كلام. تبث النص، ويعود الكلام بينما النص لا يزال في طريقه.

كيف تعمل الجلسة الفورية

تفتح WebSocket إلى wss://api.empiriolabs.ai/v1/realtime?model=MODEL_ID وقم بالمصادقة باستخدام مفتاح API الخاص بك في التفويض رأس المصافحة. بمجرد بدء الجلسة، تقوم بضبط الصوت، والتعليمات، ووضع اكتشاف الأدوار، ثم تبث الصوت على دفعات صغيرة. يرسل النموذج أجزاء صوتية للتشغيل، ونصا لما يقوله، وحدث يحدد نهاية كل دور.

يحدد اكتشاف الدوران متى يجيب النموذج. مع اكتشاف النشاط الصوتي على جانب الخادم، يلاحظ النموذج توقف المتحدث ويرد من تلقاء نفسه، ويقطع الحديث أثناء رده الرد. مع إيقاف اكتشاف التوقف، ينهي تطبيقك كل دور ويطلب الرد. يمكن للعديد من speech-to-speech نماذج أيضا استدعاء الدوال التي تعلنها أثناء المحادثة، وبعضها يقبل إطارات فيديو مباشرة أو البحث على الويب.

يجب ألا يحمل كود المتصفح مفتاح واجهة برمجة التطبيقات الخاصة بك، لذا تتصل صفحة الويب بسر عميل قصير العمر ينشئه الخادم باستخدام ما بعد /v1/realtime/client_secrets. تتبع نقطة النهاية بروتوكول OpenAI Realtime، بحيث يمكن لمجموعات تطوير البرمجيات OpenAI الاتصال بها.

ما يستخدم الصوت في الوقت الحقيقي من أجله

  • وكلاء الصوت. طوابير الدعم والحجز والاستقبال التي تجيب على الأسئلة وتتصل بموظفياتك للبحث عن طلب أو تحديد موعد.
  • مساعدون داخل التطبيق. مساعدة بدون استخدام اليدين داخل منتج أو جهاز.
  • الدروس الخصوصية وممارسة اللغة. دروس منطوقة تستجيب أثناء حديث المتعلم.
  • الترجمة الحية. إرسال رسائل نصية للاجتماعات والبثوث والفعاليات أثناء حديث الناس.
  • التفسير. الكلام المترجم إلى لغة مستهدفة أثناء المحادثة.

اختيار نموذج وكيفية عمل الفوترة

قارن زمن الاستجابة والأصوات واللغات، وكيفية تعامل النموذج مع الانقطاعات والضوضاء الخلفية، وما إذا كان يدعم استدعاء الدوال، إدخال الفيديو، أو البحث عبر الويب. ثم تحقق من وحدة الفوترة في كل صفحة نموذج. نماذج تحويل الكلام إلى كلام تفوتر كل دور مكتمل من الرموز التي استخدمتها، والعديد منها يسعر رموز الصوت والنص بشكل منفصل، لذا فإن الدور المنطوق والدور المكتوب بنفس الطول يكلفان مبالغ مختلفة. النموذج الذي يسعر في الدقيقة يفرض فواتير على طول الجلسة بدلا من ذلك. النسخ الحي يفوتر حسب مدة الصوت الذي ترسله، أو حسب الرموز في بعض النماذج.

جرب نموذجا في الوقت الحقيقي على EmpirioLabs AI

افتح ال Playground، اختر نموذجا في الوقت الحقيقي، اختر صوتا وابدأ بالكلام. لبناء عميل خاص بك، أنشئ مفتاح API في لوحة التحكم واتبع دليل واجهة برمجة التطبيقات للصوت في الوقت الحقيقي، الذي يسرد كل نموذج في الوقت الحقيقي مع لغاته وأصواته، والأحداث، والمثال الكامل. تظهر النماذج الفورية بين نماذج صوتية و نماذج النسخ.

ادفع أثناء الاستخدام، أو اختر خطة مع بدلات أسبوعية. الأسعار الحالية على صفحة الأسعار.

النماذج على EmpirioLabs AI

عدد النماذج: 20، مرتبة من الأرخص حين تشترك في وحدة الفوترة. تعرض صفحة كل نموذج جدول أسعاره الكامل ومعلماته وأمثلة الكود.

نقاط النهاية

POST /v1/audio/transcriptions WEBSOCKET /v1/realtime POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices

السعر لكل دقيقة أو ساعة من الصوت

النموذجأقل سعرينطبق على
StepAudio 2.5 ASR Stream StepFun$0.40 لكل ساعة صوتيةالنسخ
Qwen Audio 3.0 ASR Stream Alibaba Cloud$0.648 لكل ساعة صوتيةالنسخ
Deepgram Nova-3 Stream Deepgram$0.025 لكل دقيقة من الصوتالنسخ
OpenAI Whisper 1 OpenAI$0.030 في الدقيقةلكل دقيقة صوت

متاح أيضًا: StepAudio 3 Realtime, StepAudio 2.5 Realtime, Qwen3.5 Omni Flash Realtime, Qwen3.5 Omni Plus Realtime, Qwen3.8 LiveTranslate Flash Realtime, Qwen3.8 Omni Flash Realtime, Qwen Audio 3.1 Realtime Plus, Gemini 3.8 Live, Gemini 3.8 Live Extended Thinking, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message, Qwen Audio 3.1 TTS, Qwen Audio 3.1 TTS Plus, Qwen Audio 3.1 Realtime Flash, Qwen Audio 3.0 Realtime Plus, Qwen Audio 3.0 Realtime Flash

الأسئلة الشائعة

ما الفرق بين واجهة برمجة التطبيقات الصوتية الفورية وواجهة برمجة التطبيقات text-to-speech؟

تقوم واجهة برمجة التطبيقات text-to-speech بتحويل النص إلى صوت، طلبا تلو الآخر. تحافظ واجهة برمجة التطبيقات الصوتية في الوقت الحقيقي على اتصال ثنائي الاتجاه مفتوحا، بحيث يمكن للنموذج الاستماع والرد بالكلام والتعرض للمقاطعة خلال جلسة واحدة.

لماذا تستخدم واجهة برمجة التطبيقات الصوتية الفورية WebSocket؟

يحمل WebSocket البيانات في كلا الاتجاهين في نفس الوقت عبر اتصال واحد، لذا يمكن لصوت الميكروفون أن يتدفق إلى النموذج بينما يتدفق رده مرة أخرى. استجابة HTTP المتدفقة تحمل فقط المخرج.

هل يمكن للمستخدمين مقاطعة الذكاء الاصطناعي أثناء حديثه؟

نعم. مع اكتشاف نشاط الصوت على جانب الخادم، يؤدي التحدث أثناء رد النموذج إلى مقاطعته، ويستجيب النموذج للإدخال الجديد.

كيف يتم تحصيل جلسة الصوت في الوقت الحقيقي؟

نماذج تحويل الكلام إلى كلام تفوتر كل دور مكتمل حسب رموزه، أو طول الجلسة على النماذج المسعرة لكل دقيقة. فواتير النسخ المباشر حسب مدة الصوت المرسل، أو حسب الرموز في بعض النماذج. على EmpirioLabs AI يمكنك الدفع أثناء اللعب أو اختيار خطة مع بدلات أسبوعية.

هل يمكنني الاتصال بواجهة برمجة تطبيقات صوتية في الوقت الحقيقي من المتصفح؟

نعم. ينشئ خادمك سر عميل قصير الأمد باستخدام مفتاح API الخاص بك، وتفتح صفحة الويب WebSocket بهذا السر، بحيث لا يصل مفتاح API إلى المتصفح.

هل أنت مستعد لاستخدام نقاط نهاية أفضل؟

تحقق من تسعيرنا أو تواصل إذا كنت ترغب في نشر نموذجك الخاص على مجموعتنا.