使用 GPT Realtime Mini 生成播客

使用 Azure OpenAI 的 Realtime API 从文本内容生成真实音频叙事。

快速开始

1. 为 Realtime API 配置环境变量
2. 通过 WebSocket 连接到 Azure OpenAI Realtime 端点
3. 发送文本提示，收集 PCM 音频块 + 转写文本
4. 将 PCM 转换为 WAV 格式
5. 返回 base64 编码的音频到前端播放

环境配置

AZURE_OPENAI_AUDIO_API_KEY=your_realtime_api_key
AZURE_OPENAI_AUDIO_ENDPOINT=https://your-resource.cognitiveservices.azure.com
AZURE_OPENAI_AUDIO_DEPLOYMENT=gpt-realtime-mini

注意：端点不应包含 /openai/v1/ —— 仅使用基础 URL。

核心工作流

后端音频生成

from openai import AsyncOpenAI
import base64

# 将 HTTPS 端点转换为 WebSocket URL
ws_url = endpoint.replace("https://", "wss://") + "/openai/v1"

client = AsyncOpenAI(
    websocket_base_url=ws_url,
    api_key=api_key
)

audio_chunks = []
transcript_parts = []

async with client.realtime.connect(model="gpt-realtime-mini") as conn:
    # 配置为仅音频输出
    await conn.session.update(session={
        "output_modalities": ["audio"],
        "instructions": "You are a narrator. Speak naturally."
    })
    
    # 发送要叙述的文本
    await conn.conversation.item.create(item={
        "type": "message",
        "role": "user",
        "content": [{"type": "input_text", "text": prompt}]
    })
    
    await conn.response.create()
    
    # 收集流式事件
    async for event in conn:
        if event.type == "response.output_audio.delta":
            audio_chunks.append(base64.b64decode(event.delta))
        elif event.type == "response.output_audio_transcript.delta":
            transcript_parts.append(event.delta)
        elif event.type == "response.done":
            break

# 将 PCM 转换为 WAV（见 scripts/pcm_to_wav.py）
pcm_audio = b''.join(audio_chunks)
wav_audio = pcm_to_wav(pcm_audio, sample_rate=24000)

前端音频播放

// 将 base64 WAV 转换为可播放的 blob
const base64ToBlob = (base64, mimeType) => {
  const bytes = atob(base64);
  const arr = new Uint8Array(bytes.length);
  for (let i = 0; i < bytes.length; i++) arr[i] = bytes.charCodeAt(i);
  return new Blob([arr], { type: mimeType });
};

const audioBlob = base64ToBlob(response.audio_data, 'audio/wav');
const audioUrl = URL.createObjectURL(audioBlob);
new Audio(audioUrl).play();

音色选项

Realtime API 事件

• response.output_audio.delta - Base64 音频块
• response.output_audio_transcript.delta - 转写文本
• response.done - 生成完成
• error - 通过 event.error.message 处理

音频格式

• 输入：文本提示
• 输出：PCM 音频（24kHz、16 位、单声道）
• 存储：Base64 编码的 WAV

参考资料

• 完整架构：详见 references/architecture.md 获取完整技术栈设计
• 代码示例：详见 references/code-examples.md 获取生产模式
• PCM 转换：使用 scripts/pcm_to_wav.py 进行音频格式转换