実践 Realtime API 〜入力として音声データを扱う〜 技術本部 Eight Engineering Unit　藤門 莉生

自己紹介 藤門 莉生（Rio Fujimon） - Sansan株式会社 - 23卒（新卒2年目） - Eight の iOSアプリを開発 - X（旧 Twitter）：@RioFujimon - iOS開発で主に興味がある領域 - UIKit, SwiftUI - Bluetooth, NFC, Audio, etc

Realtime API https://openai.com/index/introducing-the-realtime-api/

Realtime API 紹介 開発者はアプリケーションに 高速な音声合成体験 を組み込めるようになった

Realtime API を利用するメリット Whisper 音声を テキストに 書き起こす テキスト 解析モデル 目的の 応答を生成 Realtime API

Kanagawa.swift で話した内容 目的の 応答を生成 Realtime API https://speakerdeck.com/riofujimon/realtime-api-ru-men 👇以下でスライドを公開中 👇 Swift で Realtime API を扱う基本を中心に話した

本日話す内容 目的の 応答を生成 Realtime API 音声データを Realtime API への入力として扱う方法を話す

Realtime API Sample App

実装を見ていく 󰳕

https://platform.openai.com/docs/guides/realtime#audio-formats

💡 要点 - 24kHz, PCM16 の 形式に変換処理を 実施して出力する

💡 要点 - AVAudioSession を 設定し、有効化する

👀 AVAudioPCMBuffer のプロパティを表示してみる

💡 要点 - デフォルトでは、 48kHz, 32 bit の形式 - Int16 の値は、nil

💡 要点（⭐⭐⭐） 1. AVAudioFormat で24kHz, 16 bit の形式を 作成する 2. 指定の形式に変換するための Converter を 作成する 3. 形式変換後の AVAudioPCMBuffer を 準備する 4. Converter で 変換して AVAudioPCMBuffer に格納する 5. 16bit の値を取得する

👀 変換後のAVAudioPCMBuffer のプロパティを表示してみる

目的の形式（ 16bit PCM Audio, 24kHz, 1channel）に変換完了 🎉

💡 要点 - AVAudioEngine を起動する - AVAudioEngine, Stream を停止する

💡 要点 - 外部への公開メソッドは 2つのみ - startStreaming() -> AsyncStream - Data 型に変換した PCM16 形式の 音声データを流す - stopStreaming()

💡 要点 - startStreaming() -> AsyncStream を呼び出してストリーミングを開始する - Data 型に変換した PCM16 形式の 音声データを取得する - APIClient の sendAudioBuffer(_: Data) で Realtime API に音声データを送信 - stopStreaming() でストリーミングを 停止する

💡 要点 - Client Event を作成 - 音声データを送信時は、以下 2つを 指定する - type: input_audio_buffer.append - audio: 24kHz, PCM16, base64エン コードされた音声データの文字列 - WebSocket を利用して Client Event を 送信する ※ 補足 ( https://platform.openai.com/docs/guides/realtime#server-vad-mode ) - Realtime API では、VAD（Voice Activity Detection） がデフォルトで有効

今後お話する内容 目的の 応答を生成 Realtime API Realtime API からのレスポンスをを音声としてリアルタイム再生する

Thank You For Listening