Suporte upstream incluído

Arquivos de suporte são incluídos em caminhos relativos à skill. Veja UPSTREAM-NOTICE.md para suas fontes fixadas, licenças, hashes e alterações de importação.

Geração de Podcast com GPT Realtime Mini

Gere narrativas de áudio reais a partir de conteúdo de texto usando a API Realtime da Azure OpenAI.

Início Rápido

1. Configure variáveis de ambiente para a API Realtime
2. Conecte-se via WebSocket ao endpoint Realtime da Azure OpenAI
3. Envie o prompt de texto, colete blocos de áudio PCM + transcrição
4. Converta PCM para o formato WAV
5. Retorne o áudio codificado em base64 para o frontend para reprodução

Configuração de Ambiente

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

Observação: O endpoint NÃO deve incluir /openai/v1/ - apenas a URL base.

Fluxo de Trabalho Principal

Geração de Áudio no Backend

from openai import AsyncOpenAI
import base64

# Convert HTTPS endpoint to 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:
    # Configure for audio-only output
    await conn.session.update(session={
        "output_modalities": ["audio"],
        "instructions": "You are a narrator. Speak naturally."
    })
    
    # Send text to narrate
    await conn.conversation.item.create(item={
        "type": "message",
        "role": "user",
        "content": [{"type": "input_text", "text": prompt}]
    })
    
    await conn.response.create()
    
    # Collect streaming events
    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

# Convert PCM to WAV (see scripts/pcm_to_wav.py)
pcm_audio = b''.join(audio_chunks)
wav_audio = pcm_to_wav(pcm_audio, sample_rate=24000)

Reprodução de Áudio no Frontend

// Convert base64 WAV to playable 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();

Opções de Voz

Eventos da API Realtime

• response.output_audio.delta - Bloco de áudio em Base64
• response.output_audio_transcript.delta - Texto da transcrição
• response.done - Geração concluída
• error - Lidar com event.error.message

Formato de Áudio

• Entrada: Prompt de texto
• Saída: Áudio PCM (24kHz, 16 bits, mono)
• Armazenamento: WAV codificado em Base64

Referências

• Arquitetura completa: Veja references/architecture.md para o design completo da stack
• Exemplos de código: Veja references/code-examples.md para padrões de produção
• Conversão de PCM: Use scripts/pcm_to_wav.py para a conversão do formato de áudio

Quando Usar

Esta skill é aplicável para executar o fluxo de trabalho ou as ações descritas na visão geral.

Limitações

• Use esta skill apenas quando a tarefa corresponder claramente ao escopo descrito acima.
• Não trate a saída como substituta para validação, testes ou revisão de especialistas específicos do ambiente.
• Pare e peça esclarecimentos se faltarem entradas, permissões, limites de segurança ou critérios de sucesso necessários.