[VoiceRAG] 前端实时通信 | useRealTime钩子

第5章：前端实时通信（useRealTime钩子）

在第4章：浏览器音频处理中，我们学习了浏览器如何作为精密麦克风与扬声器，捕获你的语音并播放AI的响应。

但录音如何从浏览器传送到AI的"大脑"（后端的RTMiddleTier）？AI的语音回答和附加信息（如RAG工具集的来源引用）又如何实时返回浏览器？

这正是前端实时通信的核心，特别是通过useRealTime钩子实现

问题：建立浏览器与AI的实时连接

设想你需要与AI进行闪电般快速的语音对话。

浏览器已准备好录音，后端AI也已待命，但两者之间缺少实时通信的"电话线"。

常规网页交互通常是发送请求后等待完整响应（如加载新页面）。但语音对话需要更快速、更持续的通信：

• 持续输入：说话时，语音小片段需持续流向AI
• 持续输出：AI思考与回答时，其语音和支持信息（如答案来源）需实时返回，通常在说完前就开始传输
• 低延迟：任何延迟都会让对话感觉不自然

这需要WebSocket——专为实时双向通信设计的特殊网络连接。

解决方案：useRealTime钩子——AI的专用对讲机

useRealTime钩子是客户端引擎，管理浏览器与后端RTMiddleTier之间的WebSocket连接。它如同直接连接浏览器与AI的对讲机，功能包括：

• 建立连接：打开持久的双向"电话线"（WebSocket）
• 发送语音：持续发送录音输入（来自第4章的base64音频块）至后端
• 监听AI响应：持续接收AI的语音响应，通过浏览器播放
• 接收工具结果：监听AI的其他重要消息，如report_grounding工具的来源引用（见第2章）

该钩子确保你的语音直达AI，答案直返给你，实现流畅的实时对话。

如何使用useRealTime钩子

让我们看看主页面组件App.tsx如何用此钩子管理对话。

1. 设置useRealTime钩子

App.tsx组件导入并调用useRealTime钩子，提供各种"事件监听器"（特定事件触发的函数）：

// app/frontend/src/App.tsx
import useRealTime from "@/hooks/useRealtime"; 
import useAudioRecorder from "@/hooks/useAudioRecorder";
import useAudioPlayer from "@/hooks/useAudioPlayer";function App() 
{const [isRecording, setIsRecording] = useState(false);const [groundingFiles, setGroundingFiles] = useState([]); // 存储AI的来源引用const { startSession, addUserAudio, inputAudioBufferClear } = useRealTime({onWebSocketOpen: () => console.log("WebSocket连接已开启"),onReceivedResponseAudioDelta: message => {isRecording && playAudio(message.delta); // 实时播放AI语音},onReceivedExtensionMiddleTierToolResponse: message => {// 处理AI的工具结果（如来源引用）const result = JSON.parse(message.tool_result);const files = result.sources.map(x => ({id: x.chunk_id, name: x.title, content: x.chunk}));setGroundingFiles(prev => [...prev, ...files]); // 更新显示的来源}// ...其他事件处理器...});const { play: playAudio } = useAudioPlayer(); // 播放AI语音const { start: startAudioRecording, stop: stopAudioRecording } = useAudioRecorder({ onAudioRecorded: addUserAudio });// ...其余代码...
}

说明：

• useRealTime钩子调用时会建立WebSocket连接
• onWebSocketOpen在连接就绪时触发
• onReceivedResponseAudioDelta至关重要：接收AI语音块(message.delta)并立即通过playAudio播放，实现实时语音
• onReceivedExtensionMiddleTierToolResponse处理工具结果（如report_grounding的来源引用），更新groundingFiles状态以显示来源

2. 开始与结束对话

点击应用中的麦克风按钮时，onToggleListening函数处理实时通信的启停：

// app/frontend/src/App.tsxconst onToggleListening = async () => {if (!isRecording) {startSession(); // 开启新对话会话await startAudioRecording(); // 开始录音setIsRecording(true);} else {await stopAudioRecording(); // 停止录音inputAudioBufferClear(); // 清除后端待处理音频setIsRecording(false);}};

说明：

• 开始录音时：
  • startSession()发送初始化消息，准备AI的新对话轮次
  • startAudioRecording()开始捕获麦克风输入，通过onAudioRecorded回调（即addUserAudio）持续发送语音块至后端
• 停止录音时：
  • stopAudioRecording()停止捕获
  • inputAudioBufferClear()通知后端清除待处理音频

3. 发送你的音频

如前述，useAudioRecorder通过addUserAudio发送语音块：

// app/frontend/src/hooks/useRealtime.tsx
import useWebSocket from "react-use-websocket";export default function useRealTime({ /* ...参数... */ }) 
{const { sendJsonMessage } = useWebSocket(/* ...WebSocket配置... */);const addUserAudio = (base64Audio: string) => {sendJsonMessage({type: "input_audio_buffer.append", // 消息类型：发送音频audio: base64Audio // 编码为文本的录音});};// ...其他函数...
}

说明：addUserAudio构建包含base64Audio的消息，通过sendJsonMessage经WebSocket发送至后端。说话时此函数会每秒多次调用。

底层原理：实时通信流程

追踪语音输入如何通过useRealTime钩子和WebSocket连接触发AI响应及来源引用：

代码解析：useRealTime.tsx

useRealTime钩子基于React库react-use-websocket，简化了WebSocket在React应用中的使用。

1. 建立WebSocket连接

useRealTime核心是通过useWebSocket建立连接：

// app/frontend/src/hooks/useRealtime.tsx（简化）
import useWebSocket from "react-use-websocket";export default function useRealTime({ /* ...参数... */ }) {const wsEndpoint = useDirectAoaiApi ? `${aoaiEndpointOverride}/openai/realtime?...` // 直连Azure OpenAI: `/realtime`; // 默认连接RTMiddleTier（第3章）const { sendJsonMessage } = useWebSocket(wsEndpoint, {onOpen: () => onWebSocketOpen?.(), // 连接开启回调onMessage: event => onMessageReceived(event), // 处理所有接收消息shouldReconnect: () => true // 断开时自动重连});// ...其余代码...
}

说明：

• wsEndpoint决定连接目标（默认/realtime路径指向RTMiddleTier）
• useWebSocket返回sendJsonMessage函数，用于发送JSON消息
• onMessageReceived是处理接收消息的核心

2. 接收与路由消息（onMessageReceived）

onMessageReceived如同消息接待台，根据type字段调用对应处理器：

// app/frontend/src/hooks/useRealtime.tsx（简化）const onMessageReceived = (event: MessageEvent<any>) => {const message = JSON.parse(event.data); // 解析JSON消息switch (message.type) {case "response.audio.delta":onReceivedResponseAudioDelta?.(message); // 处理AI语音块break;case "extension.middle_tier_tool_response":onReceivedExtensionMiddleTierToolResponse?.(message); // 处理工具结果break;case "response.done":onReceivedResponseDone?.(message); // AI完成响应break;case "error":onReceivedError?.(message); // 错误处理break;}};

说明：通过switch语句根据message.type路由消息，如response.audio.delta触发语音播放，extension.middle_tier_tool_response更新来源引用显示。

关键消息类型

app/frontend/src/types.ts定义了前后端通信的消息结构，关键类型包括：

消息类型	方向	描述	对应处理器
session.update	前端->后端	初始化/更新会话	startSession
input_audio_buffer.append	前端->后端	发送用户音频块	addUserAudio
response.audio.delta	后端->前端	发送AI语音块	onReceivedResponseAudioDelta
extension.middle_tier_tool_response	后端->前端	发送RAG工具结果（如来源引用）	onReceivedExtensionMiddleTierToolResponse

此表展示了前后端如何通过结构化消息进行"对话"。

总结

useRealTime钩子是连接浏览器音频能力（第4章）与后端AI智能（RTMiddleTier和RAG工具集）的关键通信层。

通过稳健的WebSocket连接，它确保你的语音流畅传输至AI，而AI的语音响应和工具结果（如来源引用）实时返回，使整个语音对话生动而响应迅速。

现在应用已具备听说与实时思考能力，最后一步是学习如何将项目部署至Azure。在第6章：Azure部署（Azure开发者CLI）中，我们将探索如何在云端运行你的AI语音助手。