Skip to main content

概述

聊天界面一直主导着我们与 AI 的交互方式,但多模态 AI 的最新突破正在开启令人兴奋的新可能性。高质量的生成模型和富有表现力的文本转语音(TTS)系统现在使得构建感觉更像对话伙伴而非工具的代理成为可能。 语音代理就是其中一个例子。你无需依赖键盘和鼠标向代理输入,而是可以使用口语与之交互。这可以是一种更自然、更吸引人的与 AI 交互的方式,并且在某些特定场景下尤其有用。

什么是语音代理?

语音代理是能够与用户进行自然口语对话的代理。这些代理结合了语音识别、自然语言处理、生成式 AI 和文本转语音技术,以创建无缝、自然的对话。 它们适用于多种用例,包括:
  • 客户支持
  • 个人助理
  • 免提界面
  • 辅导和培训

语音代理如何工作?

从高层次来看,每个语音代理都需要处理三个任务:
  1. 倾听 - 捕获音频并将其转录
  2. 思考 - 解释意图、推理、规划
  3. 说话 - 生成音频并将其流式传输回用户
差异在于这些步骤的排序和耦合方式。在实践中,生产代理遵循两种主要架构之一:

1. STT > 代理 > TTS 架构(“三明治”)

三明治架构由三个不同的组件组成:语音转文本(STT)、基于文本的 LangChain 代理和文本转语音(TTS)。 优点:
  • 对每个组件的完全控制(可根据需要更换 STT/TTS 提供商)
  • 访问现代文本模态模型的最新功能
  • 行为透明,组件之间界限清晰
缺点:
  • 需要编排多个服务
  • 管理流水线的额外复杂性
  • 从语音到文本的转换会丢失信息(例如,语调、情感)

2. 语音到语音架构(S2S)

语音到语音使用多模态模型,该模型原生处理音频输入并生成音频输出。 优点:
  • 架构更简单,活动部件更少
  • 对于简单交互,通常延迟更低
  • 直接音频处理能捕捉语调和其他语音细微差别
缺点:
  • 模型选项有限,提供商锁定风险更大
  • 功能可能落后于文本模态模型
  • 音频处理方式透明度较低
  • 可控性和自定义选项减少
本指南演示了三明治架构,以平衡性能、可控性和对现代模型功能的访问。三明治架构在某些 STT 和 TTS 提供商下可以实现低于 700 毫秒的延迟,同时保持对模块化组件的控制。

演示应用程序概述

我们将逐步介绍使用三明治架构构建基于语音的代理。该代理将管理三明治店的订单。该应用程序将演示三明治架构的所有三个组件,使用 AssemblyAI 进行 STT,使用 Cartesia 进行 TTS(尽管可以为大多数提供商构建适配器)。 一个端到端的参考应用程序可在 voice-sandwich-demo 仓库中找到。我们将在此处逐步介绍该应用程序。 演示使用 WebSockets 在浏览器和服务器之间进行实时双向通信。相同的架构可以适应其他传输方式,如电话系统(Twilio、Vonage)或 WebRTC 连接。

架构

演示实现了一个流式流水线,其中每个阶段异步处理数据: 客户端(浏览器)
  • 捕获麦克风音频并将其编码为 PCM
  • 建立与后端服务器的 WebSocket 连接
  • 实时将音频块流式传输到服务器
  • 接收并播放合成的语音音频
服务器(Python)
  • 接受来自客户端的 WebSocket 连接
  • 编排三步流水线:
    • 语音转文本 (STT):将音频转发给 STT 提供商(例如,AssemblyAI),接收转录事件
    • 代理:使用 LangChain 代理处理转录,流式传输响应令牌
    • 文本转语音 (TTS):将代理响应发送给 TTS 提供商(例如,Cartesia),接收音频块
  • 将合成音频返回给客户端进行播放
流水线使用异步生成器在每个阶段启用流式传输。这允许下游组件在上游阶段完成之前开始处理,从而最大限度地减少端到端延迟。

设置

有关详细的安装说明和设置,请参阅仓库 README

1. 语音转文本

STT 阶段将传入的音频流转换为文本转录。实现使用生产者-消费者模式来并发处理音频流和转录接收。

关键概念

生产者-消费者模式:音频块与接收转录事件同时发送到 STT 服务。这允许在所有音频到达之前开始转录。 事件类型
  • stt_chunk:STT 服务处理音频时提供的部分转录
  • stt_output:触发代理处理的最终、格式化转录
WebSocket 连接:维护与 AssemblyAI 实时 STT API 的持久连接,配置为 16kHz PCM 音频并自动进行轮次格式化。

实现

from typing import AsyncIterator
import asyncio
from assemblyai_stt import AssemblyAISTT
from events import VoiceAgentEvent

async def stt_stream(
    audio_stream: AsyncIterator[bytes],
) -> AsyncIterator[VoiceAgentEvent]:
    """
    转换流:音频(字节)→ 语音事件(VoiceAgentEvent)

    使用生产者-消费者模式:
    - 生产者:读取音频块并将其发送到 AssemblyAI
    - 消费者:从 AssemblyAI 接收转录事件
    """
    stt = AssemblyAISTT(sample_rate=16000)

    async def send_audio():
        """后台任务,将音频块泵送到 AssemblyAI。"""
        try:
            async for audio_chunk in audio_stream:
                await stt.send_audio(audio_chunk)
        finally:
            # 音频流结束时发出完成信号
            await stt.close()

    # 在后台启动音频发送
    send_task = asyncio.create_task(send_audio())

    try:
        # 接收并生成转录事件
        async for event in stt.receive_events():
            yield event
    finally:
        # 清理
        with contextlib.suppress(asyncio.CancelledError):
            send_task.cancel()
            await send_task
        await stt.close()
应用程序实现了一个 AssemblyAI 客户端来管理 WebSocket 连接和消息解析。请参阅下面的实现;可以为其他 STT 提供商构建类似的适配器。
class AssemblyAISTT:
    def __init__(self, api_key: str | None = None, sample_rate: int = 16000):
        self.api_key = api_key or os.getenv("ASSEMBLYAI_API_KEY")
        self.sample_rate = sample_rate
        self._ws: WebSocketClientProtocol | None = None

    async def send_audio(self, audio_chunk: bytes) -> None:
        """将 PCM 音频字节发送到 AssemblyAI。"""
        ws = await self._ensure_connection()
        await ws.send(audio_chunk)

    async def receive_events(self) -> AsyncIterator[STTEvent]:
        """生成从 AssemblyAI 到达的 STT 事件。"""
        async for raw_message in self._ws:
            message = json.loads(raw_message)

            if message["type"] == "Turn":
                # 最终格式化转录
                if message.get("turn_is_formatted"):
                    yield STTOutputEvent.create(message["transcript"])
                # 部分转录
                else:
                    yield STTChunkEvent.create(message["transcript"])

    async def _ensure_connection(self) -> WebSocketClientProtocol:
        """如果尚未连接,则建立 WebSocket 连接。"""
        if self._ws is None:
            url = f"wss://streaming.assemblyai.com/v3/ws?sample_rate={self.sample_rate}&format_turns=true"
            self._ws = await websockets.connect(
                url,
                additional_headers={"Authorization": self.api_key}
            )
        return self._ws

2. LangChain 代理

代理阶段通过 LangChain 代理 处理文本转录,并流式传输响应令牌。在这种情况下,我们流式传输代理生成的所有文本内容块

关键概念

流式响应:代理使用 stream_mode="messages" 在生成时发出响应令牌,而不是等待完整响应。这使得 TTS 阶段可以立即开始合成。 对话记忆检查点 使用唯一的线程 ID 维护跨轮次的对话状态。这允许代理在对话中引用先前的交流。

实现

from langchain_core.utils.uuid import uuid7
from langchain.agents import create_agent
from langchain.messages import HumanMessage
from langgraph.checkpoint.memory import InMemorySaver

# 定义代理工具
def add_to_order(item: str, quantity: int) -> str:
    """将商品添加到客户的三明治订单中。"""
    return f"Added {quantity} x {item} to the order."

def confirm_order(order_summary: str) -> str:
    """与客户确认最终订单。"""
    return f"Order confirmed: {order_summary}. Sending to kitchen."

# 使用工具和记忆创建代理
agent = create_agent(
    model="anthropic:claude-haiku-4-5",  # 选择你的模型
    tools=[add_to_order, confirm_order],
    system_prompt="""You are a helpful sandwich shop assistant.
    Your goal is to take the user's order. Be concise and friendly.
    Do NOT use emojis, special characters, or markdown.
    Your responses will be read by a text-to-speech engine.""",
    checkpointer=InMemorySaver(),
)

async def agent_stream(
    event_stream: AsyncIterator[VoiceAgentEvent],
) -> AsyncIterator[VoiceAgentEvent]:
    """
    转换流:语音事件 → 语音事件(带代理响应)

    传递所有上游事件,并在处理 STT 转录时添加 agent_chunk 事件。
    """
    # 为对话记忆生成唯一的线程 ID
    thread_id = str(uuid7())

    async for event in event_stream:
        # 传递所有上游事件
        yield event

        # 通过代理处理最终转录
        if event.type == "stt_output":
            # 使用对话上下文流式传输代理响应
            stream = agent.astream(
                {"messages": [HumanMessage(content=event.transcript)]},
                {"configurable": {"thread_id": thread_id}},
                stream_mode="messages",
            )

            # 在到达时生成代理响应块
            async for message, _ in stream:
                if message.text:
                    yield AgentChunkEvent.create(message.text)

3. 文本转语音

TTS 阶段将代理响应文本合成为音频,并将其流式传输回客户端。与 STT 阶段类似,它使用生产者-消费者模式来处理并发文本发送和音频接收。

关键概念

并发处理:实现合并了两个异步流:
  • 上游处理:传递所有事件并将代理文本块发送给 TTS 提供商
  • 音频接收:从 TTS 提供商接收合成的音频块
流式 TTS:一些提供商(如 Cartesia)在接收到文本后立即开始合成音频,使得音频播放可以在代理完成生成完整响应之前开始。 事件传递:所有上游事件保持不变地流过,允许客户端或其他观察者跟踪完整的流水线状态。

实现

from cartesia_tts import CartesiaTTS
from utils import merge_async_iters

async def tts_stream(
    event_stream: AsyncIterator[VoiceAgentEvent],
) -> AsyncIterator[VoiceAgentEvent]:
    """
    转换流:语音事件 → 语音事件(带音频)

    合并两个并发流:
    1. process_upstream(): 传递事件并将文本发送到 Cartesia
    2. tts.receive_events(): 从 Cartesia 生成音频块
    """
    tts = CartesiaTTS()

    async def process_upstream() -> AsyncIterator[VoiceAgentEvent]:
        """处理上游事件并将代理文本发送到 Cartesia。"""
        async for event in event_stream:
            # 传递所有事件
            yield event
            # 将代理文本发送到 Cartesia 进行合成
            if event.type == "agent_chunk":
                await tts.send_text(event.text)

    try:
        # 将上游事件与 TTS 音频事件合并
        # 两个流并发运行
        async for event in merge_async_iters(
            process_upstream(),
            tts.receive_events()
        ):
            yield event
    finally:
        await tts.close()
应用程序实现了一个 Cartesia 客户端来管理 WebSocket 连接和音频流式传输。请参阅下面的实现;可以为其他 TTS 提供商构建类似的适配器。
import base64
import json
import websockets

class CartesiaTTS:
    def __init__(
        self,
        api_key: Optional[str] = None,
        voice_id: str = "f6ff7c0c-e396-40a9-a70b-f7607edb6937",
        model_id: str = "sonic-3",
        sample_rate: int = 24000,
        encoding: str = "pcm_s16le",
    ):
        self.api_key = api_key or os.getenv("CARTESIA_API_KEY")
        self.voice_id = voice_id
        self.model_id = model_id
        self.sample_rate = sample_rate
        self.encoding = encoding
        self._ws: WebSocketClientProtocol | None = None

    def _generate_context_id(self) -> str:
        """为 Cartesia 生成有效的 context_id。"""
        timestamp = int(time.time() * 1000)
        counter = self._context_counter
        self._context_counter += 1
        return f"ctx_{timestamp}_{counter}"

    async def send_text(self, text: str | None) -> None:
        """将文本发送到 Cartesia 进行合成。"""
        if not text or not text.strip():
            return

        ws = await self._ensure_connection()
        payload = {
            "model_id": self.model_id,
            "transcript": text,
            "voice": {
                "mode": "id",
                "id": self.voice_id,
            },
            "output_format": {
                "container": "raw",
                "encoding": self.encoding,
                "sample_rate": self.sample_rate,
            },
            "language": self.language,
            "context_id": self._generate_context_id(),
        }
        await ws.send(json.dumps(payload))

    async def receive_events(self) -> AsyncIterator[TTSChunkEvent]:
        """生成从 Cartesia 到达的音频块。"""
        async for raw_message in self._ws:
            message = json.loads(raw_message)

            # 解码并生成音频块
            if "data" in message and message["data"]:
                audio_chunk = base64.b64decode(message["data"])
                if audio_chunk:
                    yield TTSChunkEvent.create(audio_chunk)

    async def _ensure_connection(self) -> WebSocketClientProtocol:
        """如果尚未连接,则建立 WebSocket 连接。"""
        if self._ws is None:
            url = (
                f"wss://api.cartesia.ai/tts/websocket"
                f"?api_key={self.api_key}&cartesia_version={self.cartesia_version}"
            )
            self._ws = await websockets.connect(url)

        return self._ws

LangSmith

你使用 LangChain 构建的许多应用程序将包含多个步骤和多次 LLM 调用。随着这些应用程序变得越来越复杂,能够检查链或代理内部究竟发生了什么变得至关重要。最好的方法是使用 LangSmith 在上面的链接注册后,确保设置环境变量以开始记录跟踪:
export LANGSMITH_TRACING="true"
export LANGSMITH_API_KEY="..."
或者,在 Python 中设置它们:
import getpass
import os

os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = getpass.getpass()

整合所有部分

完整的流水线将三个阶段链接在一起:
from langchain_core.runnables import RunnableGenerator

pipeline = (
    RunnableGenerator(stt_stream)      # 音频 → STT 事件
    | RunnableGenerator(agent_stream)  # STT 事件 → 代理事件
    | RunnableGenerator(tts_stream)    # 代理事件 → TTS 音频
)

# 在 WebSocket 端点中使用
@app.websocket("/ws")
async def websocket_endpoint(websocket: WebSocket):
    await websocket.accept()

    async def websocket_audio_stream():
        """从 WebSocket 生成音频字节。"""
        while True:
            data = await websocket.receive_bytes()
            yield data

    # 通过流水线转换音频
    output_stream = pipeline.atransform(websocket_audio_stream())

    # 将 TTS 音频发送回客户端
    async for event in output_stream:
        if event.type == "tts_chunk":
            await websocket.send_bytes(event.audio)
我们使用 RunnableGenerators 来组合流水线的每个步骤。这是 LangChain 在内部用于管理跨组件流式传输的抽象。 每个阶段独立并发地处理事件:音频转录在音频到达时开始,代理在转录可用时开始推理,语音合成在代理文本生成时开始。这种架构可以实现低于 700 毫秒的延迟,以支持自然对话。 有关使用 LangChain 构建代理的更多信息,请参阅代理指南