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:- 倾听 - 捕获音频并将其转录
- 思考 - 解释意图、推理、规划
- 说话 - 生成音频并将其流式传输回用户
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
- 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
- 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
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
- 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
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
实现
AssemblyAI 客户端
AssemblyAI 客户端
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
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
实现
Cartesia 客户端
Cartesia 客户端

