Guide de configuration de l'Agent vocal

Ce document explique chaque paramètre en suivant l'ordre des panneaux, de haut en bas, sur la page de configuration : son rôle, sa plage de valeurs et sa valeur par défaut, ainsi que les modes de moteur concernés. Tout en conservant les capacités communes (connaissances, base de données, mémoire, etc.), l'Agent vocal ajoute cinq groupes de configurations liées à la voix : moteur vocal, entrée, sortie, accueil et amorce, contrôle des appels.

Si vous ne connaissez pas encore les concepts de base de l'Agent vocal ni ses trois modes de moteur, il est recommandé de lire d'abord l'Aperçu de l'Agent vocal.

Moteur vocal

En haut du panneau Moteur vocal se trouve le sélecteur de mode de moteur, qui permet de basculer entre Real-time model, ASR-LLM-TTS et LLM+TTS. Après le changement, les modèles et paramètres affichés en dessous s'adaptent en conséquence.

Real-time model (REALTIME)

Un seul grand modèle vocal en temps réel réalise de bout en bout « écouter — penser — parler » : l'entrée et la sortie audio sont bouclées au sein du même modèle, sans passer par une reconnaissance et une synthèse vocales indépendantes, d'où la latence la plus faible et l'intonation la plus naturelle.

En règle générale, nous recommandons davantage le mode Real-time model : latence la plus faible, intonation naturelle, adapté à la plupart des scénarios de voix en temps réel. Le modèle Live que s'apprête à publier OpenAI prend non seulement en charge la voix en temps réel full-duplex, mais peut aussi, face à des tâches complexes, faire appel en arrière-plan à un grand modèle textuel plus puissant ; il deviendra à l'avenir la solution privilégiée pour la voix en temps réel.

graph LR
  U([Voix de l'utilisateur]) --> RT[Grand modèle vocal temps réel traitement de bout en bout]
  RT --> A([Réponse vocale])

Le Real-time model regroupe reconnaissance, inférence et synthèse dans un seul modèle, d'où des options de configuration très épurées :

Le Real-time model n'a pas d'étape ASR / TTS indépendante ; il ne propose donc pas d'instruction de transcription, de langue vocale, de nettoyage des symboles TTS (suppression / remplacement), etc. — ces capacités sont internalisées dans le modèle.

ASR-LLM-TTS

Chaîne en trois étapes : la voix est d'abord reconnue en texte, confiée à un grand modèle textuel pour inférence, puis la réponse est synthétisée en voix. Un modèle peut être choisi pour chacune des trois étapes ; c'est le mode offrant le plus haut niveau de contrôle.

graph LR
  U([Voix de l'utilisateur]) --> ASR[ASR reconnaissance vocale]
  ASR -->|texte| LLM[Grand modèle textuel inférence]
  LLM -->|texte de réponse| TTS[TTS synthèse vocale]
  TTS --> A([Réponse vocale])

Configuration étape par étape :

Suppression et remplacement acceptent plusieurs symboles séparés par une virgule anglaise ; les parenthèses appariées (comme (), 《》) se saisissent comme un tout.

LLM+TTS

Un LLM multimodal prenant en charge l'entrée vocale comprend directement la voix, supprimant l'étape ASR indépendante ; la réponse textuelle du modèle est ensuite confiée au TTS pour synthèse vocale.

graph LR
  U([Voix de l'utilisateur]) --> LLM[Grand modèle multimodal compréhension directe de la voix]
  LLM -->|texte de réponse| TTS[TTS synthèse vocale]
  TTS --> A([Réponse vocale])

Les options de configuration sont LLM (avec paramètres du modèle et invite d'identité) et TTS (avec suppression et remplacement), au même sens que dans ASR-LLM-TTS.

Entrée

Le panneau Entrée contrôle « comment l'Agent écoute » ; il repose sur le VAD (détection d'activité vocale) et la reconnaissance des pièces jointes.

Contrôle VAD

Le VAD (détection d'activité vocale) détermine comment l'Agent juge quand l'utilisateur a fini de parler et s'il peut être interrompu. Les paramètres réglables varient selon le mode de moteur et le mode de reconnaissance ; le formulaire change après un basculement :

• Real-time model : utilise le VAD intégré au modèle ; on peut choisir dans la page de configuration le mode de reconnaissance — mode prédéfini ou mode sémantique, par défaut mode prédéfini.
• ASR-LLM-TTS / LLM+TTS : utilise le VAD intégré à la plateforme, au comportement équivalent au mode prédéfini, sans possibilité de changer de mode de reconnaissance.

Mode prédéfini

Découpe les phrases d'après le signal sonore : il s'appuie sur un seuil de volume et une durée de silence pour déterminer si l'utilisateur a fini de parler ; comportement intuitif et prévisible. Adapté au Real-time model (lorsque le mode prédéfini est choisi) ainsi qu'à ASR-LLM-TTS et LLM+TTS.

Mode sémantique

Pris en charge uniquement par le Real-time model. Le modèle comprend le sens pour juger si l'utilisateur a fini de parler, sans plus dépendre de seuils fixes de volume et de silence ; le découpage est plus naturel, adapté aux conversations orales avec beaucoup de pauses et un ton relâché.

Pièces jointes

Sortie

Le panneau Sortie contrôle « comment l'Agent parle » ; il comprend le son d'ambiance et la lecture avec mise en cache.

Son d'ambiance

Ajoute un son d'ambiance à l'appel pour rendre la conversation vocale plus immersive ; il est recommandé de régler le volume autour de 0,2 pour éviter de couvrir la voix.

Lecture avec mise en cache

Accueil et amorce

Définit la mise en scène d'ouverture au début de l'appel ; la configuration par langue est prise en charge.

Contrôle des appels

Le contrôle des appels sert à rendre l'appel plus naturel et à éviter qu'il tourne à vide en cas de silence. Grâce à un mécanisme de raccrochage, il empêche l'occupation indéfinie de la ligne, économisant des ressources et des coûts.

Contrôle du silence

Lorsque le seuil de silence est atteint, une relance ou une invite est déclenchée automatiquement pour ramener l'utilisateur dans la conversation.

Raccrocher l'appel

Le raccrochage est déclenché dès que l'une des conditions durée d'appel maximale ou nombre maximal de silences est remplie.

Panneaux de capacités partagées

L'Agent vocal prend également en charge les capacités communes d'un Agent — connaissances, base de données, mémoire, etc. — configurées de la même manière qu'un Agent classique ; reportez-vous à la documentation relative aux Agents. À noter :

• Le panneau Service humain affiche pour l'instant « Bientôt disponible » dans l'Agent vocal.
• Les panneaux Outils, Workflow, etc. ne sont pas affichés dans l'Agent vocal.

Comparaison des options de configuration par mode

Les éléments affichés sur la page de configuration diffèrent légèrement selon le mode de moteur ; voir le tableau ci-dessous :

Pour savoir comment régler les paramètres au plus près de votre activité, poursuivez avec les Meilleures pratiques.