语音智能体配置指引

本文按配置页从上到下的面板顺序逐项说明各参数：它的作用、取值范围与默认值、以及适用的引擎模式。语音智能体在保留知识、数据库、记忆等通用能力的同时，新增了语音引擎、输入、输出、欢迎引导、通话控制五组语音相关配置。

若还不了解语音智能体的基本概念与三种引擎模式，建议先阅读语音智能体概述。

语音引擎

语音引擎面板顶部是引擎模式选择器，可切换实时模型（Real-time model）、ASR-LLM-TTS、LLM+TTS。切换后，下方展示的模型与参数会随之变化。

实时模型（REALTIME）

由单个实时语音大模型端到端完成「听 — 想 — 说」，音频的输入与输出都在同一模型内闭环，中间不经过独立的语音识别与合成，因此延迟最低、语气最自然。

通常来说，我们更加推荐实时模型模式，延迟最低、语气自然，适合大多数实时语音场景。OpenAI 即将发布的 Live 模型不仅支持全双工实时语音，面对复杂任务可以后台调用更高能力的文本大模型，未来将成为实时语音的首选方案。

graph LR
  U([用户语音]) --> RT[实时语音大模型 端到端处理]
  RT --> A([语音回复])

实时模型把识别、推理、合成都收敛在一个模型里，因此配置项最精简：

实时模型没有独立的 ASR / TTS 环节，因此不提供转录指令、语音语言、TTS 符号清理（移除 / 替换）等设置——这些能力已内化在模型中。

ASR-LLM-TTS

三段式链路：语音先识别为文本，交由文本大模型推理，再把回复合成为语音。三段可分别选择模型，是可控性最高的模式。

graph LR
  U([用户语音]) --> ASR[ASR 语音识别]
  ASR -->|文本| LLM[文本大模型 推理]
  LLM -->|回复文本| TTS[TTS 语音合成]
  TTS --> A([语音回复])

逐段配置如下：

移除与替换均以英文逗号分隔多个符号；成对括号（如 ()、《》）作为一个整体填写即可。

LLM+TTS

由支持语音输入的多模态 LLM 直接理解语音，省去独立 ASR 环节；模型的文本回复再交给 TTS 合成为语音。

graph LR
  U([用户语音]) --> LLM[多模态大模型 直接理解语音]
  LLM -->|回复文本| TTS[TTS 语音合成]
  TTS --> A([语音回复])

配置项为 LLM（含模型参数与身份提示）与 TTS（含移除、替换），含义同 ASR-LLM-TTS。

输入

输入面板控制「Agent 如何听」，核心是 VAD（语音活动检测）与附件识别。

VAD 控制

VAD（语音活动检测）决定 Agent 如何判断用户何时说完、能否被打断。可调参数会随引擎模式与识别模式变化，切换后表单也随之改变：

• 实时模型：使用模型自带的 VAD，可在配置页选择识别模式——预设模式或语义模式，默认预设模式。
• ASR-LLM-TTS / LLM+TTS：使用平台内置 VAD，行为等同预设模式，不提供识别模式切换。

预设模式

按声音信号断句：靠音量阈值与静默时长判断用户是否说完，行为直观、可预期。适用于实时模型（选预设模式时）以及 ASR-LLM-TTS、LLM+TTS。

语义模式

仅实时模型支持。由模型理解语义来判断用户是否说完，不再依赖固定的音量与静默阈值，断句更自然，适合停顿多、语气松散的口语对话。

附件

输出

输出面板控制「Agent 如何说」，包含背景音与缓存播放。

背景音

为通话叠加环境音，让语音对话更有现场感，建议调整到 0.2左右的音量即可，避免盖过人声。

缓存播放

欢迎引导

设置通话开始时的开场表现，支持多语言分别配置。

通话控制

通话控制用于让通话更加自然，避免冷场空转。通过设置挂断机制防止无限占用，节省资源和费用。

冷场控制

触发沉默阈值时，自动追问或播放提示，把用户拉回对话。

挂断通话

满足最大通话时长或最大沉默次数任一条件即触发挂断。

共享能力面板

语音智能体同样支持知识、数据库、记忆等通用 Agent 能力，配置方式与普通 Agent 一致，可参考智能体相关文档。需要注意：

• 人工服务面板在语音智能体中暂显示「即将支持」。
• 工具、Workflow 等面板在语音智能体中不展示。

各模式配置项对照

不同引擎模式下，配置页展示的项目略有差异，可对照下表：

参数如何取值才更贴合业务，请继续阅读最佳实践。