語音智能體配置指引

本文按設定頁由上到下的面板順序逐項說明各參數：它的作用、取值範圍與預設值、以及適用的引擎模式。語音智能體在保留知識、資料庫、記憶等通用能力的同時，新增了語音引擎、輸入、輸出、歡迎引導、通話控制五組語音相關設定。

若還不了解語音智能體的基本概念與三種引擎模式，建議先閱讀語音智能體概述。

語音引擎

語音引擎面板頂部是引擎模式選擇器，可切換即時模型（Real-time model）、ASR-LLM-TTS、LLM+TTS。切換後，下方展示的模型與參數會隨之變化。

即時模型（REALTIME）

由單個即時語音大模型端對端完成「聽 — 想 — 說」，音訊的輸入與輸出都在同一模型內閉環，中間不經過獨立的語音辨識與合成，因此延遲最低、語氣最自然。

通常來說，我們更加推薦即時模型模式，延遲最低、語氣自然，適合大多數即時語音場景。OpenAI 即將發布的 Live 模型不僅支援全雙工即時語音，面對複雜任務可以後台呼叫更高能力的文字大模型，未來將成為即時語音的首選方案。

graph LR
  U([使用者語音]) --> RT[即時語音大模型 端對端處理]
  RT --> A([語音回覆])

即時模型把辨識、推理、合成都收斂在一個模型裡，因此設定項最精簡：

即時模型沒有獨立的 ASR / TTS 環節，因此不提供轉錄指令、語音語言、TTS 符號清理（移除 / 替換）等設定——這些能力已內化在模型中。

ASR-LLM-TTS

三段式鏈路：語音先辨識為文字，交由文字大模型推理，再把回覆合成為語音。三段可分別選擇模型，是可控性最高的模式。

graph LR
  U([使用者語音]) --> ASR[ASR 語音辨識]
  ASR -->|文字| LLM[文字大模型 推理]
  LLM -->|回覆文字| TTS[TTS 語音合成]
  TTS --> A([語音回覆])

逐段設定如下：

移除與替換均以英文逗號分隔多個符號；成對括號（如 ()、《》）作為一個整體填寫即可。

LLM+TTS

由支援語音輸入的多模態 LLM 直接理解語音，省去獨立 ASR 環節；模型的文字回覆再交給 TTS 合成為語音。

graph LR
  U([使用者語音]) --> LLM[多模態大模型 直接理解語音]
  LLM -->|回覆文字| TTS[TTS 語音合成]
  TTS --> A([語音回覆])

設定項為 LLM（含模型參數與身分提示）與 TTS（含移除、替換），含義同 ASR-LLM-TTS。

輸入

輸入面板控制「Agent 如何聽」，核心是 VAD（語音活動偵測）與附件辨識。

VAD 控制

VAD（語音活動偵測）決定 Agent 如何判斷使用者何時說完、能否被打斷。可調參數會隨引擎模式與辨識模式變化，切換後表單也隨之改變：

• 即時模型：使用模型自帶的 VAD，可在設定頁選擇辨識模式——預設模式或語義模式，預設為預設模式。
• ASR-LLM-TTS / LLM+TTS：使用平台內建 VAD，行為等同預設模式，不提供辨識模式切換。

預設模式

按聲音訊號斷句：靠音量閾值與靜默時長判斷使用者是否說完，行為直觀、可預期。適用於即時模型（選預設模式時）以及 ASR-LLM-TTS、LLM+TTS。

語義模式

僅即時模型支援。由模型理解語義來判斷使用者是否說完，不再依賴固定的音量與靜默閾值，斷句更自然，適合停頓多、語氣鬆散的口語對話。

附件

輸出

輸出面板控制「Agent 如何說」，包含背景音與快取播放。

背景音

為通話疊加環境音，讓語音對話更有現場感，建議調整到 0.2 左右的音量即可，避免蓋過人聲。

快取播放

歡迎引導

設定通話開始時的開場表現，支援多語言分別設定。

通話控制

通話控制用於讓通話更加自然，避免冷場空轉。透過設定掛斷機制防止無限佔用，節省資源和費用。

冷場控制

觸發沉默閾值時，自動追問或播放提示，把使用者拉回對話。

掛斷通話

滿足最大通話時長或最大沉默次數任一條件即觸發掛斷。

共享能力面板

語音智能體同樣支援知識、資料庫、記憶等通用 Agent 能力，設定方式與普通 Agent 一致，可參考智能體相關文件。需要注意：

• 人工服務面板在語音智能體中暫顯示「即將支援」。
• 工具、Workflow 等面板在語音智能體中不展示。

各模式配置項對照

不同引擎模式下，設定頁展示的項目略有差異，可對照下表：

參數如何取值才更貼合業務，請繼續閱讀最佳實踐。