ガイド

このガイドでは、OpenAI Agents SDK の realtime 機能を使って音声対応の AI エージェントを構築する方法を詳しく説明します。

ベータ機能

Realtime エージェントはベータ版です。実装の改善に伴い、互換性が壊れる変更が発生する可能性があります。

概要

Realtime エージェントは、音声とテキストの入力をリアルタイムに処理し、リアルタイム音声で応答する会話フローを可能にします。OpenAI の Realtime API との永続接続を維持し、低遅延で自然な音声対話と、割り込みへのスムーズな対応が可能です。

アーキテクチャ

中核コンポーネント

realtime システムはいくつかの主要コンポーネントで構成されます:

RealtimeAgent: instructions、tools、handoffs で構成されたエージェント。
RealtimeRunner: 設定を管理します。runner.run() を呼び出すとセッションを取得できます。
RealtimeSession: 単一の対話セッション。通常、ユーザーが会話を開始するたびに作成し、会話が終了するまで存続させます。
RealtimeModel: 基盤となるモデルのインターフェース (通常は OpenAI の WebSocket 実装)

セッションフロー

典型的な realtime セッションは次のフローに従います:

instructions、tools、handoffs を使って RealtimeAgent を作成 します。
エージェントと設定オプションで RealtimeRunner をセットアップ します。
await runner.run() を使って セッションを開始 し、RealtimeSession を取得します。
send_audio() または send_message() を使って 音声またはテキストのメッセージを送信 します。
セッションを反復処理して イベントをリッスン します — イベントには音声出力、文字起こし、ツール呼び出し、ハンドオフ、エラーが含まれます。
ユーザーがエージェントの発話に重ねて話した場合の 割り込みを処理 します。これにより現在の音声生成は自動的に停止します。

セッションは会話履歴を保持し、realtime モデルとの永続接続を管理します。

エージェント設定

RealtimeAgent は通常の Agent クラスと同様に動作しますが、いくつか重要な違いがあります。API の詳細は RealtimeAgent の API リファレンスをご覧ください。

通常のエージェントとの主な違い:

モデル選択はエージェントレベルではなく、セッションレベルで設定します。
structured output はサポートされません (outputType はサポート対象外)。
ボイスはエージェントごとに設定できますが、最初のエージェントが話し始めた後は変更できません。
tools、handoffs、instructions など、それ以外の機能は同様に動作します。

セッション設定

モデル設定

セッション設定では、基盤となる realtime モデルの動作を制御できます。モデル名 (例: gpt-4o-realtime-preview)、ボイス選択 (alloy、echo、fable、onyx、nova、shimmer)、対応モダリティ (テキストおよび/または音声) を設定できます。音声フォーマットは入力・出力の両方で設定可能で、デフォルトは PCM16 です。

音声設定

音声設定は、セッションが音声の入出力をどのように扱うかを制御します。Whisper などのモデルを使った入力音声の文字起こし、言語設定、ドメイン固有用語の精度向上のための文字起こしプロンプトの指定が可能です。ターン検出設定では、音声活動検出のしきい値、無音継続時間、検出された発話の前後パディングなどにより、エージェントが応答を開始・終了すべきタイミングを制御します。

ツールと関数

ツールの追加

通常のエージェントと同様に、realtime エージェントは会話中に実行される関数ツールをサポートします:

from agents import function_tool

@function_tool
def get_weather(city: str) -> str:
    """Get current weather for a city."""
    # Your weather API logic here
    return f"The weather in {city} is sunny, 72°F"

@function_tool
def book_appointment(date: str, time: str, service: str) -> str:
    """Book an appointment."""
    # Your booking logic here
    return f"Appointment booked for {service} on {date} at {time}"

agent = RealtimeAgent(
    name="Assistant",
    instructions="You can help with weather and appointments.",
    tools=[get_weather, book_appointment],
)

ハンドオフ

ハンドオフの作成

ハンドオフにより、特化したエージェント間で会話を転送できます。

from agents.realtime import realtime_handoff

# Specialized agents
billing_agent = RealtimeAgent(
    name="Billing Support",
    instructions="You specialize in billing and payment issues.",
)

technical_agent = RealtimeAgent(
    name="Technical Support",
    instructions="You handle technical troubleshooting.",
)

# Main agent with handoffs
main_agent = RealtimeAgent(
    name="Customer Service",
    instructions="You are the main customer service agent. Hand off to specialists when needed.",
    handoffs=[
        realtime_handoff(billing_agent, tool_description="Transfer to billing support"),
        realtime_handoff(technical_agent, tool_description="Transfer to technical support"),
    ]
)

イベント処理

セッションは、セッションオブジェクトを反復処理することでリッスンできるイベントをストリーミングします。イベントには、音声出力チャンク、文字起こし結果、ツール実行の開始と終了、エージェントのハンドオフ、エラーが含まれます。特に扱うべき主なイベントは次のとおりです:

audio: エージェントの応答からの raw 音声データ
audio_end: エージェントの発話が終了
audio_interrupted: ユーザーがエージェントを割り込み
tool_start/tool_end: ツール実行のライフサイクル
handoff: エージェントのハンドオフが発生
error: 処理中にエラーが発生

イベントの詳細は RealtimeSessionEvent を参照してください。

ガードレール

realtime エージェントでサポートされるのは出力ガードレールのみです。これらのガードレールはデバウンスされ、リアルタイム生成中のパフォーマンス問題を避けるために定期的に (すべての単語ごとではなく) 実行されます。デフォルトのデバウンス長は 100 文字ですが、設定可能です。

ガードレールは RealtimeAgent に直接アタッチするか、セッションの run_config で指定できます。両方のソースからのガードレールは併用されて実行されます。

from agents.guardrail import GuardrailFunctionOutput, OutputGuardrail

def sensitive_data_check(context, agent, output):
    return GuardrailFunctionOutput(
        tripwire_triggered="password" in output,
        output_info=None,
    )

agent = RealtimeAgent(
    name="Assistant",
    instructions="...",
    output_guardrails=[OutputGuardrail(guardrail_function=sensitive_data_check)],
)

ガードレールが作動すると、guardrail_tripped イベントが生成され、エージェントの現在の応答を中断できます。デバウンス動作により、安全性とリアルタイム性能要件のバランスを取ります。テキストエージェントと異なり、realtime エージェントはガードレールが作動しても Exception をスローしません。

音声処理

session.send_audio(audio_bytes) を使って音声をセッションに送信するか、session.send_message() を使ってテキストを送信します。

音声出力については、audio イベントをリッスンして、希望のオーディオライブラリで音声データを再生してください。ユーザーがエージェントを割り込んだ際に直ちに再生を停止し、キューにある音声をクリアできるよう、audio_interrupted イベントも必ずリッスンしてください。

直接モデルアクセス

基盤となるモデルにアクセスして、カスタムリスナーを追加したり、高度な操作を実行できます:

# Add a custom listener to the model
session.model.add_listener(my_custom_listener)

これにより、接続をより低レベルに制御する必要がある高度なユースケース向けに、RealtimeModel インターフェースへ直接アクセスできます。

例

完全な動作する例については、UI コンポーネントの有無それぞれのデモを含む examples/realtime ディレクトリを参照してください。