管道和工作流

VoicePipeline 是一个类，可让你轻松将智能体式工作流转换为语音应用。你传入要运行的工作流，管道会负责转写输入音频、检测音频何时结束、在合适的时机调用你的工作流，并将工作流输出转换回音频。

graph LR
    %% Input
    A["🎤 Audio Input"]

    %% Voice Pipeline
    subgraph Voice_Pipeline [Voice Pipeline]
        direction TB
        B["Transcribe (speech-to-text)"]
        C["Your Code"]:::highlight
        D["Text-to-speech"]
        B --> C --> D
    end

    %% Output
    E["🎧 Audio Output"]

    %% Flow
    A --> Voice_Pipeline
    Voice_Pipeline --> E

    %% Custom styling
    classDef highlight fill:#ffcc66,stroke:#333,stroke-width:1px,font-weight:700;

管道配置

创建管道时，你可以设置以下几项：

workflow，即每当有新的音频被转写时运行的代码。
使用的 speech-to-text 和 text-to-speech 模型
config，可用于配置以下内容：
- 模型提供方，可将模型名称映射到模型
- 追踪，包括是否禁用追踪、是否上传音频文件、工作流名称、追踪 ID 等。
- TTS 和 STT 模型的设置，例如提示词、语言以及使用的数据类型。

管道运行

你可以通过 run() 方法运行管道，该方法允许你以两种形式传入音频输入：

当你已有完整的音频输入，并且只想为其生成结果时，可以使用 AudioInput。这适用于不需要检测说话者何时说完的场景；例如，你有预录音频，或者在按键通话应用中，用户何时说完是明确的。
当你可能需要检测用户何时说完时，可以使用 StreamedAudioInput。它允许你在检测到音频片段时将其推送进去，语音管道会通过一个称为“活动检测”的过程，在合适的时机自动运行智能体工作流。

结果

语音管道运行的结果是 StreamedAudioResult。这是一个对象，可让你在事件发生时以流式方式传输这些事件。VoiceStreamEvent 有几种类型，包括：

VoiceStreamEventAudio，其中包含一个音频片段。
VoiceStreamEventLifecycle，用于告知你轮次开始或结束等生命周期事件。
VoiceStreamEventError，这是一种错误事件。

result = await pipeline.run(input)

async for event in result.stream():
    if event.type == "voice_stream_event_audio":
        # play audio
        pass
    elif event.type == "voice_stream_event_lifecycle":
        # lifecycle
        pass
    elif event.type == "voice_stream_event_error":
        # error
        pass

最佳实践

中断

Agents SDK 目前没有为 StreamedAudioInput 提供任何内置的中断处理。相反，每个检测到的轮次都会触发你的工作流单独运行一次。如果你想在应用内处理中断，可以监听 VoiceStreamEventLifecycle 事件。turn_started 表示已转写出新的轮次，且处理即将开始。turn_ended 会在相应轮次的所有音频都分发完毕后触发。你可以使用这些事件，在模型开始一个轮次时将说话者的麦克风静音，并在该轮次的所有相关音频都刷新完后取消静音。