Kerwin AI Information

標籤: livekit

  • 用 livekit/agents 做一個即時語音 AI 助手

    用 livekit/agents 做一個即時語音 AI 助手

    📌 本文重點

    • livekit/agents 幫你包好即時語音串流與房間管理
    • 透過插件快速串接各家 LLM／STT／TTS
    • 適合打造客服、家教、會議助理、遊戲 NPC 等語音場景

    一句話先講清楚：livekit/agents 是一個「開箱即用」的實時語音／視頻 AI agent 開源框架，幫你處理好語音串流、通話房間、跟各家 LLM 串接，讓你專心寫「助理要做什麼」。

    專案連結：https://github.com/livekit/agents

    核心功能：它幫你省掉哪些麻煩

    1. 即時語音串流處理（含多方通話）

    用傳統方式做語音助手，你得自己處理：WebRTC 連線、音訊編碼、封包、延遲調優。livekit/agents 把這些變成幾行 Python：

    💡 關鍵： 框架直接處理 WebRTC 與音訊串流細節，讓你用少量程式碼就能做出低延遲語音助手。

    • 自動接收使用者麥克風語音、轉成模型可用的 audio stream
    • 支援多人房間：每個人一條 audio track，可針對某人回應或廣播
    • 跟 LiveKit RTC 原生整合，等於直接接上一整套「類 Discord / Zoom 的底層基礎建設」

    實際操作可以從他們的 demo server 開始：

    # 1. 安裝套件
pip install livekit-agents livekit-plugins-openai

# 2. 跑官方 demo（語音助理）
python -m livekit.agents.examples.voice_assistant

    跑起來後，你就有一個能接 LiveKit 房間、聽語音、回語音的 AI 助手，可以先拿來當「互動介面沙盒」。

    2. 一層抽象包掉 LLM、STT、TTS

    你不需要自己手動串「語音轉文字（STT）→ LLM → 文字轉語音（TTS）」，agents 已經有 plugin 模組：

    💡 關鍵： 透過 plugin，你可以像換積木一樣替換不同家的 LLM／STT／TTS，而不必重寫整套語音流程。

    • 官方提供 OpenAI、Anthropic 等插件（livekit-plugins-openai 等）
    • 你可以像換積木一樣，改用別家雲端 LLM 或自建模型
    • 支援多模態（文字 + 語音，未來可加上影像）

    範例：用 OpenAI 做一個最小語音助手（簡化示意）

    from livekit.agents import AutoAgent
from livekit.plugins import openai

llm = openai.ChatCompletion(model="gpt-4o-mini")

async def handle_event(event, ctx):
    if event.type == "speech":  # 使用者講話片段
        text = event.transcript
        resp = await llm.complete(text)
        await ctx.speak(resp.text)  # 語音回覆

agent = AutoAgent(on_event=handle_event)
agent.run()

    你只需要關心 handle_event 裡「收到什麼 → 要回什麼」，其餘串流、排程、回應時機都交給框架。

    3. 房間管理與多角色 Agent

    如果你想做「會議小秘書 + 客服機器人 + 語音監考官」這類多角色場景，livekit/agents 也有：

    • 房間（room）管理：每個房間有多名參與者與多個 agent
    • 可以設定 agent 只聽某個角色、只回某些人
    • 結合 LiveKit 原本的錄製、串流功能，做後續轉錄、紀錄

    典型用法：開一個房間，裡面放

    • 一個「會議紀錄 agent」專心記錄與摘要
    • 一個「Q&A agent」回覆指定問題
    • 再視需要增加自訂邏輯（例如檢查是否有敏感字）

    適合誰用？幾個具體場景

    1. 線上客服機器人（語音版）

    想像電話客服或網站語音客服：

    • 使用者進房間 → 說出問題
    • agent 即時聽、查 FAQ 或後端 API → 用自然語音回覆
    • 若遇到無法回答的問題，可把通話轉接真人（LiveKit 本來就支援真人進房）

    可以做的行動：

    • 先用官方 voice assistant demo 跑起來
    • 把 LLM prompt 改成「客服知識庫助理」，接上你的 FAQ 文檔

    2. 語音家教、語言學習助手

    • 學生講英文／中文 → agent 即時糾錯、給例句
    • 用多房間管理不同學生，讓每個人有自己的語音助教

    可以做的行動：

    • 把 LLM 的系統提示改成「語言老師」
    • 把 agent 的回應邏輯改成：先評分、再給建議回覆

    3. 會議即時小秘書

    • 開一個房間，把所有會議成員加入
    • agent 只做三件事：即時紀錄要點、提醒超時、會後產出摘要

    可以做的行動：

    • 使用 LiveKit SDK 做會議房間
    • 在 agents 內部實作：每 5 分鐘自動整理一次目前紀錄、會後產出總結

    4. 遊戲語音 NPC

    • 玩家用麥克風跟 NPC 說話
    • agent 根據遊戲狀態（你可以從遊戲伺服器丟資料給 agent）決定 NPC 回應

    可以做的行動：

    • 在遊戲伺服器中接 WebRTC / HTTP 與 LiveKit
    • 把玩家座標、任務進度寫進 LLM 的 context

    怎麼開始：最小可行示例

    下面是一條「從零到能跟 AI 說話」的最短路徑，假設你會基本 Python。

    步驟 1：準備環境

    1. 安裝 Python 3.10+（建議用虛擬環境）
    2. 安裝套件：

    bash
    pip install "livekit-agents[full]" livekit-plugins-openai

    1. 申請：

    2. LiveKit Cloud 帳號（或自己架 LiveKit Server）→ 拿到 LIVEKIT_API_KEY、LIVEKIT_API_SECRET、LIVEKIT_URL

    3. OpenAI API Key（或你要用的其他雲端 LLM）

    步驟 2：跑官方 voice assistant demo

    在專案 repo 裡會有類似示例，可以照以下思路：

    export LIVEKIT_API_KEY=xxx
export LIVEKIT_API_SECRET=yyy
export LIVEKIT_URL=wss://your-livekit-domain
export OPENAI_API_KEY=sk-...

python -m livekit.agents.examples.voice_assistant

    啟動後：

    1. 到 LiveKit 提供的範例前端（通常 repo 或 docs 會有連結）
    2. 填上相同的房間名稱
    3. 打開麥克風，你就能跟 AI 說話

    串接主流雲端 LLM：以 OpenAI 為例

    使用 livekit-plugins-openai 可以快速改成使用你想要的 OpenAI 模型，例如 gpt-4o、gpt-4o-mini。

    💡 關鍵： 只要改動模型與插件設定，就能快速切換不同雲端 LLM，而保留同一套語音互動邏輯。

    示意程式：

    from livekit.agents import AutoAgent
from livekit.plugins import openai

system_prompt = """你是一個友善的即時語音助手，回答要簡短、口語化。"""

llm = openai.ChatCompletion(
    model="gpt-4o-mini",
    system_prompt=system_prompt,
)

async def on_event(event, ctx):
    if event.type == "speech" and event.is_final:  # 完整一句話
        text = event.transcript
        resp = await llm.complete(text)
        await ctx.speak(resp.text)  # 由 agents 幫你轉語音播放

agent = AutoAgent(on_event=on_event)
agent.run()

    如果你要換成其他 LLM（Anthropic、DeepSeek 等），通常只要：

    • 換插件（例如 livekit-plugins-anthropic）
    • 換初始化那一行，其他事件處理邏輯可以保持不變

    改造成「中文語音助手」

    要讓它好好講中文，關鍵有三個：

    1. STT 支援中文：選擇支援中文語音辨識的模型（例如 OpenAI 的多語 speech model）。

    2. LLM 語言偏好：在 system prompt 裡明講：

    text
    你是一個中文語音助手，只用繁體中文回覆。
    回覆要口語、句子不要太長，方便即時朗讀。

    1. TTS 選中文聲音：

    2. 若使用 OpenAI TTS，在初始化時指定中文 voice

    3. 或用本地 TTS（如 Coqui TTS）輸出中文音頻，再由 agents 播放

    實作上，只要調整：

    • plugin 設定中的模型名稱、語言
    • prompt 描述

    其他語音串流邏輯不變。

    部署到雲端或自家伺服器

    livekit/agents 本身就是 Python 程式，你可以當作一般後端服務來部署。

    部署選項概覽

    方案 核心做法 適合誰
    LiveKit Cloud + 雲端 VM LiveKit 用官方雲服務，agents 跑在 AWS / GCP 想先跑起產品、不想維護 RTC 的團隊
    全自架（LiveKit Server + agents） 自己架 LiveKit Server + 部署 agents 對延遲、成本、數據有嚴格控管需求
    Docker / K8s 把 agents 打包成容器，水平擴展 使用 k8s 的公司 / 團隊

    基本部署步驟：

    1. 把你的 agent 程式包成一個 Python app（例如 main.py）
    2. 用 uvicorn 或類似方式啟動（若你還要提供 HTTP API）
    3. 在雲端 VM 或 K8s 上跑起來，設定環境變數（LIVEKIT_URL、API key、LLM key）
    4. 前端（Web / Mobile / 遊戲客戶端）只要接 LiveKit 的 SDK 就能加入房間

    和官方 GPT-Live 概念的關係

    OpenAI 在文章 Continuous voice interaction with GPT-Live 裡提到：

    GPT-Live 使用無回合（turnless）語音模型與低延遲架構，讓語音對話可以連續、不中斷。

    livekit/agents 跟它的角色有點像「自幹一個 GPT-Live 式的應用框架」：

    • GPT-Live：OpenAI 自家的完整產品體驗
    • livekit/agents：你可以拿來做自己的「GPT-Live 版本」，接你選的 LLM、你自家的後端、你想要的 UI

    如果你希望的是：

    • 「我要一個可完全客製、可掛在自家雲上的即時語音 AI 助手」

    那 livekit/agents 正是為這種需求設計的工具。

    下一步可以做什麼？

    給你一條實作 checklist：

    1. 用 pip 安裝 livekit-agents 與你要的 LLM plugin
    2. 在 LiveKit Cloud 建一個 project，拿到 API key / URL
    3. 跑官方 voice assistant 示例，確認可以講話互動
    4. 把 LLM prompt 改成你的場景（客服 / 家教 / 會議小秘書 / NPC）
    5. 加入最簡單的業務邏輯（查 FAQ、打你自家 API）
    6. 打包成服務部署到雲端，前端用 LiveKit SDK 接進來

    做到第 4 步，你就已經有第一個能上線試用的即時語音 AI app 了。之後再慢慢加功能，而不是一開始就被 WebRTC 和語音串流細節卡住。

    🚀 你現在可以做的事

    • 先在本機安裝 livekit-agents，跑起官方 voice_assistant 示例
    • 申請 LiveKit Cloud 和 OpenAI 等 LLM 帳號，設定好 API key 與環境變數
    • 把示例程式中的 system_prompt 改成你的實際場景（客服、家教或會議），開始調整互動邏輯