第一个语音 Agent
下面使用阿里云的 STT + LLM + TTS 组合展示 LiveKit Agents 的标准接入方式。
准备环境变量
仓库根目录的 .env.example 列出了全部环境变量。复制为 .env 后至少填写:
不要把真实密钥提交到 Git。开发环境可使用 python-dotenv 从 .env 加载。console 模式不需要 LiveKit 房间凭证。
创建 Agent
这里使用的 cosyvoice-v3-flash 和 longanyang 同时支持新加坡和中国(北京)。模型与音色必须匹配;
其他 CosyVoice 模型的地域和音色限制见阿里云插件文档。
运行
控制台模式适合先验证麦克风、凭证和模型:
接入 LiveKit 房间:
改为 Realtime
Realtime 模型自身完成听、理解和说,只把一个 RealtimeModel 传给 llm:
不传 turn_detection 时默认是 server_vad。需要摄像头时改用 Qwen-Omni,并打开
room_io.RoomOptions(video_input=True)。Realtime 模式不需要再配置独立的 STT 与
TTS。详细的音色、轮次检测、开场语和工具调用行为见阿里云插件与
Realtime 会话。