Open in
LiveKit Agents मधून ThunderPhone वापरा
LiveKit रूम्स, SIP आणि टेलिफोनीसह LiveKit Agents सेशनचे रिअलटाइम (स्पीच-टू-स्पीच) मॉडेल म्हणून ThunderPhone व्हॉइस एजंट चालवा.
LiveKit Agents हे LiveKit रूम्सवर रिअलटाइम व्हॉइस एजंट्ससाठीचे मुक्त-स्रोत फ्रेमवर्क आहे. ThunderPhone रिअलटाइम मॉडेल म्हणून जोडले जाते: फ्रेमवर्क सहभागीचा ऑडिओ पाठवते, ThunderPhone एजंटचा आवाज, ट्रान्सक्रिप्ट्स आणि फंक्शन कॉल्स परत करते, आणि LiveKit च्या रूम्स, SIP ट्रंक्स आणि टेलिफोनी ऑडिओ वाहून नेतात. स्पीच रेकग्निशन, लँग्वेज मॉडेल, आवाज, टर्न-टेकिंग, 62 भाषा आणि टूल्स हे सर्व ThunderPhone वर चालतात.
अशा प्रकारे केलेले कॉल कॉल इतिहास मध्ये दिसतात आणि इतर कोणत्याही रिअलटाइम कॉलप्रमाणे त्यांचे बिलिंग केले जाते (किंमत). यात कोणतेही सबस्क्रिप्शन किंवा ThunderPhone फोन नंबर समाविष्ट नाही.
इंस्टॉल करा
pip install livekit-plugins-thunderphone
export THUNDERPHONE_API_KEY=sk_live_... # a secret API keyuv सह, uv add "livekit-agents[thunderphone]~=1.8" हाच
प्लगइन स्थापित करते. तो livekit/agents
रिपॉझिटरीमध्ये समाविष्ट आहे आणि livekit-agents सोबतच रिलीज केला जातो, त्यामुळे दोन्ही
एकाच आवृत्तीवर ठेवा. LiveKit त्याचे दस्तऐवजीकरण स्वतःच्या
ThunderPhone प्लगइन मार्गदर्शिकेत करते.
ThunderPhone चा Realtime WebSocket समान प्रोटोकॉल वापरत असल्यामुळे, प्लगइन LiveKit च्या OpenAI Realtime मॉडेलला रॅप करते. यासाठी livekit-agents 1.8 किंवा त्यापेक्षा नवीन आवृत्ती आवश्यक आहे.
जतन केलेला एजंट चालवा
एजंट जे काही करतो (prompt, व्हॉइस, इंजिन, भाषा, टूल्स, अभिवादन, शांतता तपासण्या) ते सर्व ThunderPhone वर कॉन्फिगर केले जाते. सेशन फक्त ऑडिओ हलवते. डॅशबोर्डमध्ये एजंट तयार करा किंवा Zeus ला (ThunderPhone एजंट तयार, चाचणी आणि ट्यून करणारा AI एजंट) तो सेट अप करू द्या, नंतर त्याचा ID येथे द्या. तुम्ही ThunderPhone वर डिप्लॉय केलेले बदल तुमच्या LiveKit कोडला हात न लावता पुढील कॉलला लागू होतात.
from livekit.agents import Agent, AgentSession, JobContext, WorkerOptions, cli
from livekit.plugins import thunderphone
async def entrypoint(ctx: JobContext):
session = AgentSession(llm=thunderphone.RealtimeModel(agent_id=12))
await session.start(agent=Agent(instructions=""), room=ctx.room)
if __name__ == "__main__":
cli.run_app(WorkerOptions(entrypoint_fnc=entrypoint))जतन केलेला एजंट ThunderPhone वर अभिवादन करतो आणि स्वतःची टूल्स चालवतो; LiveKit Agent च्या सूचना आणि टूल्स पाठवल्या जात नाहीत. ThunderPhone एजंट कॉल बंद करतो तेव्हा कॉल संपतो आणि त्यासोबत सत्रही बंद होते.
सत्र इनलाइन कॉन्फिगर करा
agent_id शिवाय, सूचना आणि साधने LiveKit Agent कडून येतात, जशी ती OpenAI साठी येतात. model इंजिन निवडते आणि voice ThunderPhone आवाज निवडते.
from livekit.agents import Agent, AgentSession, RunContext, function_tool
from livekit.plugins import thunderphone
class Receptionist(Agent):
def __init__(self):
super().__init__(instructions="You are Acme Dental's receptionist. Be brief.")
@function_tool
async def check_availability(self, context: RunContext, date: str) -> dict:
"""Free appointment slots on a date."""
return {"slots": await calendar.free_slots(date)}
async def entrypoint(ctx: JobContext):
session = AgentSession(
llm=thunderphone.RealtimeModel(model="bolt", voice="olivia", language="es"),
)
await session.start(agent=Receptionist(), room=ctx.room)
await session.generate_reply() # the agent speaks firstकॉल सुरू झाल्यावर ThunderPhone सूचना आणि टूल्स निश्चित करते, त्यामुळे त्यात बदल करणारे update_instructions, update_tools आणि एजंट हँड-ऑफ कॉलदरम्यान समर्थित नाहीत. इनलाइन सत्रे क्लायंट-नियंत्रित असतात: तुम्ही generate_reply() कॉल करता तेव्हा किंवा सहभागीचा टर्न संपतो तेव्हा एजंट बोलतो.
पर्याय
| आर्ग्युमेंट | अर्थ |
|---|---|
api_key | गुप्त की (sk_live_...). डीफॉल्ट THUNDERPHONE_API_KEY आहे. |
agent_id | जतन केलेला एजंट चालवा. model आणि voice सह परस्परविरोधी. |
model | इनलाइन सेशनसाठी इंजिन: bolt (spark आणि storm ही जुनी इंजिने अजूनही स्वीकारली जातात). |
voice | इनलाइन सेशनसाठी ThunderPhone व्हॉइसचे नाव. |
language | इनलाइन सेशनसाठी प्राथमिक भाषेचा संकेत, उदा. es. |
caller_number, callee_number | रूम फोन लाईनशी जोडलेली असल्यास कॉलचे फोन नंबर. कॉल इतिहासात ते प्रेषक आणि प्राप्तकर्ता क्रमांक म्हणून दिसतात. |
live_transcripts | उच्चार सुरू असतानाच कॉलरच्या ट्रान्सक्रिप्टचे तुकडे स्ट्रीम करा (अतिरिक्त शुल्क). |
base_url | एंडपॉइंट ओव्हरराइड; डीफॉल्ट wss://api.thunderphone.com/v1/realtime. |
इव्हेंट्स
ThunderPhone रिअलटाइम प्रोटोकॉलवर प्लॅटफॉर्म इव्हेंट्स जोडते. सेशन त्यांना उत्सर्जित करते:
@session.llm.session.on("thunderphone_call_ended") # or on the RealtimeSession you hold
def on_call_ended(event):
print("call ended:", event["reason"])सेशन लाइव्ह झाल्यावर RealtimeSession call_id उघड करते. कॉलनंतर रेकॉर्डिंग,
ट्रान्स्क्रिप्ट आणि ग्रेड मिळवण्यासाठी ते
GET /v1/calls/{call_id} सह वापरा. इतर प्रत्येक call.* इव्हेंट
(ट्रान्सफर, कीपॅड, भाषण दुर्लक्षित) thunderphone_call_event म्हणून येतो.
मर्यादा
- टर्न डिटेक्शन सर्व्हर-साइड असते आणि नेहमी सुरू असते; फ्रेमवर्क-साइड टर्न डिटेक्शन
(
AgentSessionवरीलturn_detection) दुर्लक्षित केले जाते. - कॉल सुरू झाल्यानंतर सूचना आणि टूल्स बदलता येत नाहीत.
- दोन्ही दिशांनी ऑडिओ 24 kHz वर 16-बिट मोनो PCM असतो.
- व्हिडिओ फ्रेम्स दुर्लक्षित केल्या जातात.