وكلاء الصوت في الوقت الفعلي

تُمكّن وكلاء الوقت الفعلي التفاعلات الصوتية مع المساعدين المدعومين بالذكاء الاصطناعي باستخدام تدفق الصوت ثنائي الاتجاه. يوفر adk-realtime crate واجهة موحدة لبناء وكلاء يدعمون الصوت ويعملون مع OpenAI's Realtime API و Google's Gemini Live API.

نظرة عامة

يختلف وكلاء الوقت الفعلي عن LlmAgent النصيين بعدة طرق رئيسية:

البنية

              ┌─────────────────────────────────────────┐
              │              Agent Trait                │
              │  (name, description, run, sub_agents)   │
              └────────────────┬────────────────────────┘
                               │
       ┌───────────────────────┼───────────────────────┐
       │                       │                       │
┌──────▼──────┐      ┌─────────▼─────────┐   ┌─────────▼─────────┐
│  LlmAgent   │      │  RealtimeAgent    │   │  SequentialAgent  │
│ (text-based)│      │  (voice-based)    │   │   (workflow)      │
└─────────────┘      └───────────────────┘   └───────────────────┘

يطبق RealtimeAgent نفس Agent trait مثل LlmAgent، ويتشاركان في:

• التعليمات (ثابتة وديناميكية)
• تسجيل الأدوات وتنفيذها
• استدعاءات الرد (before_agent, after_agent, before_tool, after_tool)
• تسليم وكلاء فرعيين

البدء السريع

التثبيت

أضف إلى Cargo.toml الخاص بك:

[dependencies]
adk-realtime = { version = "0.2.0", features = ["openai"] }

الاستخدام الأساسي

use adk_realtime::{
    RealtimeAgent, RealtimeModel, RealtimeConfig, ServerEvent,
    openai::OpenAIRealtimeModel,
};
use std::sync::Arc;

#[tokio::main]
async fn main() -> Result<(), Box<dyn std::error::Error>> {
    let api_key = std::env::var("OPENAI_API_KEY")?;

    // أنشئ نموذج الوقت الفعلي
    let model: Arc<dyn RealtimeModel> = Arc::new(
        OpenAIRealtimeModel::new(&api_key, "gpt-4o-realtime-preview-2024-12-17")
    );

    // ابنِ وكيل الوقت الفعلي
    let agent = RealtimeAgent::builder("voice_assistant")
        .model(model.clone())
        .instruction("You are a helpful voice assistant. Be concise.")
        .voice("alloy")
        .server_vad()  // تفعيل اكتشاف النشاط الصوتي
        .build()?;

    // أو استخدم واجهة برمجة تطبيقات الجلسة ذات المستوى المنخفض مباشرةً
    let config = RealtimeConfig::default()
        .with_instruction("You are a helpful assistant.")
        .with_voice("alloy")
        .with_modalities(vec!["text".to_string(), "audio".to_string()]);

    let session = model.connect(config).await?;

    // أرسل نصًا واحصل على استجابة
    session.send_text("Hello!").await?;
    session.create_response().await?;

    // عالج الأحداث
    while let Some(event) = session.next_event().await {
        match event? {
            ServerEvent::TextDelta { delta, .. } => print!("{}", delta),
            ServerEvent::AudioDelta { delta, .. } => {
                // شغل الصوت (دلتا هي PCM مشفرة بـ base64)
            }
            ServerEvent::ResponseDone { .. } => break,
            _ => {}
        }
    }

    Ok(())
}

موفرو الخدمة المدعومون

ملاحظة: gpt-realtime هو أحدث نموذج في الوقت الفعلي من OpenAI مع جودة كلام محسنة، وعواطف، وقدرات استدعاء الوظائف.

بناء RealtimeAgent

يوفر RealtimeAgentBuilder واجهة برمجة تطبيقات سلسة لتكوين العملاء (agents):

let agent = RealtimeAgent::builder("assistant")
    // مطلوب
    .model(model)

    // التعليمات (نفس LlmAgent)
    .instruction("You are helpful.")
    .instruction_provider(|ctx| format!("User: {}", ctx.user_name()))

    // إعدادات الصوت
    .voice("alloy")  // الخيارات: alloy, coral, sage, shimmer, إلخ.

    // كشف نشاط الصوت (Voice Activity Detection)
    .server_vad()  // استخدم الإعدادات الافتراضية
    .vad(VadConfig {
        mode: VadMode::ServerVad,
        threshold: Some(0.5),
        prefix_padding_ms: Some(300),
        silence_duration_ms: Some(500),
        interrupt_response: Some(true),
        eagerness: None,
    })

    // الأدوات (نفس LlmAgent)
    .tool(Arc::new(weather_tool))
    .tool(Arc::new(search_tool))

    // العملاء الفرعيون للتسليم
    .sub_agent(booking_agent)
    .sub_agent(support_agent)

    // ردود الاتصال (نفس LlmAgent)
    .before_agent_callback(|ctx| async { Ok(()) })
    .after_agent_callback(|ctx, event| async { Ok(()) })
    .before_tool_callback(|ctx, tool, args| async { Ok(None) })
    .after_tool_callback(|ctx, tool, result| async { Ok(result) })

    // ردود الاتصال الخاصة بالوقت الفعلي
    .on_audio(|audio_chunk| { /* تشغيل الصوت */ })
    .on_transcript(|text| { /* عرض النص */ })

    .build()?;

كشف نشاط الصوت (VAD)

يمكّن VAD تدفق المحادثة الطبيعي من خلال الكشف عن متى يبدأ المستخدم ويتوقف عن التحدث.

Server VAD (موصى به)

let agent = RealtimeAgent::builder("assistant")
    .model(model)
    .server_vad()  // يستخدم إعدادات افتراضية معقولة
    .build()?;

تكوين VAD مخصص

use adk_realtime::{VadConfig, VadMode};

let vad = VadConfig {
    mode: VadMode::ServerVad,
    threshold: Some(0.5),           // حساسية كشف الكلام (0.0-1.0)
    prefix_padding_ms: Some(300),   // الصوت المراد تضمينه قبل الكلام
    silence_duration_ms: Some(500), // الصمت قبل إنهاء الدور
    interrupt_response: Some(true), // السماح بمقاطعة المساعد
    eagerness: None,                // لوضع SemanticVad
};

let agent = RealtimeAgent::builder("assistant")
    .model(model)
    .vad(vad)
    .build()?;

Semantic VAD (Gemini)

بالنسبة لنماذج Gemini، يمكنك استخدام Semantic VAD الذي يأخذ المعنى في الاعتبار:

let vad = VadConfig {
    mode: VadMode::SemanticVad,
    eagerness: Some("high".to_string()),  // منخفض، متوسط، مرتفع
    ..Default::default()
};

استدعاء الأدوات

تدعم Agents في الوقت الفعلي استدعاء الأدوات أثناء المحادثات الصوتية:

use adk_realtime::{config::ToolDefinition, ToolResponse};
use serde_json::json;

// Define tools
let tools = vec![
    ToolDefinition {
        name: "get_weather".to_string(),
        description: Some("Get weather for a location".to_string()),
        parameters: Some(json!({
            "type": "object",
            "properties": {
                "location": { "type": "string" }
            },
            "required": ["location"]
        })),
    },
];

let config = RealtimeConfig::default()
    .with_tools(tools)
    .with_instruction("Use tools to help the user.");

let session = model.connect(config).await?;

// Handle tool calls in the event loop
while let Some(event) = session.next_event().await {
    match event? {
        ServerEvent::FunctionCallDone { call_id, name, arguments, .. } => {
            // Execute the tool
            let result = execute_tool(&name, &arguments);

            // Send the response
            let response = ToolResponse::new(&call_id, result);
            session.send_tool_response(response).await?;
        }
        _ => {}
    }
}

تسليم المهام بين وكلاء متعددين

نقل المحادثات بين وكلاء متخصصين:

// Create sub-agents
let booking_agent = Arc::new(RealtimeAgent::builder("booking_agent")
    .model(model.clone())
    .instruction("Help with reservations.")
    .build()?);

let support_agent = Arc::new(RealtimeAgent::builder("support_agent")
    .model(model.clone())
    .instruction("Help with technical issues.")
    .build()?);

// Create main agent with sub-agents
let receptionist = RealtimeAgent::builder("receptionist")
    .model(model)
    .instruction(
        "Route customers: bookings → booking_agent, issues → support_agent. \
         Use transfer_to_agent tool to hand off."
    )
    .sub_agent(booking_agent)
    .sub_agent(support_agent)
    .build()?;

عندما يقوم Model باستدعاء transfer_to_agent، يتعامل RealtimeRunner مع التسليم تلقائيًا.

تنسيقات الصوت

use adk_realtime::{AudioFormat, AudioChunk};

// Create audio format
let format = AudioFormat::pcm16_24khz();

// Work with audio chunks
let chunk = AudioChunk::new(audio_bytes, format);
let base64 = chunk.to_base64();
let decoded = AudioChunk::from_base64(&base64, format)?;

أنواع الأحداث

أحداث الخادم

أحداث العميل

أمثلة

قم بتشغيل الأمثلة المضمنة:

# Basic text-only session
cargo run --example realtime_basic --features realtime-openai

# Voice assistant with VAD
cargo run --example realtime_vad --features realtime-openai

# Tool calling
cargo run --example realtime_tools --features realtime-openai

# Multi-agent handoffs
cargo run --example realtime_handoff --features realtime-openai

أفضل الممارسات

1. استخدام Server VAD: دع الخادم يتعامل مع اكتشاف الكلام للحصول على زمن وصول أقل
2. التعامل مع الانقطاعات: قم بتمكين interrupt_response للمحادثات الطبيعية
3. الحفاظ على التعليمات موجزة: يجب أن تكون الردود الصوتية قصيرة
4. الاختبار بالنص أولاً: قم بتصحيح منطق الوكيل الخاص بك بالنص قبل إضافة الصوت
5. التعامل مع الأخطاء بسلاسة: مشاكل الشبكة شائعة مع اتصالات WebSocket

مقارنة مع OpenAI Agents SDK

يتبع التنفيذ في الوقت الفعلي في adk-rust نمط OpenAI Agents SDK:

---

السابق: ← Graph Agents | التالي: Model Providers →