Agentes de Voz em Tempo Real

Agentes em tempo real permitem interações baseadas em voz com assistentes de IA usando streaming de áudio bidirecional. O crate adk-realtime fornece uma interface unificada para construir agentes habilitados para voz que funcionam com a Realtime API da OpenAI e a Gemini Live API do Google.

Visão Geral

Agentes em tempo real diferem dos LlmAgent baseados em texto em várias características principais:

Arquitetura

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

RealtimeAgent implementa o mesmo Agent trait que LlmAgent, compartilhando:

• Instruções (estáticas e dinâmicas)
• Registro e execução de Tool
• Callbacks (before_agent, after_agent, before_tool, after_tool)
• Transições de sub-agente

Início Rápido

Instalação

Adicione ao seu Cargo.toml:

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

Uso Básico

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")?;

    // Cria o modelo em tempo real
    let model: Arc<dyn RealtimeModel> = Arc::new(
        OpenAIRealtimeModel::new(&api_key, "gpt-4o-realtime-preview-2024-12-17")
    );

    // Constrói o agente em tempo real
    let agent = RealtimeAgent::builder("voice_assistant")
        .model(model.clone())
        .instruction("You are a helpful voice assistant. Be concise.")
        .voice("alloy")
        .server_vad()  // Enable voice activity detection
        .build()?;

    // Ou use a API de sessão de baixo nível diretamente
    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?;

    // Envia texto e obtém resposta
    session.send_text("Hello!").await?;
    session.create_response().await?;

    // Processa eventos
    while let Some(event) = session.next_event().await {
        match event? {
            ServerEvent::TextDelta { delta, .. } => print!("{}", delta),
            ServerEvent::AudioDelta { delta, .. } => {
                // Reproduz áudio (delta é PCM codificado em base64)
            }
            ServerEvent::ResponseDone { .. } => break,
            _ => {}
        }
    }

    Ok(())
}

Provedores Suportados

Nota: gpt-realtime é o modelo em tempo real mais recente da OpenAI com qualidade de fala, emoção e capacidade de chamada de função aprimoradas.

RealtimeAgent Builder

O RealtimeAgentBuilder fornece uma API fluente para configurar agents:

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

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

    // Voice settings
    .voice("alloy")  // Options: alloy, coral, sage, shimmer, etc.

    // Voice Activity Detection
    .server_vad()  // Use defaults
    .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,
    })

    // Tools (same as LlmAgent)
    .tool(Arc::new(weather_tool))
    .tool(Arc::new(search_tool))

    // Sub-agents for handoffs
    .sub_agent(booking_agent)
    .sub_agent(support_agent)

    // Callbacks (same as 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) })

    // Realtime-specific callbacks
    .on_audio(|audio_chunk| { /* play audio */ })
    .on_transcript(|text| { /* show transcript */ })

    .build()?;

Detecção de Atividade de Voz (VAD)

VAD permite um fluxo de conversa natural ao detectar quando o usuário começa e para de falar.

Server VAD (Recomendado)

let agent = RealtimeAgent::builder("assistant")
    .model(model)
    .server_vad()  // Uses sensible defaults
    .build()?;

Configuração Personalizada de VAD

use adk_realtime::{VadConfig, VadMode};

let vad = VadConfig {
    mode: VadMode::ServerVad,
    threshold: Some(0.5),           // Sensibilidade da detecção de fala (0.0-1.0)
    prefix_padding_ms: Some(300),   // Áudio a ser incluído antes da fala
    silence_duration_ms: Some(500), // Silêncio antes de terminar a vez
    interrupt_response: Some(true), // Permite interromper o assistant
    eagerness: None,                // Para o modo SemanticVad
};

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

Semantic VAD (Gemini)

Para modelos Gemini, você pode usar o semantic VAD que considera o significado:

let vad = VadConfig {
    mode: VadMode::SemanticVad,
    eagerness: Some("high".to_string()),  // low, medium, high
    ..Default::default()
};

Chamada de Ferramentas

Agents em tempo real suportam a chamada de ferramentas durante conversas de voz:

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

// Definir ferramentas
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?;

// Lidar com chamadas de ferramentas no loop de eventos
while let Some(event) = session.next_event().await {
    match event? {
        ServerEvent::FunctionCallDone { call_id, name, arguments, .. } => {
            // Executar a ferramenta
            let result = execute_tool(&name, &arguments);

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

Transferências Multi-Agent

Transfira conversas entre agents especializados:

// Criar 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()?);

// Criar agent principal com 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()?;

Quando o model chama transfer_to_agent, o RealtimeRunner lida com a transferência automaticamente.

Formatos de Áudio

use adk_realtime::{AudioFormat, AudioChunk};

// Criar formato de áudio
let format = AudioFormat::pcm16_24khz();

// Trabalhar com chunks de áudio
let chunk = AudioChunk::new(audio_bytes, format);
let base64 = chunk.to_base64();
let decoded = AudioChunk::from_base64(&base64, format)?;

Tipos de Eventos

Eventos do Servidor

Eventos do Cliente

Exemplos

Execute os exemplos incluídos:

# Sessão básica apenas com texto
cargo run --example realtime_basic --features realtime-openai

# Assistente de voz com VAD
cargo run --example realtime_vad --features realtime-openai

# Chamada de ferramentas
cargo run --example realtime_tools --features realtime-openai

# Transferências multi-agent
cargo run --example realtime_handoff --features realtime-openai

Melhores Práticas

1. Use VAD do Servidor: Deixe o servidor lidar com a detecção de fala para menor latência
2. Lide com interrupções: Habilite interrupt_response para conversas naturais
3. Mantenha as instruções concisas: Respostas de voz devem ser breves
4. Teste com texto primeiro: Depure sua lógica de agente com texto antes de adicionar áudio
5. Lide com erros de forma elegante: Problemas de rede são comuns com conexões WebSocket

Comparação com o OpenAI Agents SDK

A implementação em tempo real do adk-rust segue o padrão do OpenAI Agents SDK:

---

Anterior: ← Graph Agents | Próximo: Model Providers →